使用基于深度学习的卷积神经网络(Convolutional Neural Network,CNN)和卷积长短期记忆(Convolutional Long-Short Term Memory,ConvLSTM)模型进行核电站失水事故(Loss of Coolant Accident,LOCA)的预警及仿真综合模型的构建。利用CNN...使用基于深度学习的卷积神经网络(Convolutional Neural Network,CNN)和卷积长短期记忆(Convolutional Long-Short Term Memory,ConvLSTM)模型进行核电站失水事故(Loss of Coolant Accident,LOCA)的预警及仿真综合模型的构建。利用CNN的特征提取能力有效识别不同破口尺寸的相关特征,并对工况发展进行预测分类,判定事故发生可能性并给出事故预警。利用预警阶段生成的事故种类判定,使用ConvLSTM在给定时长中计算LOCA工况中的关键系统参数变化情况,实现基于深度学习的LOCA工况仿真。多种方式的实验验证了该模型较好的功能性和适应性,事故类型判定正确率达到88%,仿真工况与原始值的误差保持在10-5量级。利用深度学习模型在特征提取和数值拟合方面的能力,将来还可以对核电站的工况仿真与故障分析进行进一步的智能化改进。展开更多
文摘使用基于深度学习的卷积神经网络(Convolutional Neural Network,CNN)和卷积长短期记忆(Convolutional Long-Short Term Memory,ConvLSTM)模型进行核电站失水事故(Loss of Coolant Accident,LOCA)的预警及仿真综合模型的构建。利用CNN的特征提取能力有效识别不同破口尺寸的相关特征,并对工况发展进行预测分类,判定事故发生可能性并给出事故预警。利用预警阶段生成的事故种类判定,使用ConvLSTM在给定时长中计算LOCA工况中的关键系统参数变化情况,实现基于深度学习的LOCA工况仿真。多种方式的实验验证了该模型较好的功能性和适应性,事故类型判定正确率达到88%,仿真工况与原始值的误差保持在10-5量级。利用深度学习模型在特征提取和数值拟合方面的能力,将来还可以对核电站的工况仿真与故障分析进行进一步的智能化改进。
