[发明专利]一种核反应堆堆芯调棒过程瞬态参数智能计算方法

权利要求书

1.一种核反应堆堆芯调棒过程瞬态参数智能计算方法,其特征在于，包括如下步骤:

S1：确定深度学习所需的与核反应堆堆芯调棒过程有关的输入输出匹配的数据对；

S2：获取深度学习所需的与核反应堆堆芯调棒过程有关的输入输出匹配的数据对；

S3：通过深度学习与核反应堆堆芯调棒过程有关的输入输出匹配的数据对，获得核反应堆堆芯调棒过程瞬态参数智能计算模型；

S4：通过核反应堆堆芯调棒过程瞬态参数智能计算模型计算与核反应堆堆芯调棒过程有关的输入参数，以获取相应的输出参数；

所述数据对包括与核反应堆堆芯调棒过程有关的输入参数，以及相应的输出参数；

步骤S2中，通过现有的高精度堆芯计算软件计算或者实际运行数据提取来获取深度学习所需的与核反应堆堆芯调棒过程有关的输入输出匹配的数据对；

通过现有的高精度堆芯计算软件计算来获取深度学习所需的与核反应堆堆芯调棒过程有关的输入输出匹配的数据对，具体包括如下步骤：

(1)、现有的高精度堆芯稳态计算软件通过计算获取现有的高精度堆芯瞬态计算软件所需的核反应堆堆芯初始状态参数；

(2)、通过现有的高精度堆芯瞬态计算软件，利用核反应堆堆芯初始状态参数计算获取核反应堆堆芯调棒过程瞬态参数，从而获取深度学习所需的与核反应堆堆芯调棒过程有关的输入输出匹配的数据对；

步骤(2)具体包括如下步骤：通过现有的高精度堆芯瞬态计算软件，将核反应堆堆芯划分成多个空间网格；通过现有的高精度堆芯瞬态计算软件计算每个空间网格的核反应堆堆芯初始状态参数，以获取相应的核反应堆堆芯调棒过程瞬态参数；选取探测器所在空间网格的核反应堆堆芯调棒过程瞬态参数建立深度学习所需的与核反应堆堆芯调棒过程有关的输入输出匹配的数据对；

步骤S3具体包括如下步骤：通过人工智能神经网络模型，对与核反应堆堆芯调棒过程有关的输入输出匹配的数据对进行回归学习，实现有监督的深度学习，从而获得核反应堆堆芯调棒过程瞬态参数智能计算模型。

2.根据权利要求1所述的核反应堆堆芯调棒过程瞬态参数智能计算方法,其特征在于，步骤S1具体包括如下步骤：通过分析核反应堆堆芯调棒瞬态过程的关键影响因素，选取深度学习所需的与核反应堆堆芯调棒过程有关的计算输入参数；通过分析核反应堆堆芯调棒过程瞬态参数，选取深度学习所需的与核反应堆堆芯调棒过程有关的计算输出参数；从而确定深度学习所需的与核反应堆堆芯调棒过程有关的输入输出匹配的数据对。

3.根据权利要求1所述的核反应堆堆芯调棒过程瞬态参数智能计算方法，其特征在于，所述与核反应堆堆芯调棒过程有关的输入参数包括核反应堆堆芯初始状态参数的一个或者多个组合，所述与核反应堆堆芯调棒过程有关的输出参数包括核反应堆堆芯调棒过程瞬态参数的一个或者多个组合。

4.根据权利要求3所述的核反应堆堆芯调棒过程瞬态参数智能计算方法,其特征在于，所述核反应堆堆芯初始状态参数包括核反应堆堆芯的初始核功率、初始燃耗、冷却剂入口温度、冷却剂流量、冷却剂密度、冷却剂硼浓度、控制棒棒位和堆芯毒物浓度；所述核反应堆堆芯调棒过程瞬态参数包括核反应堆的堆芯中子通量分布、堆芯功率分布和温度场分布。

5.根据权利要求1所述的核反应堆堆芯调棒过程瞬态参数智能计算方法,其特征在于，所述人工智能神经网络模型包括全连接神经网络、卷积神经网络或循环神经网络的一种或者多种模型的结合。

6.根据权利要求5所述的核反应堆堆芯调棒过程瞬态参数智能计算方法,其特征在于，当与核反应堆堆芯调棒过程有关的输入输出参数是一个或者多个静态变量时，选择全连接神经网络模型进行深度学习与泛化预测能力；当与核反应堆堆芯调棒过程有关的输入输出参数是一维或者多维时序变量时，选择针对时序特点的循环神经网络结构模型进行深度学习与泛化预测能力。