AI赋能沸水反应堆中子通量测量与虚拟校准

精确获取反应堆堆芯内的三维功率分布对于确保反应堆的安全经济运行、遵守技术规范以及燃料循环规划（安全、控制和性能评估）至关重要。离线状态下（即在循环规划和堆芯设计期间），使用三维中子学模拟器来估算反应堆的功率、慢化剂、空泡和流量分布，从中可以近似得出热工裕量和燃料燃耗。在线状态下，这是通过一套局部功率范围监测器（LPRM）系统完成的，该系统旨在捕获足够的中子通量信息以推断出完整的节点功率分布。从测量和校准到功率适配过程，该过程存在的某些问题给操作员带来了挑战，并限制了经济地设计换料堆芯的能力（例如，设计裕量不足或裕量过大）。人工智能（AI）和机器学习（ML）正被用于解决这些问题，以降低维护成本，提高在线局部功率测量的准确性，并减少离线与在线功率分布之间的偏差，从而提高设计安全且经济的换料堆芯的能力。我们展示了基于两种深度神经网络（DNN）架构——SurrogateNet和LPRMNet——训练的ML模型，其测试误差分别为1%和3%。这些模型的应用可以包括：为被旁路或故障的LPRM提供虚拟传感能力、在连续校准之间按需对探测器进行虚拟校准、对LPRM进行高精度的核寿期终止判定，以及减少堆芯内测量与预测功率分布之间的偏差。