【技术实现步骤摘要】
本专利技术属于核反应堆安全壳内部温度场预测，尤其涉及基于一种qpso-lstm的安全壳内部温度预测方法。
技术介绍
0、技术背景
1、安全壳是核电厂纵深防御的最后一道屏障，对防止放射性物质进入环境具有重要作用。由于当反应堆一回路发生破口事故时，大量高温高压的水和水蒸气会喷放至安全壳内部使其温度升高。所以事故工况下确保安全壳内部温度在设计限值内，对保证安全壳完整性具有重要意义。
2、安全壳内部设备众多、多种物质相互作用机理复杂，难以通过数学物理方程精准预测loca事故工况下的安全壳内部温度场。
技术实现思路
1、为填补上述现有技术中的空白，本专利技术的目的在于提供一种基于qpso-lstm的安全壳内部温度场预测方法，可以根据事故后一段时间内的温度数据，预测无干预预措施时未来安全壳内部温度场，为事故处置现场的工作人员提供可靠参考，对提升核反应堆安全性具有重要意义。
2、为实现上述目的，本专利技术采用的技术方案是：
3、一种基于qpso-lstm的安全壳内部温度场预测方法，包括如下步骤：
4、步骤1：数据采集和归一化，具体包括如下内容：
5、1)建立安全壳的几何模型并将安全壳内部划分为n个节点，确定m个loca事故工况下的源项初始参数，包括破口位置、破口处蒸汽质量流量、破口蒸汽焓值和蒸汽喷放持续时间：
6、2)使用gothic程序计算事故触发后0-p秒内安全壳内部温度场作为数据集样本；
7、3
8、4)采用标准归一化算法对所有样本数据进行归一化：
9、
10、tnorm——归一化后的数据，k；
11、t——未归一化的数据，k；
12、μ——所有样本数据的均值，k；
13、σ——所有样本数据的标准差，k；
14、步骤2：初始化lstm模型参数，具体包括如下内容：
15、使用前m个时刻安全壳内部温度场预测后m+1个时刻的温度场；初始化lstm模型输入层节点数、输出层节点数、两个隐藏层节点数、迭代次数和学习率；
16、步骤3：采用qpso算法优化lstm模型，具体包括如下内容：
17、1)初始化qpso粒子群的种群规模、迭代次数、空间维度；
18、2)因为寻优参数包括lstm模型中的隐藏层节点数、学习率和迭代次数，故随机初始化两个隐藏层节点数、学习率和迭代次数对应粒子的速度和位置；
19、3)利用训练集数据对lstm模型进行训练，使用测试集数据评估lstm模型的性能，选取均方根误差rmse作为粒子适应度函数：
20、
21、式中：
22、n——样本总量；
23、xpred(i)——第i个样本的温度场预测值；
24、xact(i)——第i个样本的温度场实际值；
25、4)更新粒子的历史最优位置与全局最优位置；
26、5)采用下式计算所有粒子的平均最优位置；
27、
28、式中：
29、mbest——粒子的平均最优位置；
30、m——粒子群的规模；
31、pbest_i——当前迭代中第i粒子的历史最优位置；
32、6)更新各粒子的位置；
33、pi＝φ·pbest_i+(1-φ)gbest
34、
35、式中：
36、xi——第i个粒子更新后的位置；
37、α——创新参数，不大于1；
38、φ——(0,1)区间内的数值；
39、u——(0,1)区间内的数值；
40、pi——局部吸引因子；
41、xi0——第i个粒子的初始位置；
42、gbest——当前全局最优粒子；
43、上式中，+和-的概率均为0.5；
44、7)判断是否达到最大迭代次数，若是，则到步骤4；否则回到步骤3中的(3)；
45、步骤4：选择具有最佳适应度值的粒子作为最优解，将粒子所对应的参数向量包括隐藏层节点数、学习率和迭代次数输入至lstm模型中，构建qpso-lstm模型；
46、步骤5：对qpso-lstm模型中的lstm模型进行训练和测试，具体内容包括：
47、1)使用训练集对lstm模型进行训练；
48、2)使用训练好的lstm模型预测测试集样本温度场；
49、3)计算测试集样本温度场预测值与温度场实际值的均方根误差rmse、平均绝对误差mae、平均相对百分误差mape和决定系数r2作为lstm模型评价指标；
50、
51、式中：
52、——所有样本的温度场实际值的平均值；
53、4)判断上述所有lstm模型评价指标是否同时满足要求，若是则到步骤6；否则，回到步骤3；
54、步骤6：保存步骤5中得到的qpso-lstm模型；
55、步骤7：针对任意loca工况，使用qpso-lstm模型预测安全壳内部温度场。
56、优选的，步骤1的2)中，数据采样间隔为1s，采样点共p个。
57、优选的，步骤1的3)中，将数据集的80％划分为训练集，将数据集的20％划分为测试集。这样，既可以充分利用数据，确保模型有足够的数据来学习特征和模式，从而提高模型的预测能力和稳定性；又可以准确评估模型性能，有助于检查模型是否能够泛化到未见过的数据，避免过拟合。
58、与现有技术相比，本专利技术具有如下优点：
59、1.相比于传统的长短期记忆神经网络(lstm)模型，经过量子粒子群算法(qpso)优化后，对安全壳内部温度场的预测精度更高；
60、2.相比于传统的计算流体力学(cfd)方法，基于qpso-lstm方法预测安全壳内部温度场，避免了复杂的几何建模，无需使用数学物理方程描述多种物质相互作用机理，计算速度更快。
本文档来自技高网...【技术保护点】
1.一种基于QPSO-LSTM的安全壳内部温度场预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于QPSO-LSTM的安全壳内部温度场预测方法，其特征在于：步骤1的2)中，数据采样间隔为1s，采样点共P个。
3.根据权利要求1所述的一种基于QPSO-LSTM的安全壳内部温度场预测方法，其特征在于：步骤1的3)中，将数据集的80％划分为训练集，将数据集的20％划分为测试集。
【技术特征摘要】
1.一种基于qpso-lstm的安全壳内部温度场预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于qpso-lstm的安全壳内部温度场预测方法，其特征在于：步骤1的2)中，数据采...
【专利技术属性】
技术研发人员：张亚培，张慧芳，刘扬，田文喜，秋穗正，苏光辉，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。