Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах
Разработаны эффективные алгоритмы распознавания (классификации) случайных процессов, которые после соответствующего спектрального преобразования рассматриваются как многомерные случайные векторы. Розроблено ефективні алгоритми розпізнавання (класифікації) випадкових процесів, які після відповідного...
Збережено в:
| Опубліковано в: : | Промышленная теплотехника |
|---|---|
| Дата: | 2007 |
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут технічної теплофізики НАН України
2007
|
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/61322 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах / И.Г. Шараевский, С.И. Шаповалова, Г.И. Шараевский // Промышленная теплотехника. — 2007. — Т. 29, № 7. — С. 58-63. — Бібліогр.: 6 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860135500620234752 |
|---|---|
| author | Шараевский, И.Г. Шаповалова, С.И. Шараевский, Г.И. |
| author_facet | Шараевский, И.Г. Шаповалова, С.И. Шараевский, Г.И. |
| citation_txt | Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах / И.Г. Шараевский, С.И. Шаповалова, Г.И. Шараевский // Промышленная теплотехника. — 2007. — Т. 29, № 7. — С. 58-63. — Бібліогр.: 6 назв. — рос. |
| collection | DSpace DC |
| container_title | Промышленная теплотехника |
| description | Разработаны эффективные алгоритмы распознавания (классификации) случайных процессов, которые после соответствующего спектрального преобразования рассматриваются как многомерные случайные векторы.
Розроблено ефективні алгоритми розпізнавання (класифікації) випадкових процесів, які після відповідного спектрального перетворення розглядаються як багатомірні випадкові вектори.
Efficient algorithms of random process identification (classification) that after respective spectral transformation are considered as multidimensional random vectors were developed.
|
| first_indexed | 2025-12-07T17:46:31Z |
| format | Article |
| fulltext |
В настоящее время термоакустическая колеба;
тельная неустойчивость парогенерирующих ка;
налов стала рассматриваться специалистами [1] в
качестве одного из главных факторов, ограничи;
вающих форсирование тепловой мощности теп;
лообменных устройств кипящего типа, а также
создание использующих эти устройства перспек;
тивных образцов новой техники. В особой мере
изложенное следует отнести к таким энергона;
пряженным и ответственным высокофорсиро;
ванным теплообменным аппаратам, какими яв;
ляются АкЗ водоохлаждаемых энергетических
ЯР. Таковы, в частности, водо;водяные реакторы
повышенной безопасности нового поколения.
Исследования термоакустических процессов в
двухфазных диабатных парожидкостных пото;
ках, основные результаты которых, связанные с
высокочастотной колебательной неустойчивос;
тью парогенерирующих каналов (эта неустойчи;
вость в ряде работ, например [2], обозначается
ТАК) обобщены в [3], позволяют заключить сле;
дующее:
1. Высокочастотная колебательная неустой;
чивость процесса кипения в парогенерирующих
каналах является потенциально опасной тепло;
гидравлической аномалией, возникновение и
развитие которой в каналах водоохлаждаемых ЯР
способно инициировать аварийный процесс раз;
рушения оболочки ТВЭЛ и выхода высокорадио;
активных газообразных продуктов деления в теп;
лоноситель еще при докризисных значениях
тепловых потоков q < qкр, т.е. тогда, когда расчет;
ный запас по КТП в процессе эксплуатации ТВС
еще не превышен.
2. Высокочастотную колебательную неус;
тойчивость парогенерирующего канала при фор;
58 ISSN 0204�3602. Пром. теплотехника, 2007, т. 29, № 7
Розроблено ефективні алгоритми
розпізнавання (класифікації) випадко)
вих процесів, які після відповідного спе)
ктрального перетворення розглядають)
ся як багатомірні випадкові вектори.
Разработаны эффективные алгорит)
мы распознавания (классификации)
случайных процессов, которые после
соответствующего спектрального пре)
образования рассматриваются как мно)
гомерные случайные векторы.
Efficient algorithms of random process
identification (classification) that after
respective spectral transformation are
considered as multidimensional random
vectors were developed.
УДК 536.242:532.542
ШАРАЕВСКИЙ И.Г.1,
ШАПОВАЛОВА С.И.2, ШАРАЕВСКИЙ Г.И.2
1Институт технической теплофизики НАН Украины
2Национальный технический университет Украины “КПИ”
МЕТОДОЛОГИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ
РАННЕГО ОБНАРУЖЕНИЯ ПРЕДАВАРИЙНЫХ
ТЕПЛОГИДРАВЛИЧЕСКИХ ПРОЦЕССОВ В ЯДЕРНЫХ
РЕАКТОРАХ
N – мерность пространства диагностических
признаков;
τ – время формирования диагностического ре;
шения;
кр. – критический;
АкЗ – активная зона;
АСП – автоспектральная плотность;
ВВЭР – водо;водяной энергетический реактор;
ИНС – искусственная нейронная сеть;
СВРК – система внутриреакторного контроля;
ТАК – термоакустические колебания;
ТВС – тепловыделяющая сборка;
ТВЭЛ – тепловыделяющий элемент;
ЯР – ядерный реактор.
мировании в этом канале пузырьковой структу;
ры двухфазного парожидкостного потока следует
рассматривать как один из главных факторов, су;
щественно ограничивающих возможность фор;
сирования мощности ЯЭУ с реакторами ВВЭР, в
ТВС которых возможно не только поверхностное
кипение теплоносителя на теплоотдающей по;
верхности ТВЭЛ, но также и возникновение (при
определенных условиях) ТАК.
3. В настоящее время ТАК продолжает оста;
ваться одним из наименее изученных видов коле;
бательной неустойчивости парогенерирующих
каналов. При этом:
а) имеет место значительный дефицит надеж;
ных экспериментальных данных об условиях воз;
никновения и развития ТАК в двухфазных диа;
батных парожидкостных потоках, причем
сведения относительно областей локализации
ТАН весьма противоречивы;
б) отсутствует информация о ряде определяю;
щих характеристик ТАК, в особенности спект;
ральных параметрах этих колебаний;
в) физический механизм разрушения ТВЭЛ в
условиях возникновения в парогенерирующем
канале ТАН, а также связь, обусловливающая это
разрушение с параметрами ТАК, до настоящего
времени не установлены;
г) методы оперативного обнаружения и авто;
матического распознавания ТАК в процессе экс;
плуатации АкЗ водоохлаждаемых ЯР до настоя;
щего времени не разработаны.
4. Вероятностные внутренние характеристики
процесса генерации паровой фазы (частота отры;
ва, скорость роста и геометрические размеры па;
ровых пузырей), а также тесно связанные с ними и
обусловленные этими характеристиками флуктуа;
ционные составляющие сигналов датчиков ряда
режимных и технологических параметров процес;
са теплообмена, а именно: давления, гидравличес;
кого сопротивления, нейтронного потока в АкЗ
водоохлаждаемых ЯР, – содержат значимую диа;
гностическую информацию о характере фазового
перехода на теплоотдающей поверхности ТВЭЛ.
5. При решении комплекса проблемных за;
дач автоматического распознавания предаварий;
ных и аномальных теплогидравлических процес;
сов в ТВС энергетических ЯР на основе анализа
технологических шумов РУ наиболее информа;
тивными являются спектральные параметры
флуктуационных составляющих сигналов ряда
диагностических датчиков, в особенности дина;
мического давления, пульсаций гидравлического
сопротивления парогенерирующего канала, а
также флуктуаций нейтронного потока в АкЗ ре;
акторов водо;водяного типа.
6. Методы нейроинформатики с использова;
нием ИНС [4] являются эффективным средством
распознавания ТАК и могут быть использованы
при решении задач раннего обнаружения высо;
кочастотной колебательной неустойчивости в
ТВС водоохлаждаемых ЯР [3].
7. Предложенный в [5] подход к решению за;
дачи раннего автоматического обнаружения ТАК
в АкЗ реактора ВВЭР по параметрам нейтронно;
го шума, регистрируемого в ТВС ЯР, усложнен
тем, что подлежащие идентификации режимы
ТАК являются случайными объектами, в силу че;
го для их распознавания эффективно могут быть
использованы некоторые из топологий ИНС, в
частности, нейронная сеть Хэмминга [6].
Вместе с тем практическая реализация методоло;
гии ИНС [4, 6] применительно к задаче распознава;
ния ТАК [3] требует предварительной разработки
ряда вычислительных процедур предобработки ди;
агностического сигнала, которые принципиально
должны обеспечить не только оптимизацию собст;
венно процедуры распознавания информационно
значимых спектральных компонент диагностируе;
мого сигнала, но также и возможность его эффек;
тивного выделения на фоне случайных помех. Вы;
работке принципиальных подходов, а также
практической реализации указанных проблемных
вопросов и посвящена настоящая работа. В ней
предложены и реализованы:
— Оптимизационный подход к уменьшению
размерности подлежащего распознаванию вход;
ного многомерного вектора диагностического
сигнала (в данном случае этим вектором являет;
ся АСП нейтронного шума). Результатом указан;
ной процедуры является определение минималь;
ного количества нейронов входного слоя ИНС,
которые могут обеспечить высокую надежность
правильной идентификации входного вектора
неизвестной принадлежности.
— Процедуры предобработки диагностичес;
кого сигнала, обеспечивающие возможность
ISSN 0204�3602. Пром. теплотехника, 2007, т. 29, № 7 59
снижения присутствующего во входном ней;
тронном диагностическом сигнале АкЗ техноло;
гических шумов ЯР, которые не связаны с про;
цессом генерации паровой фазы и,
следовательно, не являются информационно
значимыми в задаче распознавания режима воз;
никновения ТАК в ТВС. Результатом указанной
процедуры является повышение надежности пра;
вильной идентификации АСП нейтронного шума,
характеризующего, наряду с процессами фазового
перехода при кипении на теплоотдающей поверх;
ности ТВЭЛ, также и условия возникновения ТАК.
С учетом вышеизложенного сущность опти;
мизационного подхода к задаче распознавания
случайного диагностического вектора состоит в
следующем.
Постановка задачи распознавания режимов
трения и ее формализация для нейронной сети
приведена в [3].
На вход нейронной сети подается вектор из 242
значений, представляющий сглаженный диагно;
стический сигнал. В поставленной задаче диагно;
стируемый сигнал – это нормированный ампли;
тудно;частотный спектр нейтронного шума.
Выходом является идентификатор наиболее
вероятного теплогидравлического режима ТВС.
Множество распознаваемых классов составля;
ют следующие режимы теплообмена на поверх;
ности ТВЭЛ:
— конвективный;
— начала кипения;
— пузырьковой структуры потока;
— возникновения ТАК.
Сокращение размерности сигнала заключает;
ся в уменьшении количества дискретных значе;
ний, его определяющих. Уменьшение размерно;
сти входного вектора нейронной сети влечет
уменьшение количества вычислительных опера;
ций, необходимых для распознавания, следова;
тельно, и времени реализации этой задачи.
Таким образом, необходимо определить мини;
мальное количество разбиений сглаженного сиг;
нала, которое позволяет корректно определить
режим теплообмена на поверхности ТВЭЛ.
Стандартная предобработка сигнала фактиче;
ски представляет собой реализацию цифрового
фильтра низких частот. Этапы предобработки
сигнала приведены на рис.1. Прямое преобразо;
вание Фурье позволяет получить частотный
спектр исходного сигнала. На следующем этапе
обнуляются его малоинформативные высокочас;
тотные спектральные составляющие. В результа;
те обратного преобразования Фурье получаем
сглаженный сигнал – сигнал без высокочастот;
ной составляющей. Исходный и сглаженный
сигналы имеют одну и ту же размерность.
Далее в настоящей работе представлены ре;
зультаты моделирования нейронной сети с целью
уменьшения количества ее входов. Для достиже;
ния поставленной цели была создана система
моделирования работы нейронной сети, в кото;
рой помимо искусственной сети Хэмминга реа;
60 ISSN 0204�3602. Пром. теплотехника, 2007, т. 29, № 7
Рис.1. Схема цифровой предобработки диагностического вектора.
лизованы все этапы полной предобработки сиг;
нала (рис. 2).
Моделирование осуществляется за счет варьи;
рования следующих параметров:
— уровня шума относительно максимальной
амплитуды;
— порядка значащих гармоник;
— размерности сокращенного диагностичес;
кого сигнала.
Минимизация последнего из указанных пока;
зателей является конечной целью соответствую;
щего вычислительного эксперимента, в ходе ко;
торого поочередно изменяются этот и другие
параметры при условии обеспечения стопро;
центного распознавания режима теплообмена. В
указанных вычислительных экспериментах
преднамеренно вводился завышенный уровень
зашумленности, составляющий до 40% от макси;
мальной амплитуды самого сигнала, что заведо;
мо превышает стандартную зашумленность по;
лезного сигнала высокочастотными шумовыми
составляющими технологических шумов, кото;
рые не связаны с процессом генерации паровой
фазы. В качестве иллюстрации этапов предобра;
ботки вышерассмотренного диагностического
сигнала нейтронного шума на рис. 2 представле;
на разработанная в настоящей работе интер;
фейсная форма программно реализованного ав;
торами автоматического компьютерного распозна;
вателя на основе ИНС с топологией Хэмминга [6].
Для оценивания эффекта от сокращения ко;
личества нейронов входного слоя нейронной
сети была введена относительная временная ха;
рактеристика. За единицу принято время распоз;
навания исходного сигнала размерности 242. Вы;
числительные эксперименты показали, что в
данной прикладной задаче время надежного рас;
познавания можно сократить примерно в 4 раза,
обеспечивая тем самым компьютерную иденти;
фикацию неизвестных реализаций нейтронного
шума в онлайновом режиме, т.е. в масштабе ре;
ального времени.
По результатам выполненных вычислитель;
ных экспериментов получена представленная
ниже таблица, которая характеризует условия со;
хранения 100% надежности распознавания при
различных уровнях зашумленности подлежащего
распознаванию диагностируемого вектора и
уменьшении мерности пространства используе;
мых при распознавании признаков.
На рис. 3 представлена полученная в ходе вы;
числительных экспериментов зависимость нор;
мированного времени формирования диагности;
ческих решений от размерности входного
ISSN 0204�3602. Пром. теплотехника, 2007, т. 29, № 7 61
Рис. 2. Интерфейсная форма сети Хэмминга с параметрами объекта диагностики.
диагностического вектора нейтронного шума.
Представленные на этом рисунке эксперимен;
тальные данные свидетельствуют о том, что оп;
тимизированный на основе реализованного в на;
стоящей работе подхода диагностический сигнал
существенно сокращает время распознавания
нейронной сетью в структуре перспективной си;
стемы СВРК реального времени (рис. 3).
Выводы
1. Программно реализованная в настоя;
щей работе ИНС обеспечила 100% надеж;
ность распознавания потенциально опасного
предаварийного режима ТАК в АкЗ водо;во;
дяного ЯР по параметрам нейтронного шума,
измеренного штатной СВРК ядерного энер;
гоблока.
2. На основе нейронной сети Хэмминга раз;
работана программная система моделирования
минимально достаточного количества дискрети;
заций отфильтрованного диагностического сиг;
нала для надежного распознавания теплогидрав;
лических режимов в ТВС энергетического ЯР
водо;водяного типа.
3. Разработанное математическое и про;
граммное обеспечение для компьютерного ком;
плекса штатной СВРК реактора ВВЭР позволяет
его эффективно использовать в качестве интел;
лектуального диагностического модуля этого
комплекса с целью автоматического распознава;
ния высокочастотной колебательной неустойчи;
вости в ТВС в процессе эксплуатации этих реак;
торов.
ЛИТЕРАТУРА
1. Леонтьев А.И., Федоров В.А., Мильман О.О.
Новые направления исследований теплообмена
при создании современных энергетических уста;
новок // Тр. 2;й Российской национальной кон;
ференции по теплообмену. Т.1.– М.: Изд. МЭИ,
1998. – С. 59–63.
2. Герлига В.А., Скалозубов В.И. Пузырьковые
кипящие потоки в энергооборудовании ФЭС. –
М.: Энергоатомиздат, 1992. – 432 с.
3. Долинский А.А., Шараевский И.Г., Фиалко Н.М.,
Басок Б.И. Методология распознавания и вери;
фикации кризисов теплоотдачи в стержневых
сборках // Пром.теплотехника. – 2005. – Т.27,
№ 6. – С. 66–80.
4. Luger G. Artificial intelligence. – Addison
Wesley, UK. – 2002. – 864 p.
62 ISSN 0204�3602. Пром. теплотехника, 2007, т. 29, № 7
Та б л и ц а . Условия функционирования сети Хэмминга при сохранении 100% надежности распоз;
навания режима теплообмена
Рис. 3. Зависимость нормированного времени
формирования диагностических решения от
размерности признаков пространства.
5. Sharaevskij I. A methodology for discerning
incipient boiling of the coolant in a water;moderated,
water;cooled (pressurized;water) nuclear reactor by
means of the Bayesian neutron;noise classifier//
Proc/ 14;th Intern. Conf. on Nuclear Engineering
(Icone;14) July 17;20, 2006, Miami, Flo, USA,
Paper ICONE 14;89630 – 8 p.
6. Lippman R. An introduction to computing
with neural nets // JEEE ASSP Magazine. – 1987. –
№4. – Р. 4–22.
ISSN 0204�3602. Пром. теплотехника, 2007, т. 29, № 7 63
|
| id | nasplib_isofts_kiev_ua-123456789-61322 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 0204-3602 |
| language | Russian |
| last_indexed | 2025-12-07T17:46:31Z |
| publishDate | 2007 |
| publisher | Інститут технічної теплофізики НАН України |
| record_format | dspace |
| spelling | Шараевский, И.Г. Шаповалова, С.И. Шараевский, Г.И. 2014-04-30T16:00:42Z 2014-04-30T16:00:42Z 2007 Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах / И.Г. Шараевский, С.И. Шаповалова, Г.И. Шараевский // Промышленная теплотехника. — 2007. — Т. 29, № 7. — С. 58-63. — Бібліогр.: 6 назв. — рос. 0204-3602 https://nasplib.isofts.kiev.ua/handle/123456789/61322 536.242:532.542 Разработаны эффективные алгоритмы распознавания (классификации) случайных процессов, которые после соответствующего спектрального преобразования рассматриваются как многомерные случайные векторы. Розроблено ефективні алгоритми розпізнавання (класифікації) випадкових процесів, які після відповідного спектрального перетворення розглядаються як багатомірні випадкові вектори. Efficient algorithms of random process identification (classification) that after respective spectral transformation are considered as multidimensional random vectors were developed. ru Інститут технічної теплофізики НАН України Промышленная теплотехника Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах Methodology of artificial intelligence for the early detection before-accidental thermal and hydraulic processes in nuclear reactors Article published earlier |
| spellingShingle | Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах Шараевский, И.Г. Шаповалова, С.И. Шараевский, Г.И. |
| title | Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах |
| title_alt | Methodology of artificial intelligence for the early detection before-accidental thermal and hydraulic processes in nuclear reactors |
| title_full | Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах |
| title_fullStr | Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах |
| title_full_unstemmed | Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах |
| title_short | Методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах |
| title_sort | методология искусственного интеллекта для раннего обнаружения предаварийных теплогидравлических процессов в ядерных реакторах |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/61322 |
| work_keys_str_mv | AT šaraevskiiig metodologiâiskusstvennogointellektadlârannegoobnaruženiâpredavariinyhteplogidravličeskihprocessovvâdernyhreaktorah AT šapovalovasi metodologiâiskusstvennogointellektadlârannegoobnaruženiâpredavariinyhteplogidravličeskihprocessovvâdernyhreaktorah AT šaraevskiigi metodologiâiskusstvennogointellektadlârannegoobnaruženiâpredavariinyhteplogidravličeskihprocessovvâdernyhreaktorah AT šaraevskiiig methodologyofartificialintelligencefortheearlydetectionbeforeaccidentalthermalandhydraulicprocessesinnuclearreactors AT šapovalovasi methodologyofartificialintelligencefortheearlydetectionbeforeaccidentalthermalandhydraulicprocessesinnuclearreactors AT šaraevskiigi methodologyofartificialintelligencefortheearlydetectionbeforeaccidentalthermalandhydraulicprocessesinnuclearreactors |