Моделирование нейтронного потока в активной зоне ввэр с помощью нейросетевых технологий

Вид материала

Документы

Подобный материал:

• Нейросетевое моделирование сложных технических объектов, 43.36kb.
• Моделирование корреляционного метода измерения расхода теплоносителя проводится с использованием, 445.49kb.
• Компьютерная геометрия и геометрическое моделирование, 147.72kb.
• Удк 628. 112. 4 Моделирование установившегося циркуляционного движения жидкости в прифильтровой, 116.21kb.
• Тепловыделяющие элементы ввэр-1000, изготовляемые на ОАО «мсз», 81.15kb.
• Под действием нейтронного облучения конструкционные материалы оболочек твэлов реакторов, 169.68kb.
• Рефераты №5, 169.37kb.
• Андрей Баутов. Общая оценка фондового рынка и некоторые тенденции, 283.02kb.
• «Современные проблемы управления риском», 321.68kb.
• Содержание: 3 Аннотация, 163.94kb.

О.А. МИШУЛИНА, А.А. Пинегин, А.Г. ТРОФИМОВ,

В.С. Харитонов, Б.Е. Шумский

Московский инженерно-физический институт (государственный университет)


Моделирование нейтронного потока

в активной зоне ВВЭР с помощью

нейросетевых технологий


В докладе представлены результаты моделирования нейтронного потока в активной зоне ВВЭР-1000 с помощью нейросетевых технологий. Для «обучения» нейросетевой модели использовалась программа NOSTRA [1] трехмерного расчета переходных и аварийных процессов в активной зоне ВВЭР.


Одним из возможных применений нейросетевой технологии является моделирование временного поведения поля нейтронов в активной зоне реактора. Настройка нейросетевой модели требует наличия достаточного экспериментального или расчетного (верифицированного) материала в виде также временного поведения полей нейтронов в процессе выгорания, движения ОР СУЗ (органов регулирования системы управления и защиты), ксеноновых колебаний, изменения параметров теплоносителя. Такая информация постоянно регистрируется при работе энергетического блока на мощности и поступает в ИВС (информационно-вычислительную систему). Таким образом, существует информационная база, на которой может «обучаться» нейросетевая модель расчета полей нейтронов в активной зоне реактора. При этом, при отсутствии экспериментальных данных о поведении полей нейтронов в каких-либо процессах, такие данные могут быть дополнены из расчетов, выполненных с помощью аттестованных кодов, позволяющих с достаточной точностью моделировать поля нейтронов в медленных и быстрых переходных процессах.

Несомненным достоинством нейросетевой технологии является высокое быстродействие. Быстродействующая нейросетевая модель расчета поля энерговыделения активной зоны ВВЭР может быть использована в следующих направлениях:

1. Для коррекции поля энерговыделения активной зоны ВВЭР–1000, полученного от штатных систем ВРК (внутриреакторного контроля), при маневрах мощности.

2. В качестве советчика оператора, предсказывающего основные критериальные характеристики активной зоны, как отклик на предполагаемые действия оператора.

3. В качестве on-line корректора интегральной мощности реактора в переходных режимах, определяемой с помощью АКНП (аппаратуры контроля нейтронного потока).

В данном докладе представлены результаты моделирования поведения трехмерного поля нейтронов в активной зоне ВВЭР-1000, полученного с помощью нейросетевой модели [2, 3]. Для обучения нейросетевой модели использовали данные, сгенерированные с помощью программы NOSTRA.




На первом графике представлены процессы энерговыделения в фиксированной пространственной точке, рассчитанные с помощью программы NOSTRA, и полученные с помощью обученной нейросетевой модели. Из рисунка видно, что оба графика практически совпадают. На втором графике показана ошибка нейросетевого моделирования. Высокая точность нейросетевой модели говорит о перспективности её использования для моделирования процессов энерговыделения.


Список литературы

1. Программа NOSTRA (версия 5.0). Аттестационный паспорт программного средства. Рег. № 167 от 23.12.2003. Федеральный надзор России по ЯРБ. М., 2003.
   
2. Kharitonov V.S., Mishulina O.A., Trofimov A.G. et al. Two neural network models for nuclear engineering applications. Optical Memory&Neural Networks. Vol. 14. №4. Allerton Press, 2005.
   
3. Мишулина О.А., Похвалов Ю.Е., Трофимов А.Г., Ускова А.А., Щербинина М.В. Реализация нейросетевой модели критического теплового потока в рамках пакета прикладных программ N-FONTO // Сборник научных трудов VII Всероссийской конференции "Нейроинформатика-2005". Т.2.. М.: МИФИ, 2005. С. 174-178.