[发明专利]基于机器学习算法的RPV材料辐照脆化预测模型的开发方法

说明书

本发明公开了一种基于机器学习算法的RPV材料辐照脆化预测模型的开发方法，包括如下步骤：1）确定RPV辐照脆化的关联因素；2）收集RPV辐照脆化数据；3）对数据进行特征选择与数据清洗；4）对数据进行可视化分析或相关性分析，确定化学元素Cu的含量为对辐照脆化影响最显著的因素；5）依据化学元素Cu含量，将数据划分为至少5种类别；6）将数据划分为训练集和测试集；7）将步骤6）中训练集数据与测试集数据进行归一化；8）采用多种机器学习算法建立基于其中一种机器学习算法的RPV辐照脆化预测模型；9）依次开展预测值‑试验值的分布分析、残差标准差分析、Rsupgt;2/supgt;分析和残差分析；10）开展Cu含量影响分析，得到最终建立的RPV辐照脆化预测模型。

技术领域

本发明涉及金属材料性能评估领域技术领域，具体涉及一种基于机器学习算法的RPV材料辐照脆化预测模型的开发方法。

背景技术

反应堆压力容器(RPV)是反应堆一回路压力边界，在核电站寿期内不可更换，其安全工作年限成为决定核电厂寿命的关键。RPV在服役期间受快中子(E＞1MeV)辐照的影响，导致RPV发生辐照脆化效应。辐照脆化将导致在役RPV低应力破断，直接威胁核电站安全。

虽然核电厂依据辐照监督大纲开展辐照监督试样的冲击试验可得到RPV钢的韧脆转变温度增量△T_41J，但无法连续的评定RPV钢辐照脆化程度，也无法对未来辐照脆化趋势进行预测。因此，开发建立RPV钢辐照脆化预测模型有现实的工程应用需求。

尽管现有的模型已经根据辐照脆化机制进行了改进，但由于对RPV辐照脆化机制认知的不足，采用常规基于辐照脆化物理机制建立预测模型的方法在提升模型精度、扩大模型使用范围(运行至60年甚至80年)方面已经难以获得进一步的发展。

机器学习是对大量已知信息或数据进行规律总结，并在遇到新问题时形成及时判断、决策及预测的过程。通过机器学习算法可以从相互关联的辐照脆化影响因素中获得辐照性能变化规律。与传统预测模型开发过程相比，机器学习不考虑具体的辐照脆化机制，而是直接从辐照脆化数据入手，通过分析数据内部规律预测辐照性能。

发明内容

有鉴于此，为了克服现有技术的缺陷以及达到上述目的，本发明的目的是提供一种基于机器学习算法的RPV材料辐照脆化预测模型的开发方法，实现RPV辐照脆化预测模型准确、快捷的建立。

为了达到上述目的，本发明采用以下的技术方案：

一种基于机器学习算法的RPV材料辐照脆化预测模型的开发方法，包括如下步骤：

1)确定RPV辐照脆化的关联因素，所述关联因素至少包括中子注量f、化学元素Cu的含量、P含量；

2)依据步骤1)确定的关联因素收集RPV辐照脆化数据，数据科目为韧脆转变温度ΔT_41J及步骤1)中的辐照脆化关联因素；

3)对步骤2)中收集的辐照脆化数据进行特征选择与数据清洗；

4)对经过步骤3)中特征选择与数据清洗后的RPV辐照脆化数据进行可视化分析或相关性分析，确定化学元素Cu的含量为对辐照脆化影响最显著的因素；

5)依据化学元素Cu含量，将将经过步骤3)中特征选择与数据清洗后的RPV辐照脆化数据划分为至少5种类别，其中至少一种数据类别的Cu含量≤0.07％，且至少一种数据类别的Cu含量＞0.26％；

6)依据步骤5)确定的Cu含量数据类别，采用分层抽样的方法将数据划分为训练集和测试集；

7)将步骤6)中训练集数据与测试集数据采用贝叶斯函数进行归一化，归一化之前将中子注量f、注量率取对数计算，即logf和

8)采用不同机器学习算法，使用归一化后的训练集数据，调整参数后，建立基于某种机器学习算法的RPV辐照脆化预测模型；