[发明专利]基于bagging集成神经网络的压水堆堆芯参数预测模型设计方法

说明书

本发明涉及一种基于bagging集成神经网络的压水堆堆芯参数预测模型设计方法，包括数据处理、弱学习器设计、集成网络设计。其中，数据处理包括研究对象描述、原始数据模拟、子训练集数据抽样设计等；弱学习器设计包括BP网络隐藏层的节点数量、激活函数、优化器、学习率的确定，以及模型训练中训练批次、批次大小等超参数确定；集成网络设计包括确定训练样本、弱学习器数量、集成方法等。本发明能够降低样本的非均匀性，减小单个网络的训练难度，并且提高边界数据的预测精度，实现全区域压水堆堆芯参数的快速准确预测。

技术领域

本发明属于反应堆设计技术，具体涉及一种基于bagging集成神经网络的压水堆堆芯参数预测模型设计方法。

背景技术

压水反应堆在正常运行和运行瞬变中，堆芯的运行工况处于经常变化的状态(如负荷追随运行)，这些变化导致实际运行中的堆芯状态与装料方案中的计算结果发生偏离，操纵员需及时准确地了解堆芯功率因子等关键参数状况，确保压水堆安全运行。

压水堆堆芯关键参数主要依靠现场实验测量和计算机数值模拟两种手段获得。由于测量条件的限制，实验手段只能获得部分离散数据。计算机模拟主要有蒙特卡罗随机模拟和确定论两种方法。蒙特卡罗方法具备建模精度高、计算准确的特点，但通常计算耗费时间较长，即使采用并行方式进行计算，仍无法达到实时获得数据的要求；确定论方法计算时间较蒙特卡罗方法虽有显著提升，对于单个堆芯计算，基本可以满足要求，但是其计算时间通常与计算精度、模型复杂性密切相关，并且在处理堆芯装料优化问题时，问题的规模非常庞大，在大量方案计算的要求下，确定性方法也无法满足要求，需要寻找快速获得堆芯参数的方法，用直接预测来代替复杂的堆芯计算来产生堆芯物理参数，大大减少计算时间。

目前国内外以快速计算为目标的方法主要有人工神经网络方法。该方法是一种新型的智能信息处理系统，它不依赖于精确的数学模型，而显示出自适应、自组织、自学习、联想记忆和优化计算及智能处理功能。随着计算机硬件和深度学习技术的发展，深度人工神经网络预测由于其不需要特定领域的专业知识，就能快速准确地预测堆芯参数，是当前学界的研究热点，具有广阔的发展空间。

目前使用人工神经网络进行堆芯参数预测时，遇到的几个主要困难有：

1)生成高质量的原始数据样本

神经网络的预测效果直接取决于原始样本所反映的特征分布，只有设计合适的抽样方法，从堆芯排布全空间中抽取能代表空间特征的高质量样本，才能通过训练产生高精度的神经网络模型；

2)样本均衡化

很多时候，原始数据样本分布很不均衡，某些区域样本集中，某些区域样本稀疏，需要研究样本均衡化方法，提高神经网络预测精度；

3)精细的网络训练

高精度的预测通常对神经网络要求很高，需要非常精细的训练和调参，寻找合适的网络结构(节点、层数、连接关系)和网络参数(权重、阈值、激励函数等)，避免欠拟合或者过拟合现象的发生；

4)区域边界处预测精度降低

神经网络在边界数据上(训练样本标签最大最小值处)的预测结果较差，精度严重下降，很多时候边界区域恰恰是最关心的数据，需要寻找提高精度的方法。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于bagging集成神经网络的压水堆堆芯参数预测模型设计方法，从而降低样本的非均匀性，减小单个网络的训练难度，并且提高边界数据的预测精度，实现全区域压水堆堆芯参数的快速准确预测。

本发明的技术方案如下：一种基于bagging集成神经网络的压水堆堆芯参数预测模型设计方法，包括：

(1)根据堆芯的对称性选取部分堆芯燃料组件作为物理特性分析对象，确定堆芯燃料组件的排布规则；