[发明专利]基于深度学习支持向量机的临界热流密度预测方法

说明书

本发明公开了基于深度学习支持向量机的临界热流密度预测方法，具体按照以下步骤实施：步骤1：对收集到的临界热流密度原始数据分为两个部分：原始数据的70％作为训练集，用X＝{(x₁,y₁),(x₂,y₂),…(x_i,y_i)…(x_n,y_n)}表示，对得到的训练数据集中的x_i采用线性变换进行归一化处理，得到归一化处理后的数据点x′_i；另外30％的原始数据作为测试集，用来测试训练得到的预测模型的预测准确率；步骤2：将步骤1得到的归一化处理后的数据点x′_i，i＝1,2,…,n，利用加入信息潜能的减法聚类进行选择实验数据；步骤3：将步骤2得到的实验数据，再通过留一法交叉验证优化支持向量机的参数，采用深度学习中的受限玻尔兹曼机进行训练，得到最优预测模型和最优参数。该预测方法可以更加准确的预测临界热流密度。

技术领域

本发明属于反应堆堆芯安全分析方法技术领域，具体涉及一种基于深度学习支持向量机的临界热流密度预测方法。

背景技术

核反应堆是核电厂的关键部位之一，同时也是一种高强度换热设备。然而，由于堆芯中的热流密度受临界热流密度的限制，同时反应堆的功率水平也受到临界热流密度的限制。因此，在核反应堆系统中，临界热流密度是反应堆堆芯热工水力设计中的一个重要参数，对核反应堆安全运行有着极为重要的影响。

临界热流密度又称最大热流密度，是指在定温加热的条件下，当壁面过热度升高到某个值时，加热面上蒸汽开始聚合成气膜，传热情况迅速恶化，热流密度达到最大值。如果过热度继续增加，热流密度就开始下降，沸腾曲线出现转折点。临界热流密度有两种基本类型，即偏离核态沸腾和干涸。偏离核态沸腾和干涸的区别在于不同的工况下造成壁面上液相消失的机理有所不同，从而导致不同的传热危机。由于临界热流现象的发生往往是由于换热设备壁面强烈的蒸发造成壁面液相的消失导致传热效率大幅下降，短时间内壁温急剧升高以致超过设备材料所能容许的温度而发生烧毁，不仅造成财产损失更重要的是可能会酿成严重事故，因此，准确地预测临界热流密度对最大程度上提高换热设备的换热能力及保证其安全运行具有重要的实际意义。当前，传统的临界热流密度预测方法大致分为三种：(1)查询表法；(2) 经验关系式法；(3)分析法。传统的三种临界热流密度预测方法在一定程度上发展了临界热流密度的预测方法，但是却都只能在特定参数范围内使用。由于临界热流密度受到多种不确定因素的影响，直到现在还没有确定的理论去准确地预测临界热流密度。为了克服这一缺点，需要采用先进的信息数据处理技术对临界热流密度进行预测。

因此，本发明提出了基于深度学习支持向量机的临界热流密度预测方法，该方法预测出来的临界热流密度更加准确，为核反应堆热工水力设计及安全分析提供有力的依据。

发明内容

本发明的目的是提供一种基于深度学习支持向量机的临界热流密度预测方法，该方法预测出来的临界热流密度更加准确，为核反应堆热工水力设计及安全分析提供有力的依据。

本发明所采用的技术方案是，基于深度学习支持向量机的临界热流密度预测方法，具体按照以下步骤实施：

步骤1：对收集到的临界热流密度原始数据分为两个部分：原始数据的 70％作为训练集，用X＝{(x₁,y₁),(x₂,y₂),…(x_i,y_i)…(x_n,y_n)}表示，对得到的训练数据集中的x_i采用线性变换进行归一化处理，得到归一化处理后的数据点x'_i；另外30％的原始数据作为测试集，用来测试训练得到的预测模型的预测准确率；