基于卷积神经网络的数据驱动压水堆污垢诱导功率偏移预测与不确定性量化
信号处理
2025-01-14 v2 机器学习
摘要
污垢诱导功率偏移（CIPS）的发生是压水堆运行中的一个挑战，它源于燃料棒包壳上污垢的形成。先前开发的可用预测工具通常基于基础物理学，计算成本高昂且精度参差不齐。本文提出了一种完全自上而下的方法，在组件级别预测CIPS实例，并内置了反应堆特定的校准。本研究利用人工神经网络，采用三维卷积方法来利用输入数据的图像状布局。作为分类器，该卷积神经网络模型预测给定组件是否会发生CIPS以及在给定循环中的发生时间。该代理模型使用来自卡托巴核电站1号机组的计算堆芯模型参数和实测电厂数据的组合进行训练和测试。在使用各种指标评估其性能后，采用蒙特卡洛丢弃法对模型预测进行广泛的不确定性量化。结果表明，该方法在利用有限计算资源的情况下，能够以组件级别的分辨率预测清洁循环和受污循环中的CIPS，是一种可行的方法。
引用
@article{arxiv.2407.04726,
title = {Data-Driven Prediction and Uncertainty Quantification of PWR Crud-Induced Power Shift Using Convolutional Neural Networks},
author = {Aidan Furlong and Farah Alsafadi and Scott Palmtag and Andrew Godfrey and Xu Wu},
journal= {arXiv preprint arXiv:2407.04726},
year = {2025}
}
备注
To be published in Energy