Использование рекуррентной нейронной сети для решения обратной задачи теплопроводности применительно к расчету температуры оборудования РУ с ВВЭР

20.12.2024 2024 - №04 Моделирование процессов в объектах ядерной энергетики

И.А. Дерябин В.В. Королев Г.С. Сорокин

https://doi.org/10.26583/npe.2024.4.12

Необходимость в решении нестационарных граничных обратных задач теплопроводности (ОЗТ) как инструмента, позволяющего получить недостающую информацию о рассматриваемом объекте, может возникать как при обработке результатов экспериментов, так и при термометрировании, а в некоторых случаях и при конструировании. Применительно к АЭС типа ВВЭР использование результатов решения ОЗТ может быть связано с обработкой данных при проведении пуско-наладочных измерений или контролем ресурса оборудования с помощью термопар во время эксплуатации станции. В работе предложена и описана методика расчета граничной обратной задачи теплопроводности с помощью рекуррентной нейронной сети типа NARX. Неизвестные значения весов и отступов вычисляются с помощью алгоритма градиентного спуска Левенберга – Марквардта в процессе обучения на специально созданном наборе данных, полученном при расчете прямой задачи теплопроводности на серии случайно сгенерированных температурных ударов. На ряде примеров показана применимость методики для решения линейных и нелинейных задач теплопроводности. Рассмотрены вопросы, связанные с параметрами нейронной сети, такими как отступы и число предыдущих рассматриваемых шагов по времени. Отдельно рассмотрена двухмерная задача, в которой показано, что внесение дополнительной информации во входные данные позволяет значительно снизить погрешность получаемых результатов.

Ссылки

1. Алифанов О.М. Обратные задачи теплопроводности. М.: Машиностроение, 1988. – 280 с. ISBN 5-217-00134-8.
2. Богачев А.В., Дранченко Б.Н., Семишкин В.П., Беркович В.Я. Развитие системы САКОР-М. // Вопросы атомной науки и техники. Серия: Обеспечение безопасности АЭС. Научно-технический сборник: Выпуск № 15. Реакторные установки ВВЭР. – Подольск. – 2006.
3. Королев В.В. Методика обработки результатов контроля температур и давления в элементах оборудования реакторных установок. // Вопросы атомной науки и техники. Серия: Обеспечение безопасности АЭС. Научно-технический сборник: Выпуск 17. Реакторные установки ВВЭР. – Подольск. – 2007.
4. Deng S., Hwang Y. Applying neural networks to the solution of forward and inverse heat conduction problems. // International Journal of Heat and Mass Transfer. – 2006. – V. 49. – Iss. 25 – 26. – PP. 4732 – 4750. DOI: https://doi.org/10.1016/j.ijheatmasstransfer.2006.06.009
5. Васильев А.Н., Порубаев Ф.В., Тархов Д.А. Нейросетевые подходы к решению некорректных задач теплопереноса. // Научно-технические ведомости СПбГПУ. – 2011. – Вып. 1. – C. 133 – 142.
6. Zhili He, Futao Ni, Weiguo Wang, Jian Zhang. A physics-informed deep learning method for solving direct and inverse heat conduction problems of materials. // Materials today communications. – 2021. – V. 28. – 102719. DOI: https://doi.org/10.1016/j.mtcomm.2021.102719
7. Ruiz L.G.B., Cuéllar M.P., Calvo-Flores M.D., Jiménez M.D.C.P. An Application of Non-Linear Autoregressive Neural Networks to Predict Energy Consumption in Public Buildings. // Energies. – 2016. – V. 9. – 684. DOI: https://doi.org/10.3390/en9090684
8. Jose Maria P.Menezes Jr, Guilherme A. Barreto. Long-term time series prediction with NARX network: An empirical evalution. // Neurocomputing. – 2008. – V. 71. – Iss. 16 – 18. – PP. 3335 – 3343. DOI: https://doi.org/10.1016/j.neucom.2008.01.030
9. Зубченко А.С., Колосков М.М., Каширский Ю.В. Марочник сталей и сплавов. – М.: Машиностроение, 2003. – 784 c.

температура обратная задача теплопроводности рекуррентная нейронная сеть РУ с ВВЭР

Ссылка для цитирования статьи: Дерябин И.А., Королев В.В., Сорокин Г.С. Использование рекуррентной нейронной сети для решения обратной задачи теплопроводности применительно к расчету температуры оборудования РУ с ВВЭР. // Известия вузов. Ядерная энергетика. – 2024. – № 4. – С. 144-154. DOI: https://doi.org/10.26583/npe.2024.4.12 .