基於人工神經網絡的RPV輻照脆化專家系統檢視原始碼討論檢視歷史
![]() |
基於人工神經網絡的RPV輻照脆化專家系統中子輻照引起RPV輻照脆化導致其性能降低,其中韌脆轉變溫度是RPV輻照脆化評價的重要指標。目前,國內關於RPV輻照脆化的研究主要沿用國外的一些經驗,缺乏自主知識產權[1]的RPV輻照數據庫和相應的RPV輻照脆化預測模型,而採用機器學習等方法研究RPV中子輻照下性能的影響因素以及變化規律是高效、低成本手段。
技術要點和優勢
相比於傳統的數學模型,在RPV材料輻照脆化影響因素眾多的情況下,基於數據的機器學習模型具有較高的精度,同時利用模型獲得的規律與文獻報道相符,具有一定的可解釋性,能在一定程度上反映出RPV輻照脆化影響因素與輻照損傷變化之間的複雜非線性關係。影響RPV鋼輻照脆化的主要因素有材料成分和輻照環境兩大類,其中材料成分中P、Ni、Cu影響尤為顯著,而輻照環境中,中子注量、中子注量率和輻照溫度影響突出,如何評價每個參數對RPV鋼輻照脆化的影響是構建輻照脆化預測模型的關鍵,不同參數之間影響不是單一的,具有複雜的非線性關係,基於數據的人工神經網絡模型可以很好的解決這個問題。本案例基於國內部分核電站的輻照監督數據與國外的數據,利用ANN的方法建立RPV材料輻照脆化預測模型,同時與C/S模式的輻照脆化數據庫耦合成為RPV材料的輻照脆化專家系統,為RPV材料輻照脆化數據的存儲、查詢以及RPV材料輻照脆化預測提供了便利,推動我國RPV材料的研究與發展。
應用案例介紹
應用對象:核電材料
應用規模:核電站設計
應用時間:2020年11月20日
取得的效果
本案例分析整理了國內外現有的輻照監督數據,提取RPV輻照損傷性能數據與關鍵影響參數,建立RPV材料輻照損傷數據庫[2],數據量達數千條;通過數據挖掘技術,在已有數據的基礎上構件了24個RPV材料輻照後性能預測的模型,並與經驗公式比較驗證模型的精度;將模型與數據庫耦合,最終形成了集存儲、查詢、預測為一體的C/S模式界面友好的RPV材料輻照脆化專家系統。
參考文獻
- ↑ 自主知識產權與專利的區別 ,搜狐,2017-11-29
- ↑ 細數常用數據庫有哪些 ,搜狐,2017-05-25