【技术实现步骤摘要】
本专利技术属于核工程，具体涉及一种基于改进gan方法及组合ann模型的堆芯热工参数预测方法。
技术介绍
1、在核电厂的运行过程中，需要对堆功率、芯块热导率等重要的热工参数进行实时监测和超实时预测，以确保核反应堆的安全与高效运行。反应堆内uo2芯块热导率是uo2元件设计中的需要考虑的重要参数，它决定了元件的运行温度、温度分布、芯块的热应力以及由此引起的一系列重要现象，如芯块的肿胀、裂变气体释放、芯块与包壳贴壁应力和相互作用等，故有关芯块热导率的研究备受重视。
2、目前，高温热导率的测量值不易得到，尤其是堆内高温热导率的数据较少。因为测量热工参数的实验大多在高温高压条件下进行，操作复杂且实验周期较长。传统的基于经验公式的计算方法不够准确，且不易适应实际情况的变化，故使用数据驱动的预测方法与芯块热导率预测相结合，提供设计数据，以便于深入挖掘高温热导机制。数据驱动的预测方法基于已有数据，通过机器学习算法和神经网络模型等，建立数据与热工参数之间的非线性映射关系，以实现对未知数据的预测。
3、神经网络模型在近年来在预测和建模领域取得了显著的进展，其具有强大的非线性建模能力和数据处理能力。生成式对抗网络(gan)是一种强大的生成模型，可以通过对抗训练的方式生成逼真的数据样本，但是传统的gan方法存在梯度消失、模式崩溃等问题。
技术实现思路
1、本专利技术提供一种基于改进gan方法及组合ann模型的堆芯热工参数预测方法，实现了对核反应堆热工参数的准确预测。这种模型结合了生成
2、本专利技术通过以下技术方案实现：
3、一种基于改进gan方法及组合ann模型的堆芯热工参数预测方法，所述堆芯热工参数预测方法包括
4、确定堆芯热工参数为输入数据，扩充堆芯热工参数的样本，并对输入数据进行预处理；
5、建立热工参数预测网络模型，所述网络模型为mlp-cnn-rnn组合神经网络模型，所述mlp-cnn-rnn组合神经网络模型用于核反应堆热工参数的预测；
6、对建立的网络模型进行训练与优化，并验证；
7、利用验证后的网络模型对核反应堆热工参数进行预测，得到预测值。
8、首先，通过文献查阅收集了17组实验数据，并利用改进的gan对数据进行扩充，生成了额外的数据样本，将数据集扩展为2000组。这样的数据扩充可以增加样本数量，提高模型的训练效果和预测精度。
9、其次，为了更好地处理数据，本专利技术引入了数据预处理模块。该模块对实验数据和生成的数据样本进行数据清洗、归一化等预处理操作，以保证数据的质量和一致性，为后续的神经网络模型提供准确的输入数据。
10、然后，本专利技术构建了mlp-cnn-rnn组合神经网络模型，该模型由多层感知器(mlp)模块、卷积神经网络(cnn)模块和循环神经网络(rnn)模块组成。这些模块通过层层连接和信息传递，实现对核反应堆热工参数的准确预测。mlp模块用于处理输入特征，cnn模块用于提取特征的空间信息，rnn模块用于处理特征的时间序列信息，从而充分挖掘数据的潜在规律和关联性。
11、最后，通过真实实验数据与对gan和mlp-cnn-rnn模型的预测结果进行比较和分析，验证了本专利技术方法在核反应堆热工参数预测方面的优势。实验结果表明，使用改进的gan扩充数据可以提高模型的预测精度，并且mlp-cnn-rnn组合神经网络模型具有良好的泛化能力和预测性能。
12、一种基于改进gan方法及组合ann模型的堆芯热工参数预测方法，所述扩充堆芯热工参数的样本具体为，采用改进的gan方法进行样本扩充；
13、所述改进的gan方法具体为，改变判别器权值矩阵的最大奇异值，在每次更新判别器网络参数之前，对判别器的每个卷积层或全连接层的权重进行谱归一化；对权重矩阵进行奇异值分解，然后将每个奇异值除以最大奇异值，以使权重矩阵的谱范数不超过一个给定的阈值。
14、一种基于改进gan方法及组合ann模型的堆芯热工参数预测方法，所述改进的gan方法包括以下步骤：
15、步骤s1：计算矩阵w的奇异值分解；
16、步骤s2：计算矩阵w的谱范数sigma_max；
17、步骤s3：对矩阵w进行归一化，即将矩阵w中的每个元素除以最大奇异值sigma_max，以确保矩阵w的谱范数不超过1。
18、通过这个谱归一化过程，能够限制判别器网络权重的范围，增强了网络的稳定性。
19、一种基于改进gan方法及组合ann模型的堆芯热工参数预测方法，所述mlp-cnn-rnn组合神经网络模型包括mlp模型、cnn模型和rnn模型；
20、所述mlp模型包含输入层、隐藏层及输出层；
21、所述输入层接收原始特征数据，隐藏层通过非线性激活函数对输入特征进行变换和抽取，提取高级特征表示；
22、隐藏层之间的连接通过权重矩阵来实现特征之间的组合和加权；
23、输出层通过激活函数将隐藏层的输出映射到最终的预测结果。
24、一种基于改进gan方法及组合ann模型的堆芯热工参数预测方法，所述cnn模型包括卷积层、池化层和全连接层；
25、卷积层通过滑动窗口卷积操作对输入数据进行特征提取，通过卷积核捕捉不同的局部特征；
26、池化层通过降采样操作减小特征矩阵的尺寸，保留最显著的特征，减少参数数量和计算复杂度；
27、全连接层通过权重矩阵将池化层的输出映射到最终的预测结果。
28、一种基于改进gan方法及组合ann模型的堆芯热工参数预测方法，所述rnn模型包括输入层、循环层和输出层；
29、循环层通过时间上的反馈连接，在处理序列数据时捕捉堆功率和其他参数相关性和长期依赖关系。
30、输入层接收序列数据，循环层通过循环单元将当前时间步的输入与前一个时间步的隐藏状态结合起来，更新隐藏状态。
31、输出层通过激活函数将循环层的输出映射到最终的预测结果。
32、一种基于改进gan方法及组合ann模型的堆芯热工参数预测方法，将扩展好的样本数据输入到mlp模型的输入层，在经过隐藏层后将预测数据经输出层至cnn模块的卷积层，再经池化层后将预测数据经全连接层输出至rnn模块的输入层，最后警告循环层后将最终的预测数据经输出层得到最终预测结果。
33、一种基于改进gan方法及组合ann模型的堆芯热工参数预测方法，所述对网络模型进行训练与优化具体为，
34、构建损失函数；
35、对损失函数添加l2正则化项形成新的损失函数，优化新的损失函数，通过最小化新的损失函数来调整模型的权重参数，以减小原始损失函数和l2正则化项的总损失。
36、一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信本文档来自技高网...
【技术保护点】
1.一种基于改进GAN方法及组合ANN模型的堆芯热工参数预测方法，其特征在于，包括
2.根据权利要求1所述的堆芯热工参数预测方法，其特征在于，所述扩充堆芯热工参数的样本具体为，采用改进的GAN方法进行样本扩充；
3.根据权利要求2所述的堆芯热工参数预测方法，其特征在于，所述改进的GAN方法包括以下步骤：
4.根据权利要求1所述的堆芯热工参数预测方法，其特征在于，所述MLP-CNN-RNN组合神经网络模型包括MLP模型、CNN模型和RNN模型；
5.根据权利要求4所述的堆芯热工参数预测方法，其特征在于，所述CNN模型包括卷积层、池化层和全连接层；
6.根据权利要求4所述的堆芯热工参数预测方法，其特征在于，所述RNN模型包括输入层、循环层和输出层；
7.根据权利要求5或6所述的堆芯热工参数预测方法，其特征在于，将扩展好的样本数据输入到MLP模型的输入层，在经过隐藏层后将预测数据经输出层至CNN模块的卷积层，再经池化层后将预测数据经全连接层输出至RNN模块的输入层，最后警告循环层后将最终的预测数据经输出层得到最终预
8.根据权利要求1所述的堆芯热工参数预测方法，其特征在于，所述对网络模型进行训练与优化具体为，
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法步骤。
...【技术特征摘要】
1.一种基于改进gan方法及组合ann模型的堆芯热工参数预测方法，其特征在于，包括
2.根据权利要求1所述的堆芯热工参数预测方法，其特征在于，所述扩充堆芯热工参数的样本具体为，采用改进的gan方法进行样本扩充；
3.根据权利要求2所述的堆芯热工参数预测方法，其特征在于，所述改进的gan方法包括以下步骤：
4.根据权利要求1所述的堆芯热工参数预测方法，其特征在于，所述mlp-cnn-rnn组合神经网络模型包括mlp模型、cnn模型和rnn模型；
5.根据权利要求4所述的堆芯热工参数预测方法，其特征在于，所述cnn模型包括卷积层、池化层和全连接层；
6.根据权利要求4所述的堆芯热工参数预测方法，其特征在于，所述rnn模型包括输入层、循环层和输出层...
【专利技术属性】
技术研发人员：张佳奕，朱禹翰，胡少纯，王博，
申请(专利权)人：哈尔滨工程大学，
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。