基于数据驱动机器学习模型预测沸水堆临界性
机器学习
2024-11-13 v1 人工智能
摘要
运营核电站的挑战之一是决定一个循环所需的燃料量。大型核电站设计为基荷运行，即预期始终在全功率下运行。从经济角度看，核电站应燃烧足够的燃料以维持临界性直到循环末期（EOC）。如果反应堆在循环结束前变为次临界，可能导致提前滑降，因为堆芯燃料已耗尽。相反，如果反应堆在循环结束时仍有显著的过剩反应性，剩余燃料将闲置。这两种情况都可能使电站损失大量资金。本文提出了一种基于数据驱动深度学习模型的创新方法，用于估算沸水堆的过剩临界性。
引用
@article{arxiv.2411.07425,
title = {Predicting BWR Criticality with Data-Driven Machine Learning Model},
author = {Muhammad Rizki Oktavian and Anirudh Tunga and Jonathan Nistor and James Tusar and J. Thomas Gruenwald and Yunlin Xu},
journal= {arXiv preprint arXiv:2411.07425},
year = {2024}
}