利用人工神经网络预测核反应堆核心参数的演化。

​

Prediction of the evolution of the nuclear reactor core parameters using
artificial neural network

解决问题：本篇论文旨在探索人工神经网络在解决核反应堆设计问题中的应用。具体来说，论文试图通过使用人工神经网络来预测核反应堆的演化参数，包括燃料循环长度等。这是一个新的问题，因为之前的研究很少探索人工神经网络在这一领域的应用。

关键思路：本文的关键思路是使用PARCS v3.2节点扩散核心模拟器生成训练和验证数据，并使用Python 3.8和TensorFlow 2.0库实现人工神经网络。通过尝试不同的神经网络结构来找到最优的隐藏层神经元数量等方法，以提高预测结果的准确性。相比当前领域的研究，本文的思路在于提出了一种新的解决方案，即使用人工神经网络来解决核反应堆设计问题。

其他亮点：本文的实验使用了MIT BEAVRS基准核反应堆作为典型的压水堆发电机组，并且专注于预测给定核心加载模式下的燃料循环长度等参数。实验结果表明，使用人工神经网络可以非常准确地预测燃料循环长度等参数。本文并未提供开源代码，但为核反应堆设计领域的研究提供了新的思路和方法。

关于作者：本文的主要作者是Krzysztof Palmi、Wojciech Kubinski和Piotr Darnowski。他们分别来自波兰的AGH大学和核物理研究所。他们之前的代表作包括《利用人工神经网络预测核反应堆热工水力参数》等。

相关研究：近期其他相关的研究包括《基于深度学习的核反应堆燃料管理模型》（作者：黄晓晨等，机构：清华大学）和《核反应堆燃料管理的深度强化学习方法》（作者：赵健等，机构：中国工程物理研究院）。

论文摘要：这篇文章使用了MIT BEAVRS基准核反应堆作为代表性压水堆（PWR）发电核反应堆，采用PARCS v3.2节点扩散核心模拟器作为全堆反应堆物理求解器，模拟反应堆的运行并生成用于人工神经网络（ANN）的训练和验证数据。该ANN是使用专门的Python 3.8代码和Google的TensorFlow 2.0库实现的。这项工作主要基于PARCS模拟器生成的数据的适当自动转换过程，后者在ANN开发过程中被使用。研究了各种方法，以获得更准确的ANN预测结果，例如尝试不同的ANN架构，以找到网络隐藏层中最佳神经元数量。结果随后与文献中提出的架构进行比较。对于选择的最佳架构，预测了不同核心参数及其对核心装载模式的依赖关系。在这项研究中，特别关注了给定核心装载模式的燃料循环长度的预测，因为它可以被认为是电厂经济运行的目标之一。例如，单个燃料循环的长度，取决于初始核心装载模式，预测的准确度非常高（>99%）。这项工作有助于探索神经网络在解决核反应堆设计问题方面的实用性。通过应用ANN，设计师可以避免使用过多的核心模拟器运行，并在执行更详细的设计考虑之前更快地探索可能解决方案的空间。

​Read More