[发明专利]基于FCNN与PSO相结合的事故序列筛选方法

权利要求书

1.基于FCNN与PSO相结合的事故序列筛选方法，其特征在于，包括以下步骤：

S101.明确研究对象、目标参数，完成确定论与概率论建模；

S201.采用并发计算方法，并发计算RELAP5程序，快速构建深度学习数据库；

S301.采用FNCC分析方法构建深度学习替代模型，代替RELAP5进行事故分析；

S401.采用PSO方法，调用替代模型进行事故分析，快速捕捉各个事故序列最优解，筛选出需要进行BEPU分析的序列。

2.根据权利要求1所述的基于FCNN与PSO相结合的事故序列筛选方法，其特征在于，

S101具体包括以下步骤：

S1011.根据确定论对研究对象进行建模；

S1012.根据概率论模型，确定所有事故序列；

S1013.确定不确定性参数、分布和目标参数；

S1014.进行参数敏感性分析，筛选关键参数。

3.根据权利要求2所述的基于FCNN与PSO相结合的事故序列筛选方法，其特征在于，

S1011.根据确定论对研究对象进行建模具体包括以下步骤：

S10111.明确分析对象和事故；

S10112.获取建模过程中所需要的所有参数信息；

S10113.根据关键参数完成对象节点图后进行输入卡的编写，

S10114.建模完成后需要将模拟结果与设计参数进行对比分析，保证建模精度满足分析需求。

4.根据权利要求1所述的基于FCNN与PSO相结合的事故序列筛选方法，其特征在于，

S201具体包括以下步骤：

S2011.并发初始化，在进行并发计算之前需要初始化设置输入参数、输入参数的范围、分布以及目标参数；明确数据库构建的输入和输出；

S2012.计算机设备性能测试，完成优化程序初始化设置；

S2013.多线程实现批量RELAP5输入文件更新；

S2014.多线程RELAP5计算；

S2015.构建输入、输出数据库。

5.根据权利要求1所述的基于FCNN与PSO相结合的事故序列筛选方法，其特征在于，

S301具体包括以下步骤：

S3011.构建FCNN深度学习替代模型；

S3012.判断当前数据库样本大小不变的情况下，能否生成满足精度要求的FCNN深度学习替代模型；若满足，则模型构建完成，进行封装后，进入S401，参与并发计算；否则，返回S201，增加学习数据库样本数量。

6.根据权利要求5所述的基于FCNN与PSO相结合的事故序列筛选方法，其特征在于，

S3011.构建FCNN深度学习替代模型具体包括以下步骤：

S30111.调用学习数据库：将已经生成的数据库样本导入该步骤供模型构建使用；

S30112.输入层学习样本数据初始化及测试样本数据初始化：根据数据库中的输入参数和输出参数，对FCNN的输入层和输出层标称值进行数据更新。并且初始化FCNN的激活函数和关键信息；

S30113.隐藏层拟合：输入层的数据进入隐藏层经过激活函数进行非线性拟合；当有多个隐藏层时，前一个隐藏层的输出作为后一个隐藏层的输入进行数据传递；

S30114.输出层数据输出：一个输入层初始参数经过隐藏层的拟合后会输出一个拟合目标参数；

S30115.判断拟合输出数据与标称值误差是否满足要求：输出层的拟合目标参数与数据库中的RELAP5程序计算出的标准目标参数进行对比，当误差满足规定值后进入S30116中；若误差不满足规定则经过Adam算法进行程序自动调参后继续进入S30113中，直到满足规定值后进入S30116中；

S30116.判断测试样本精度是否满足要求：将测试样本的输入数据导入到模型中，得到的输出值与测试样本中标准的输出值进行对比，满足要求则进行下一步；如不满足要求则继续Adam算法调参，直到满足精度要求。