Прогнозирование температурного поля замедлителя в тяжеловодном реакторе на основе клеточной нейронной сети

22.03.2017 2017 - №01 Моделирование процессов в объектах ядерной энергетики

С.О. Старков  Ю.Н. Лавренков

https://doi.org/10.26583/npe.2017.1.09

Реакторы, в которых тяжелая вода используется в качестве теплоносителя и замедлителя, получили широкое распространение в современной энергетике. Контроль состояния замедлителя играет важную роль в обеспечении нормальной работы энергетической установки. Предлагается применение клеточной нейронной сети, архитектура которой адаптирована для аппаратной реализации, в системе прогнозирования температуры тяжеловодного замедлителя. Формирование обучающей выборки и контроль правильности функционирования нейросетевой структуры осуществлялись с помощью модели реактора, скомпонованного в соответствии со структурой тяжеловодного реактора CANDU Darlington. В состав элементов выборки для настройки и конфигурирования топологии сети входят основные параметры, характеризующие процесс получения энергии в активной зоне. В статье рассматривается возможность выполнения температурного прогноза только по центральному сечению каландра. Для решения этой задачи спроектирована архитектура клеточной нейронной сети, а также разработаны основные составные части цифрового вычислительного элемента и методы их реализации на ПЛИС. Описывается способ организации оптической связи между отдельными нейронными модулями в составе сети, который обеспечивает не только возможность перестройки топологии в процессе обучения, но и распределение приоритетов распространения информационных сигналов нейронов в зависимости от активности при оценке ситуации на входе нейросетевой структуры. Применен способ асинхронной активации клеток, основанный на использовании фрактальной осциллирующей сети, базовый элемент которой выполнен на модифицированном кольцевом осцилляторе. Оценивается эффективность обучения предложенной архитектуры с помощью алгоритмов стохастического диффузионного поиска. Сравнительный анализ поведения модели и результатов работы нейронной сети показал, что применение нейросетевого подхода оказывается эффективным в системах обеспечения безопасности энергетических установок.

Ссылки

1. Cacuci Dan Gabriel. Handbook of Nuclear Engineering. Springer US, 2010. 3574 p. DOI: 10.1007/978-0-387-98149-9.
2. Kok Kenneth D. Nuclear Engineering Handbook. CRC Press, 2009. 786 p. DOI: 10.1201/ 9781420053913-p1.
3. The Essential CANDU, A Textbook on the CANDU Nuclear Power Plant Technology, Editor-in-Chief Wm. J. Garland, University Network of Excellence in Nuclear Engineering (UNENE), ISBN 0-9730040.
4. Chua Leon O., Roska Tamas. Cellular neural networks and visual computing: foundations and applications. Cambridge University Press New York, NY, USA, 2002. 396 p.
5. Васильев А.Н., Тархов Д.А. Принципы и техника нейросетевого моделирования. – СПб.: Нестор-История, 2014. – 218 с.
6. Шустов М.А. Схемотехника. 500 устройств на аналоговых микросхемах. – СПб.: Наука и техника, 2013. – 352 с.
7. Rabunal Juan R., Dorado Julian. Artificial Neural Networks in Real-Life Applications. IGI Global, 2005. 394 p. DOI: 10.4018/978-1-59140-902-1.
8. Крекрафт Д., Джерджи С. Аналоговая электроника. Схемы, системы, обработка сигнала. – М.: Техносфера, 2005 – 360 с.
9. Дорогов А.Ю. Теория и проектирование быстрых перестраиваемых преобразований и слабосвязанных нейронных сетей. – СПб.: Политехника, 2014. – 328 с.
10. Хайкин С. Нейронные сети: полный курс. – М.: Издательский дом «Вильямс», 2008. – 1104 с.
11. Кащенко С.А., Майоров В.В. Модели волновой памяти. – М.: Книжный дом «ЛИБРОКОМ», 2014. – 288 с.
12. Graupe Daniel. Principles of Artificial Neural Networks (Advanced Series in Circuits and Systems), 2-nd Edition, World Scientific Pub Co Inc, 2007. 238 p.
13. Джон Н., Роберт М., Брюс В., Пол Ф. От нейрона к мозгу. – М.: Едиториал УРСС, 2003. – 672 с.
14. Барский А. Б. Логические нейронные сети: учебное пособие. – М.: Интернет-университет информационных технологий; БИНОМ. Лаборатория знаний, 2012. – 352 с.
15. Осовский С. Нейронные сети для обработки информации.– М.: Финансы и статистика, 2002. – 344 с.
16. Madan M. Gupta, Liang Jin, and Noriyasu Homma. Static and Dynamic Neural Networks: From Fundamentals to Advanced Theory. ISBN: 978-0-471-21948-4, 752 pages, April 2003, Wiley-IEEE Press.
17. Терехов В. А. Нейросетевые системы управления: учеб. пособие для вузов/В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. – М.: Высш. шк. 2002.–183 с.
18. Грешилов А. А. Математические методы принятия решений: учеб. пособие (с расчётными программами на оптическом диске). – М.: Изд-во МГТУ им. Н. Э. Баумана, 2014. – 647 с.

клеточные нейронные сети реактор с тяжелой водой под давлением фрактальная осциллирующая сеть оптические нейроны прогнозирование температурных полей разогрев среды замедлителя нейтронов стохастические алгоритмы обучения нейронных сетей

Ссылка для цитирования статьи: Старков С.О., Лавренков Ю.Н. Прогнозирование температурного поля замедлителя в тяжеловодном реакторе на основе клеточной нейронной сети. // Известия вузов. Ядерная энергетика. – 2017. – № 1. – С. 94-106. DOI: https://doi.org/10.26583/npe.2017.1.09 .