基于PSO-SA算法的源项反演方法研究

针对大气污染事故突发时,事故发生点无法确定或人员不能接近的情况,研究了基于环境监测数据源项反演以获取事故源项数据的技术,设计实现了一种基于粒子群-模拟退火源项反演方法。采用自适应方法调整惯性权重系数,与高斯烟羽扩散模型结合,对事故源项数据进行反演。实验结果显示:在所选监测点监测数据的反演实验中,基于粒子群-模拟退火算法(PSO-SA)结合了两种算法的优势,能够获得与期望值较为符合的反演结果。进一步分析了监测点数据误差及监测点数量对反演结果的影响,并将文中方法与粒子群算法(PSO)进行对比,同等条件下,较粒子群算法精度提高了8%,能够快速实现对大气污染源强和位置的准确估计。

基于GA-PS的三维空间源项反演算法

针对当前化学危害事件中的危害源定位及源强反算仍以二维平面为主的现状,在分析高维度源项反演寻优特性基础上,利用多参数条件下遗传算法全局寻优和模式搜索算法局部寻优性能优势,提出一种基于遗传算法-模式搜索算法的改进遗传模式搜索算法。仿真实验结果表明,该算法利用一组地面或空中探测器在三维空间中采集到的危害物质浓度数据,能够实现对危害源三维空间定位和源强反算。通过SF_(6)外场试验实测数据的反算求解,验证了该算法能够实现对大气环境稳定条件下的危害源空间位置、源强的有效反算,反算精度在30%以内。

基于自适应卡尔曼滤波和深度前馈神经网络的氚源项反演

氘氚聚变反应被认为是能够最先实现商业发电的聚变反应,但氚的使用也带来了放射性安全问题。为探究适用于聚变堆事故后的大气释放氚源项反演的计算方法,本研究将自适应卡尔曼滤波与深度前馈神经网络相结合,建立聚变堆事故后的氚释放源项估计算法,对氚的释放高度及释放率进行反演。对神经网络使用滤波前后的观测值作为输入数据时的预测源强进行分析。结果表明,滤波能有效降低神经网络的预测误差。当监测数据误差为20%时,释放高度反演相对误差均值约为3%,释放率反演相对误差均值约为4%。

基于离散特征系统的抛物方程源项反演方法

主要研究离散特征系统下抛物方程源项反演的对数型正则化方法。首先,用有限差分法离散椭圆算子,利用分块矩阵的特点计算出椭圆算子的离散特征值和相应的特征向量;然后,将它们应用到抛物型方程源项反演的对数型正则化方法中。通过数值实验表明,对数型正则化方法可以通过离散特征值及其对应的特征向量成功实现。

基于BP神经网络的核事故源项反演方法研究

为减轻核事故对公众的危害,提高事故后果评价和决策的可靠性,利用Matlab建立基于BP神经网络的单核素碘-131源项反演的神经网络模型。采用国际辐射评价系统(InterRAS)产生的5 300组数据对模型进行训练。用200组测试数据对模型进行验证。训练好的网络计算输出时间较短,输出源项与实际源项符合较好,平均相对误差低于2.3%。结果表明:神经网络隐含层数及隐含层节点数对模型训练效果有较大影响,当使用双隐含层且2个隐含层的节点数分别为30和20时,网络模型训练能快速收敛,训练相对误差低于4%。

基于BP神经网络的核事故多核素源项反演方法

核事故发生后,为快速评估事故严重程度,需要对源项释放率进行估算。本文选取I-131,Cs-137,Xe-133和Kr-85四种核素的释放率为目标信号,利用Matlab建立基于BP神经网络的核事故四核素源项反演模型。计算结果表明,在单隐层节点数为5~60范围内,训练均方差随节点数增加先减小后增大,在节点数为25时达到最小值41.1%。学习速率在0.01~0.2范围内时,增大学习率可减小训练均方差与各核素相对误差。对单隐层节点数为25,学习速率为0.2的训练结果进行测试,4种核素的源项估计相对误差分别为56.7%,49.1%,92.4%和92.0%。

混合遗传算法在核事故源项反演中的应用

针对国内外普遍关注的核事故源项反演与事故后果评价的问题,运用遗传算法-单纯形法结合烟团模型实现了对源强的反算和释放点位置的快速定位。遗传算法-单纯形法与遗传算法-模式搜索法、遗传算法和单纯形法等3种算法的比较结果表明:遗传算法-单纯形法结合了遗传算法和单纯形法两种算法的优势,也弥补了各自算法的缺陷,其反算值可与期望值较精确符合;扩散模式模块、GA模块和NM模块3者可简单直接的结合,结合所需编写的代码较少,通用性广;GA模块和NM模块的计算花费较少,适用于核电厂对源项的快速估计。

BP神经网络优化的无迹卡尔曼滤波核事故源项反演方法研究

核事故发生后,通常很难根据厂内仪表数据判断事故严重程度,只能通过厂外监测数据估计源项释放量。利用CALPUFF软件模拟了核事故后放射性核素I-131释放的过程。将无迹卡尔曼滤波算法与高斯多烟团大气扩散模型结合,构建无迹卡尔曼滤波核事故源项反演方法模型,实现核事故后厂外源项实时跟踪反演。由于污染物I-131在大气中扩散过程受温度、气压、风速、云量、太阳辐射、地形条件等多种因素共同影响,源项反演为复杂的非线性问题。针对高斯多烟团大气扩散模型将实际条件简化引起的缺陷,使用BP神经网络对反演模型中的量测方程进行优化,从而减小模拟结果与真实情况的误差。无迹卡尔曼滤波核事故源项反演方法模型与卡尔曼滤波核事故源项反演模型相比,能更好地适应非线性条件下释放率变化的情况,反演结果与真实值更接近。

源项反演问题的条件稳定性

对于一维扩散方程的源项反演问题 。

双型腔模具加热系统热传导多源项反演与实验研究

模具型腔形状各异、深浅不一,难以获得均匀的模具型腔温度场,影响了成型塑件的尺寸精度和力学特性。课题组采用基于线性叠加原理的热传导反演算法,反求模具加热系统的热源强度;根据模具加热系统的传热机理,建立模具加热系统正演和反演问题的数学模型;设计尺寸各异的一模两腔反应成型模具,开发多通道模温控制系统,搭建测温实验平台,测温结果表明型腔表面在同一时刻的温差均未达到行业标准;根据BMC反应成型塑料的成型工艺要求,改进模具加热工艺,获得各热管的热源强度函数,作为热传导多源项反演的输入条件,结果表明型腔温度场达到行业标准。根据反演获得的热源强度函数,再次进行实验,实验结果与数值模拟结果吻合较好,从而验证了基于线性热传导叠加原理的多源项反演算法对优化多型腔模具的温度场均匀性是有效的,且具有普适性。

GA-BP算法应用于核事故源项反演的研究

为了更准确地估算核事故源项,提高核事故后果评价的准确性,将用遗传算法优化的BP神经网络算法应用于核事故源项反演,改善BP神经网络学习算法应用于核事故源项反演时易陷入局部极小的缺陷。应用Matlab软件编码实现用遗传算法来优化BP神经网络的权值和阈值,将这些优化值赋给网络,得到优化的BP神经网络,即GA-BP神经网络。用7 852组训练数据训练GA-BP神经网络,训练结束后,用500组测试数据评估两种算法的性能。经统计计算得到GA-BP神经网络的平均训练误差为7.98%,小于原始BP神经网络的10.25%;GA-BP的平均测试误差为9.78%,小于原始BP神经网络的10.21%。训练和测试结果表明,经遗传算法优化的BP神经网络误差明显小于原始BP神经网络算法,GA-BP神经网络算法能有效地避免原始BP神经网络容易陷入局部极小值的缺陷,且缩短了训练时间,提高了源项反演的准确度。

基于遗传-模拟退火算法的源项反演方法研究

核事故发生后,在事故工况信息无法获取的情况下,通过环境监测数据进行源项反演是一种有效的源项估计方法。文章设计并实现了一种遗传-模拟退火源项反演方法,仿真计算结果表明:在监测数据无误差这种理想情况下,利用该方法可以得到准确的源项反演结果。为了更好地应用于实际,进一步研究了监测数据误差对反演结果的影响,以及监测数据存在误差的情况下,监测点布点方式和监测点数量对反演结果的影响。

非线性源项反演的积分恒等式方法

本文研究了终值温度分布条件下非线性热源的反演问题 .应用积分恒等式方法，证明了源项解的唯一存在性 .

一类非线性源项反演的存在性

探讨了一类源项形式为f(x ,t;u) =a(x ,t)g(u)的反应扩散方程的反问题 ,应用Sobolev紧嵌入定理及积分估计技巧 。

典型耦合优化算法在源项反演中的对比研究

突发大气污染事故中,污染源的快速、准确确定是应急处置的基础.为研究有效的源项评估方法,本文基于美国草原外场SO2释放实验,利用GA-PSO、GA-NM、PSO-NM 3种耦合算法,分别与高斯点源烟羽扩散模型结合,对源强和位置等污染源参数进行反演与对比,并从算法结构与大气扩散条件方面进行反演效果差异分析.结果表明,从源强反演角度看,PSO-NM反演结果的准确性最高、稳定性最强,平均误差(11.3%)与平均标准偏差(0.7g/s)明显低于GA-NM(16.4%、13.3g/s)与GA-PSO(29.0%、26.6g/s).从位置反演角度看,PSO-NM的反演结果最为稳定,反演的平均标准偏差(0.29m)明显低于GA-NM(3.20m)与GA-PSO(3.03m)算法;在不稳定和中性扩散条件下,PSO-NM算法的位置反演准确性最高,误差为4.97m;但在稳定扩散条件下,GA-NM的位置反演误差(7.69m)最小.从反演效率角度看,PSO-NM与GA-NM反演时间最短,更适用于污染源的快速确定.

污染物对流-扩散逆过程源项反演的伴随方法

针对突发污染事故中确定污染源时反向时间积分求解对流-扩散方程易导致计算发散的问题,通过建立目标泛函,利用伴随方法同时求解伴随方程和原方程,逐次迭代得到目标泛函的极值,以实现污染源的反演。为验证该方法的有效性,分别利用污染物空间分布和时间序列对污染源进行反演,其中污染源包括单污染源和双污染源。结果显示,计算值与解析解之平均相对误差小于15%,满足工程应用的精度要求。

基于粒子滤波算法的源项反演及不确定性分析

针对核事故发生后源项释放率连续变化、监测数据有限和监测噪音多变的特殊场景,提出了一种基于高斯烟团扩散模型和粒子滤波算法的源项反演方法。当仅有两组相对误差为20%的有效监测数据,并额外叠加因放射性粒子沉积而导致的监测噪声时,利用粒子滤波分别对源项释放率持续稳定、线性增加和正弦变化这三种场景进行反演,研究结果表明,反演结果相对真值的误差约5%,最大不超过10%。

中子输运方程的源项反演问题(英文)

本文讨论了中子输运方程的解的存在性。使用有限元方法求解中子输运方程,并使用Landweber方法求解源项反演问题。给出了算法和数值模拟结果,验证了算法的有效性。

一类时间分数阶扩散方程中的源项反演解法

考虑了一类具有Neumann边界的时间分数阶扩散方程源项反演问题.首先,从分离变量法出发将反问题归结为第1类Volterra积分方程,从而揭示出反问题的不适定性;其次,为了获得反问题的条件稳定性,通过分数阶数值微分将第1类Volterra积分方程转化为第2类Volterra积分方程,建立源项反问题的条件稳定性和误差估计;最后,引进磨光正则化,获得稳定的分数阶数值导数,将其代入求解第2类积分方程,从而稳定地重建出仅依赖时间变量的源项.数值实验结果验证了所得反演算法的有效性.

核化危害源项反演技术现状及研究展望

源项反演对缓解和遏制核化危害源、精准预测核化危害时空传输和扩散情况、辅助作战行动和保障决策等具有十分重要的意义。本文从源项反演应用平台和源项反演关键算法(包括欧拉方法、拉格朗日方法、深度学习等)两个方面,对国内外核化危害源项反演技术的现状和二者间的差距进行了总结与分析。研究指出,利用深度学习提高反演精度和速率、从单污染源到多污染源的拓展、定性与定量混合反演将成为该领域发展的重点。