高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于随机森林算法的再淹没模型参数不确定性量化研究

雷盟 李冬 张紫悦 郝饶

雷盟, 李冬, 张紫悦, 郝饶. 基于随机森林算法的再淹没模型参数不确定性量化研究[J]. 核动力工程, 2025, 46(2): 98-106. doi: 10.13832/j.jnpe.2024.070031
引用本文: 雷盟, 李冬, 张紫悦, 郝饶. 基于随机森林算法的再淹没模型参数不确定性量化研究[J]. 核动力工程, 2025, 46(2): 98-106. doi: 10.13832/j.jnpe.2024.070031
Lei Meng, Li Dong, Zhang Ziyue, Hao Rao. Study on Quantification of Parameter Uncertainty in Reflooding Model Based on Random Forest Algorithm[J]. Nuclear Power Engineering, 2025, 46(2): 98-106. doi: 10.13832/j.jnpe.2024.070031
Citation: Lei Meng, Li Dong, Zhang Ziyue, Hao Rao. Study on Quantification of Parameter Uncertainty in Reflooding Model Based on Random Forest Algorithm[J]. Nuclear Power Engineering, 2025, 46(2): 98-106. doi: 10.13832/j.jnpe.2024.070031

基于随机森林算法的再淹没模型参数不确定性量化研究

doi: 10.13832/j.jnpe.2024.070031
详细信息
    作者简介:

    雷 盟 (2000—),男,硕士研究生,现主要从事最佳估算加不确定性量化方法研究,E-mail: 1823885430@qq.com

    通讯作者:

    李 冬,E-mail: ldcara@shiep.edu.cn

  • 中图分类号: TL334

Study on Quantification of Parameter Uncertainty in Reflooding Model Based on Random Forest Algorithm

  • 摘要: 为了评估复杂事故现象物理模型参数(输入)的不确定性,提出了基于随机森林算法结合粒子群优化Kriging(PSO-Kriging)代理模型和Sheather-Jones优化核密度估计法(KDE-SJ)非参数统计的反向不确定性量化方法,并应用于大破口事故再淹没现象的模型评估。通过将系统程序的计算结果(输出)与Flooding Experiments with Blocked Arrays(FEBA)实验数据的一致性程度作为随机森林算法的分类标准,得到了模型参数的概率密度分布。验证结果表明在概率密度分布上随机抽样93组计算得到的95%不确定度带可以完全包络实验数据,但利用众数或均值对模型的标定效果可能不如贝叶斯方法得到的最大后验均值。

     

  • 图  1  IUQ方法的评估流程

    Figure  1.  Assessment Process of IUQ Methodology

    图  2  特征的重要性排序

    Figure  2.  Importance Ranking of Features

    图  3  待测参数的概率密度直方图和KDE-SJ估计曲线

    Figure  3.  Probability Density Histograms and KDE-SJ Estimation Curves for the Parameters to Be Measured

    图  4  待评估参数后验分布95%置信区间的RELAP5模拟与FEBA实验数据比较(214工况)

    Figure  4.  RELAP5 Simulations with 95% Confidence Interval of Posterior Distribution of the Parameters to Be Evaluated Compared with FEBA Experimental Data (Condition 214)

    图  5  待评估参数后验分布95%置信区间的RELAP5模拟与FEBA实验数据比较(216工况)

    Figure  5.  RELAP5 Simulations with 95% Confidence Interval of Posterior Distribution of the Parameters to Be Evaluated Compared with FEBA Experimental Data (Condition 216)

    表  1  FEBA选择工况的初始和边界条件

    Table  1.   Initial and Boundary Conditions for Selected FEBA Operating Conditions

    工况编号 进口流速/(cm·s−1 系统压力/MPa 进口冷却水温度/℃ 棒束功率/kW
    0 s 瞬态
    223 3.8 0.22 36 200 120% ANS衰变热标准
    216 3.8 0.41 37 200 120% ANS衰变热标准
    220 3.8 0.62 37 200 120% ANS衰变热标准
    214 5.8 0.41 37 200 120% ANS衰变热标准
    222 5.8 0.62 36 200 120% ANS衰变热标准
    下载: 导出CSV

    表  2  初始选定的输入参数及其先验范围

    Table  2.   Initially Selected Input Parameters and Their Priori Ranges

    编号 参数名称 先验范围
    P1 系统压力 0.99~1.01
    P2 进口流速 0.98~1.02
    P3 进口水温/℃ ±10
    P4 初始加热棒壁温/℃ ±10
    P5 加热棒功率 0.99~1.01
    P6 NiCr 导热率 0.95~1.05
    P7 NiCr 体积热容 0.95~1.05
    P8 MgO 导热率 0.8~1.2
    P9 MgO体积热容 0.8~1.2
    P10 过渡沸腾传热系数(壁面对液相) 0.2~ 3.0
    P11 过渡沸腾传热系数(壁面对汽相) 0.2~3.0
    P12 膜态沸腾传热系数(壁面对液相) 0.2~3.0
    P13 膜态沸腾传热系数(壁面对汽相) 0.1~2.5
    P14 壁面对液相的摩擦系数(全局) 0.1~4.0
    P15 壁面对汽相的摩擦系数(全局) 0.1~4.0
    P16 反环状流相间传热系数(相界面对液相) 0.2~2.0
    P17 反环状流相间传热系数(相界面对汽相) 0.2~2.0
    P18 反塞状流相间传热系数(相界面对液相) 0.2~2.0
    P19 反塞状流相间传热系数(相界面对汽相) 0.2~2.0
    P20 弥散流相间传热系数(相界面对液相) 0.2~2.0
    P21 弥散流相间传热系数(相界面对汽相) 0.2~2.0
    P22 弥散流相间摩擦系数 0.2~4.0
    P23 最小液滴直径/mm (液滴直径基准值为1.5 mm) 0.5~2.5
    P24 润湿前沿判断温度/K(温度基准值为710 K) ±20
      P1、P2、P5、P6、P7、P8、P9参数的先验范围均为该参数在系统标准值的系数变化范围
    下载: 导出CSV

    表  3  构建决策树的自定义特征

    Table  3.   Customized Features for Building Decision Trees

    编号 特征 编号 特征
    特征1 包壳3315 mm处最高温度 特征7 包壳3315 mm处润湿时间
    特征2 包壳2770 mm处最高温度 特征8 包壳2770 mm处润湿时间
    特征3 包壳2225 mm处最高温度 特征9 包壳2225 mm处润湿时间
    特征4 包壳1135 mm处最高温度 特征10 包壳1680 mm处润湿时间
    特征5 包壳590 mm处最高温度 特征11 包壳1135 mm处润湿时间
    特征6 包壳1680 mm处最高温度 特征12 包壳590 mm处润湿时间
    下载: 导出CSV

    表  4  A类参数的统计均值和标准差

    Table  4.   Statistical Means and Standard Deviations of Class A Parameters

    参数 均值 标准差
    过渡沸腾传热系数(壁面对气相) 1.5199 0.77636
    膜态沸腾传热系数(壁面对液相) 1.5914 0.60788
    弥散流相间传热系数 1.0425 0.65900
    弥散流相间摩擦系数 2.3362 1.03410
    下载: 导出CSV
  • [1] 李冬. 最佳估算模型的不确定性量化方法研究及再淹没模型评估的应用[D]. 上海: 上海交通大学,2017.
    [2] WU X, XIE Z Y, ALSAFADI F, et al. A comprehensive survey of inverse uncertainty quantification of physical model parameters in nuclear system thermal-hydraulics codes[J]. Nuclear Engineering and Design, 2021, 384: 111460. doi: 10.1016/j.nucengdes.2021.111460
    [3] KOVTONYUK A. Development of methodology for evaluation of uncertainties of system thermal-hydraulic codes’ input parameters[D]. Pisa: Università di Pisa, 2014.
    [4] SKOREK T. Input uncertainties in uncertainty analyses of system codes: quantification of physical model uncertainties on the basis of CET (combined effect tests)[J]. Nuclear Engineering and Design, 2017, 321: 301-317. doi: 10.1016/j.nucengdes.2016.10.028
    [5] DEMPSTER A P, LAIRD N M, RUBIN D B. Maximum likelihood from incomplete data via the EM algorithm[J]. Journal of the Royal Statistical Society: Series B (Methodological), 1977, 39(1): 1-22. doi: 10.1111/j.2517-6161.1977.tb01600.x
    [6] GELMAN A, CARLIN J B, STERN H S, et al. Bayesian data analysis[M]. New York: Chapman and Hall/CRC, 2013: 1-675.
    [7] DAMBLIN G, GAILLARD P. A Bayesian framework for quantifying the uncertainty of physical models integrated into thermal-hydraulic computer codes[C]//Proceedings of the Best Estimate Plus Uncertainty International Conference. Lucca: BEUP, 2018.
    [8] DAMBLIN G, GAILLARD P. Bayesian inference and non-linear extensions of the CIRCE method for quantifying the uncertainty of closure relationships integrated into thermal-hydraulic system codes[J]. Nuclear Engineering and Design, 2020, 359: 110391. doi: 10.1016/j.nucengdes.2019.110391
    [9] WU X, KOZLOWSKI T, MEIDANI H, et al. Inverse uncertainty quantification using the modular Bayesian approach based on Gaussian Process, part 2: application to TRACE[J]. Nuclear Engineering and Design, 2018, 335: 417-431. doi: 10.1016/j.nucengdes.2018.06.003
    [10] WANG C, WU X, KOZLOWSKI T. Surrogate-based Bayesian calibration of thermal-hydraulics models based on PSBT time-dependent benchmark data[C]//Proceedings of the ANS Best Estimate Plus Uncertainty International Conference. Lucca, Italy: BEPU, 2018.
    [11] WANG C, WU X, KOZLOWSKI T. Gaussian process–based inverse uncertainty quantification for trace physical model parameters using steady-state PSBT benchmark[J]. Nuclear Science and Engineering, 2019, 193(1-2): 100-114. doi: 10.1080/00295639.2018.1499279
    [12] WANG C, WU X, KOZLOWSKI T. Inverse uncertainty quantification by hierarchical Bayesian inference for trace physical model parameters based on BFBT benchmark[C]//American Nuclear Society. Proceedings of NURETH-2019. Portland, Oregon, USA: American Nuclear Society, 2019.
    [13] DOMITR P, WŁOSTOWSKI M. The use of machine learning for inverse uncertainty quantification in TRACE code based on Marviken experiment[J]. Nuclear Engineering and Design, 2021, 384: 111498. doi: 10.1016/j.nucengdes.2021.111498
    [14] DOMITR P, WŁOSTOWSKI M, LASKOWSKI R, et al. Comparison of inverse uncertainty quantification methods for critical flow test[J]. Energy, 2023, 263: 125640. doi: 10.1016/j.energy.2022.125640
    [15] 邵旻晖. 决策树典型算法研究综述[J]. 电脑知识与技术,2018, 14(8): 175-177.
    [16] 曹正凤. 随机森林算法优化研究[D]. 北京: 首都经济贸易大学,2014.
    [17] WANG N, LI D, PENG C, et al. INVESTIGATION OF SURROGATE MODEL FOR UNCERTAINTY QUANTIFICATION OF NUCLEAR SYSTEM[C]//The Proceedings of the International Conference on Nuclear Engineering (ICONE) 2023.30. The Japan Society of Mechanical Engineers, 2023: 1085.
    [18] 李冬,王念峰.基于再淹没现象的RBF神经网络和Kriging的代理模型应用及误差分析[J].上海电力大学学报,2022, 38(03): 269-273.

    李冬, 王念峰.基于再淹没现象的RBF神经网络和Kriging的代理模型应用及误差分析[J].上海电力大学学报, 2022, 38(03): 269-273.
    [19] IAEA. Status of small reactor designs without on-site refuelling: IAEA-TECDOC-CD-1536[R]. Vienna: International Atomic Energy Agency, 2007.
    [20] MEHOLIC M J. The development of a non-equilibrium dispersed flow film boiling heat transfer modeling package[D]. State College: The Pennsylvania State University, 2011.
    [21] BERAR O A, PROŠEK A, MAVKO B. RELAP5 and TRACE assessment of the Achilles natural reflood experiment[J]. Nuclear Engineering and Design, 2013, 261(8): 306-316.
    [22] IHLE P, RUST K. FEBA-flooding experiments with blocked arrays: evaluation report[M]. Karlsruhe: Kernforschungszentrum Karlsruhe, 1984: 1-543.
    [23] WILKS S S. Determination of sample sizes for setting tolerance limits[J]. The Annals of Mathematical Statistics, 1941, 12(1): 91-96. doi: 10.1214/aoms/1177731788
  • 加载中
图(5) / 表(4)
计量
  • 文章访问数:  45
  • HTML全文浏览量:  14
  • PDF下载量:  4
  • 被引次数: 0
出版历程
  • 收稿日期:  2024-07-09
  • 修回日期:  2024-08-30
  • 网络出版日期:  2025-01-15
  • 刊出日期:  2025-04-02

目录

    /

    返回文章
    返回