基于聚类和随机搜索优化的核反应堆数字孪生参数反演模型
为了实现对核反应堆内置传感器的大量数据的高效存储、传输和分析,本文结合聚类算法与随机搜索优化的人工神经网络,对空间热离子反应堆的数字孪生系统搭建了一个参数反演模型,实现在热管失效工况下的堆芯温度数据的反演.使用20%热管失效工况下空间热离子反应堆堆芯4个区域的温度数据,通过K-means聚类与轮廓系数指标提取各区域的特征温度参数,通过随机配置优化的全连接人工神经网络(ANN)完成特征参数到其他参数的反演,并对反演效果进行验证.研究结果表明,运用该方法对燃料、发射极、接收极、冷却剂4个区域进行参数反演,温度反演值的相对误差均方根分别为0.55%、0.41%、0.19%、0.18%,其中用于反演的特征参数占总参数比例均不超过8%.因此本研究建立的参数反演模型能够获取特征参数的物理含义,并对空间热离子反应堆堆芯温度参数进行较高精度的反演.
数字孪生、空间热离子反应堆、K-means聚类、人工神经网络、参数反演
58
TL329.2(核反应堆工程)
国家重点研发计划2020YFB1901900
2024-01-30(万方平台首次上网日期,不代表论文的发表时间)
共10页
125-134