准确地预测临界热流密度(CHF)对于反应堆的安全和运行十分重要。针对现有人工神经网络(ANNs)预测方法所存在的缺点,提出一种基于高斯过程回归(GPR)的CHF预测方法。首先对获取的当地条件下CHF数据进行预处理,将数据划分为训练集和测试集;然后,利用训练数据对GPR模型进行训练,并得到最优超参数;再利用训练好的GPR模型对CHF进行预测,并将结果与径向基神经网络(RBFNN)进行比较,同时分析了重要参数对CHF的影响趋势。结果表明,与RBFNN相比,GPR模型的预测结果具有更高的预测精度和更小的误差,且与对应的实验值吻合较好,其参数趋势符合通用的趋势变化规律。
类型: 期刊论文
作者: 蒋波涛,黄新波
关键词: 临界热流密度,高斯过程回归,参数趋势,人工神经网络
来源: 核动力工程 2019年05期
年度: 2019
分类: 工程科技Ⅱ辑,工程科技Ⅰ辑,信息科技
专业: 安全科学与灾害防治,核科学技术,自动化技术
单位: 西安工程大学电子信息学院
基金: 国家自然科学基金青年项目(11705135),国家留学基金资助项目(201508610045),陕西省教育厅专项科研计划项目(15JK1297),西安工程大学博士科研启动基金项目(BS1339)
分类号: TL364;TP183
DOI: 10.13832/j.jnpe.2019.05.0046
页码: 46-50
总页数: 5
文件大小: 652K
下载量: 162
本文来源: https://www.lunwen90.cn/article/b0806047657b7df2978fbbc8.html