Prediction of Flow Accelerated Corrosion of NPP Pipeline Elements by Network Simulation Method
Based on a comprehensive approach that uses the computer simulation of the process of destroying structural materials and technology of self-learning neural networks, a methodology has been developed for predicting the rate of flow accelerated corrosion (FAC) of pipeline elements with a single-phase...
Збережено в:
| Дата: | 2018 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | English Russian |
| Опубліковано: |
Інститут енергетичних машин і систем ім. А. М. Підгорного Національної академії наук України
2018
|
| Теми: | |
| Онлайн доступ: | https://journals.uran.ua/jme/article/view/144153 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Energy Technologies & Resource Saving |
Репозитарії
Energy Technologies & Resource Saving| id |
oai:ojs.journals.uran.ua:article-144153 |
|---|---|
| record_format |
ojs |
| institution |
Energy Technologies & Resource Saving |
| collection |
OJS |
| language |
English Russian |
| topic |
neural networks computer simulation flow accelerated corrosion UDC 621.039 004.94 нейронные сети компьютерное моделирование эрозионно-коррозионный износ УДК 621.039 004.94 нейронні мережі комп'ютерне моделювання ерозійно-корозійний знос УДК 621.039 004.94 |
| spellingShingle |
neural networks computer simulation flow accelerated corrosion UDC 621.039 004.94 нейронные сети компьютерное моделирование эрозионно-коррозионный износ УДК 621.039 004.94 нейронні мережі комп'ютерне моделювання ерозійно-корозійний знос УДК 621.039 004.94 Biblik, Irina V. Avramov, Konstantin V. Rusanov, Roman A. Prediction of Flow Accelerated Corrosion of NPP Pipeline Elements by Network Simulation Method |
| topic_facet |
neural networks computer simulation flow accelerated corrosion UDC 621.039 004.94 нейронные сети компьютерное моделирование эрозионно-коррозионный износ УДК 621.039 004.94 нейронні мережі комп'ютерне моделювання ерозійно-корозійний знос УДК 621.039 004.94 |
| format |
Article |
| author |
Biblik, Irina V. Avramov, Konstantin V. Rusanov, Roman A. |
| author_facet |
Biblik, Irina V. Avramov, Konstantin V. Rusanov, Roman A. |
| author_sort |
Biblik, Irina V. |
| title |
Prediction of Flow Accelerated Corrosion of NPP Pipeline Elements by Network Simulation Method |
| title_short |
Prediction of Flow Accelerated Corrosion of NPP Pipeline Elements by Network Simulation Method |
| title_full |
Prediction of Flow Accelerated Corrosion of NPP Pipeline Elements by Network Simulation Method |
| title_fullStr |
Prediction of Flow Accelerated Corrosion of NPP Pipeline Elements by Network Simulation Method |
| title_full_unstemmed |
Prediction of Flow Accelerated Corrosion of NPP Pipeline Elements by Network Simulation Method |
| title_sort |
prediction of flow accelerated corrosion of npp pipeline elements by network simulation method |
| title_alt |
Прогнозирование эрозионно-коррозионного износа элементов трубопроводов атомных электростанций методом нейросетевого моделирования Прогнозування ерозійно-корозійного зносу елементів трубопроводів атомних електростанцій методом нейромережевого моделювання |
| description |
Based on a comprehensive approach that uses the computer simulation of the process of destroying structural materials and technology of self-learning neural networks, a methodology has been developed for predicting the rate of flow accelerated corrosion (FAC) of pipeline elements with a single-phase medium of the second circuit of nuclear power plants (NPPs). The neural network model has been implemented in the Delphi Integrated Development Environment. The neural network consists of an input layer containing seven elements and an output layer with two elements. As the input variables of the neural network, the parameters that have the greatest influence on FAC process are chosen. These are the medium temperature, the pipeline internal diameter, the oxygen content in the medium, the coolant flow velocity, the hydrogen index, the time of monitoring (or the start of operation), and the time for which the prediction is performed. For each of the network input parameters, intervals of possible values were chosen. At that, the factors that affect FAC rate, but not included in the feasible model (chromium, copper and molybdenum content in the pipeline material, amine type) are assumed to be permanent. As the output parameters of the neural network, FAC rate and the variation of the pipeline element wall thickness within the predicted time interval have been selected. As the activation function of the neural network the sigmoid function is used. As a method of training the neural network, the error back propagation method has been chosen, which assumes both a forward and reverse passage through the network layers. As the learning algorithm of the neural network, the one with a teacher has been chosen. As a test sample for the neural network, it is proposed, along with operational control data, to use the results of calculations based on a statistical model created in the framework of a special calculation-experimental method. The application of the developed methodology makes it possible to improve the prediction accuracy of FAC rate without determining all the dependencies between the many factors that influence FAC process. The low errors of the constructed models make it possible to use the results of calculations both to determine the resource characteristics of NPP pipelines and optimize operational control. |
| publisher |
Інститут енергетичних машин і систем ім. А. М. Підгорного Національної академії наук України |
| publishDate |
2018 |
| url |
https://journals.uran.ua/jme/article/view/144153 |
| work_keys_str_mv |
AT biblikirinav predictionofflowacceleratedcorrosionofnpppipelineelementsbynetworksimulationmethod AT avramovkonstantinv predictionofflowacceleratedcorrosionofnpppipelineelementsbynetworksimulationmethod AT rusanovromana predictionofflowacceleratedcorrosionofnpppipelineelementsbynetworksimulationmethod AT biblikirinav prognozirovanieérozionnokorrozionnogoiznosaélementovtruboprovodovatomnyhélektrostancijmetodomnejrosetevogomodelirovaniâ AT avramovkonstantinv prognozirovanieérozionnokorrozionnogoiznosaélementovtruboprovodovatomnyhélektrostancijmetodomnejrosetevogomodelirovaniâ AT rusanovromana prognozirovanieérozionnokorrozionnogoiznosaélementovtruboprovodovatomnyhélektrostancijmetodomnejrosetevogomodelirovaniâ AT biblikirinav prognozuvannâerozíjnokorozíjnogoznosuelementívtruboprovodívatomnihelektrostancíjmetodomnejromereževogomodelûvannâ AT avramovkonstantinv prognozuvannâerozíjnokorozíjnogoznosuelementívtruboprovodívatomnihelektrostancíjmetodomnejromereževogomodelûvannâ AT rusanovromana prognozuvannâerozíjnokorozíjnogoznosuelementívtruboprovodívatomnihelektrostancíjmetodomnejromereževogomodelûvannâ |
| first_indexed |
2024-09-01T17:37:00Z |
| last_indexed |
2024-09-01T17:37:00Z |
| _version_ |
1809016130079031296 |
| spelling |
oai:ojs.journals.uran.ua:article-1441532018-10-11T16:04:49Z Prediction of Flow Accelerated Corrosion of NPP Pipeline Elements by Network Simulation Method Прогнозирование эрозионно-коррозионного износа элементов трубопроводов атомных электростанций методом нейросетевого моделирования Прогнозування ерозійно-корозійного зносу елементів трубопроводів атомних електростанцій методом нейромережевого моделювання Biblik, Irina V. Avramov, Konstantin V. Rusanov, Roman A. neural networks computer simulation flow accelerated corrosion UDC 621.039 004.94 нейронные сети компьютерное моделирование эрозионно-коррозионный износ УДК 621.039 004.94 нейронні мережі комп'ютерне моделювання ерозійно-корозійний знос УДК 621.039 004.94 Based on a comprehensive approach that uses the computer simulation of the process of destroying structural materials and technology of self-learning neural networks, a methodology has been developed for predicting the rate of flow accelerated corrosion (FAC) of pipeline elements with a single-phase medium of the second circuit of nuclear power plants (NPPs). The neural network model has been implemented in the Delphi Integrated Development Environment. The neural network consists of an input layer containing seven elements and an output layer with two elements. As the input variables of the neural network, the parameters that have the greatest influence on FAC process are chosen. These are the medium temperature, the pipeline internal diameter, the oxygen content in the medium, the coolant flow velocity, the hydrogen index, the time of monitoring (or the start of operation), and the time for which the prediction is performed. For each of the network input parameters, intervals of possible values were chosen. At that, the factors that affect FAC rate, but not included in the feasible model (chromium, copper and molybdenum content in the pipeline material, amine type) are assumed to be permanent. As the output parameters of the neural network, FAC rate and the variation of the pipeline element wall thickness within the predicted time interval have been selected. As the activation function of the neural network the sigmoid function is used. As a method of training the neural network, the error back propagation method has been chosen, which assumes both a forward and reverse passage through the network layers. As the learning algorithm of the neural network, the one with a teacher has been chosen. As a test sample for the neural network, it is proposed, along with operational control data, to use the results of calculations based on a statistical model created in the framework of a special calculation-experimental method. The application of the developed methodology makes it possible to improve the prediction accuracy of FAC rate without determining all the dependencies between the many factors that influence FAC process. The low errors of the constructed models make it possible to use the results of calculations both to determine the resource characteristics of NPP pipelines and optimize operational control. На основе комплексного подхода, использующего компьютерное моделирование процесса разрушения конструкционных материалов и технологию самообучающихся нейронных сетей, разработана методология прогнозирования скорости эрозионно-коррозионного износа (ЭКИ) элементов трубопроводов с однофазной средой второго контура АЭС. Нейросетевая модель реализована в среде программирования Delphi. Нейронная сеть состоит из входного слоя, содержащего семь элементов, и выходного слоя с двумя элементами. В качестве входных переменных нейронной сети выбраны параметры, оказывающие наибольшее влияние на процесс ЭКИ. Это температура среды, внутренний диаметр трубопровода, содержание кислорода в среде, скорость течения теплоносителя, водородный показатель, время проведения контроля (или начала эксплуатации) и время, на которое осуществляется прогнозирование. Для каждого из входных параметров сети выбирались интервалы возможных значений. При этом факторы, влияющие на скорость ЭКИ, но не вошедшие в реализуемую модель (содержание хрома, меди и молибдена в материале трубопровода, тип амина), приняты постоянными. Выходными параметрами нейронной сети являются скорость ЭКИ и изменение толщины стенки элемента трубопровода за прогнозируемый временной интервал. В качестве метода обучения нейронной сети выбран метод обратного распространения ошибки, который предполагает прямой и обратный проход по слоям сети. Обучающим алгоритмом нейронной сети является алгоритм обучения с учителем. Для тестовой выборки предлагается, наряду с данными эксплуатационного контроля, использовать результаты расчетов по статистической модели, созданной в рамках специального расчетно-экспериментального метода. Установлена принципиальная возможность использования нейронных сетей для прогнозирования скорости ЭКИ в элементах трубопроводов второго контура АЭС. Разработанный подход позволяет улучшить точность прогноза скорости эрозионно-коррозионного износа без определения всех зависимостей между множеством факторов, оказывающих влияние на процесс ЭКИ. Низкие значения ошибок построенных моделей позволяют использовать результаты расчетов для определения ресурсных характеристик трубопроводов с однофазной средой второго контура АЭС и оптимизации эксплуатационного контроля. На основі комплексного підходу, що використовує комп'ютерне моделювання процесу руйнування конструкційних матеріалів і технологію самонавчальних нейронних мереж, розроблено методологію прогнозування швидкості ерозійно-корозійного зносу (ЕКЗ) елементів трубопроводів з однофазним середовищем другого контуру АЕС. Нейромережева модель реалізована в середовищі програмування Delphi. Нейронна мережа складається з вхідного шару, що містить сім елементів, і вихідного шару з двома елементами. Як вхідні змінні нейронної мережі обрані параметри, які чинять найбільший вплив на процес ЕКЗ. Це температура середовища, внутрішній діаметр трубопроводу, вміст кисню в середовищі, швидкість течії теплоносія, водневий показник, час проведення контролю (або початку експлуатації) і час, на який здійснюється прогнозування. Для кожного з вхідних параметрів мережі вибиралися інтервали можливих значень. Проте чинники, що впливають на швидкість ЕКЗ, але не увійшли в реалізовану модель (вміст хрому, міді та молібдену в матеріалі трубопроводу, тип аміну), прийняті постійними. Вихідними параметрами нейронної мережі є швидкість ЕКЗ і зміна товщини стінки елемента трубопроводу за прогнозований часовий інтервал. Як метод навчання нейронної мережі обраний метод зворотного поширення помилки, що передбачає прямий і зворотний прохід. Навчальним алгоритмом нейронної мережі є алгоритм навчання з учителем. Для тестової вибірки пропонується, поряд з даними експлуатаційного контролю, використовувати результати розрахунків за статистичною моделлю, створеною в рамках спеціального розрахунково-експериментального методу. Встановлено принципову можливість використання нейронних мереж для прогнозування швидкості ЕКЗ в елементах трубопроводів другого контуру АЕС. Розроблений підхід дозволяє поліпшити точність прогнозу швидкості ерозійно-корозійного зносу без визначення всіх залежностей між безліччю факторів, що впливають на процес ЕКЗ. Низькі значення помилок побудованих моделей дозволяють використовувати результати розрахунків для визначення ресурсних характеристик трубопроводів з однофазним середовищем другого контуру АЕС і оптимізації експлуатаційного контролю. Інститут енергетичних машин і систем ім. А. М. Підгорного Національної академії наук України 2018-10-11 Article Article application/pdf application/pdf https://journals.uran.ua/jme/article/view/144153 Journal of Mechanical Engineering; Vol. 21 No. 3 (2018); 13-19 Проблемы машиностроения; Том 21 № 3 (2018); 13-19 Проблеми машинобудування; Том 21 № 3 (2018); 13-19 2709-2992 2709-2984 en ru https://journals.uran.ua/jme/article/view/144153/142068 https://journals.uran.ua/jme/article/view/144153/142069 Copyright (c) 2018 Konstantin V. Avramov, Irina V. Biblik, Roman A. Rusanov https://creativecommons.org/licenses/by-nd/4.0 |