基于人工神经网络的自适应非线性模型预测控制在乏燃料后处理铀萃取-洗涤操作中的应用
系统与控制
2024-03-26 v1 系统与控制
摘要
本文探讨了 PUREX 流程中铀萃取-洗涤操作优化控制的特殊性。该控制问题要求将系统最优地稳定在期望的溶剂饱和度水平，同时保证约束条件、抑制扰动并适应设定值变化。法国替代能源与原子能委员会（CEA）开发了一个名为 PAREX 的合格模拟器，用于模拟 PUREX 流程中的液-液萃取操作。然而，由于数学模型复杂，且由非线性、刚性、高维微分代数方程组（DAE）描述，应用最优控制方法将导致一个计算负担巨大的大规模非线性规划问题。我们在此工作中提出的解决方案是训练一个神经网络，利用测量历史来预测过程输出。该神经网络架构采用了长短期记忆（LSTM）、线性回归和逻辑回归网络，能够减少状态变量的数量，从而降低控制方案中优化问题的复杂性。此外，还开发了非线性模型预测控制（NMPC）和滚动时域估计（MHE）问题，并使用粒子群优化（PSO）算法进行求解。仿真结果表明，所提出的自适应最优控制方案满足了控制问题的要求，并为实验测试提供了前景。
引用
@article{arxiv.2403.16307,
title = {ANN-Based Adaptive NMPC for Uranium Extraction-Scrubbing Operation in Spent Nuclear Fuel Treatment Process},
author = {Duc-Tri Vo and Ionela Prodan and Laurent Lefèvre and Vincent Vanel and Sylvain Costenoble and Binh Dinh},
journal= {arXiv preprint arXiv:2403.16307},
year = {2024}
}