[发明专利]一种基于高斯过程回归的临界热流密度预测方法

说明书

本发明公开了一种基于高斯过程回归的临界热流密度预测方法，具体按照以下步骤实施：步骤1：将采集到的数据集分为两个部分，其中70％的数据作为训练集，其余30％的数据作为测试集，记为：D_*＝{(X_*,y_*)}；步骤2：将训练集数据和测试集数据采用标准正态变量法对数据进行预处理，使训练集D和测试集D_*的均值为0且标准偏差为1；步骤3：利用高斯过程回归对训练输入变量与训练目标输出之间关系进行推断，得到临界热流密度预测模型；步骤4：利用得到的临界热流密度预测模型，通过系统压力P、质量流速G和平衡含汽量Xe对临界热流密度进行预测。该方法能够对临界热流密度进行准确有效的预测。

技术领域

本发明属于反应堆堆芯安全分析领域，具体涉及一种基于高斯过程回归的临界热流密度预测方法。

背景技术

在核反应堆安全评审中，临界热流密度是一种重要的热工水力限制参数，它是指加热壁面温度飞升引起烧毁前所能承受的最大热流密度。一旦热流密度超过临界热流密度就会导致壁面温度过热，从而引起元件烧毁。因此，准确地预测临界热流密度对于反应堆的安全性和经济性有着非常重要的意义。

由于临界热流密度是一种十分复杂的现象，尽管过去几十年有超过500多种临界热流密度预测方法出现在文献中，但是目前为止仍没有统一的理论能够准确地预测临界热流密度，这也使得临界热流密度成为一种研究最广泛却最不被了解的现象。当前，传统的临界热流密度预测方法大致分为三种：(1)查询表法；(2)经验关系式法；(3)分析法。然而，由于每种方法都有缺点和使用条件限制，因此从上世纪90年代开始，人工神经网络作为一种先进的智能技术被广泛地应用于临界热流密度预测中。国内也有相关学者开展此方面的研究，但研究成果较少且时间较早。虽然人工神经网络在一定程度上能够克服传统临界热流密度预测方法的缺点，但是由于人工神经网络是一种基于结构风险最小化原则的方法，存在结构难以选择，易于陷入极小值，过拟合及推广能力较差等缺点。

因此，本发明提出了一种基于高斯过程回归的临界热流密度预测方法，这种预测方法在相同工况下具有更小的误差值，而且其预测结果也更接近实验值。

发明内容

本发明的目的是提供一种基于高斯过程回归的临界热流密度预测方法，该方法能够对临界热流密度进行准确有效的预测。

本发明所采用的技术方案是，一种基于高斯过程回归的临界热流密度预测方法，具体按照以下步骤实施：

步骤1：将采集到的数据集分为两个部分，其中70％的数据作为训练集，记为：其中x_i∈R^d，y_i∈R，x_i为D中第i个输入向量包括系统压力P、质量流速G和平衡含汽量Xe，y_i表示D中第i个目标输出即临界热流密度；其余30％的数据作为测试集，记为：D_*＝{(X_*,y_*)}；

步骤2：将训练集数据和测试集数据采用标准正态变量法对数据进行预处理，使训练集D和测试集D_*的均值为0且标准偏差为1，预处理的计算公式如式(1)所示：

其中，n为数据总个数，时所有均值，s为数据的方差，U_n表示标准正态后的数据；

步骤3：利用高斯过程回归对训练输入变量与训练目标输出之间关系进行推断，得到临界热流密度预测模型；

步骤4：利用得到的临界热流密度预测模型，通过系统压力P、质量流速G和平衡含汽量Xe对临界热流密度进行预测。

本发明的特点还在于，

步骤3具体按照以下步骤实施：

步骤3.1：建立高斯过程回归方程：