Діагностика внутрішньозонного нейтронного контролю на основі застосування нейронних мереж

Автор(и)

  • Володимир Іванович Борисенко Institute for Safety Problems of Nuclear Power Plants of National Academy of Sciences (NAS) of Ukraine http://orcid.org/0000-0002-3035-0760
  • Вадим Вікторович Горанчук Institute for Safety Problems of Nuclear Power Plants of National Academy of Sciences (NAS) of Ukraine https://orcid.org/0000-0002-1505-2749
  • Анатолій Володимирович Носовський Institute for Safety Problems of Nuclear Power Plants of National Academy of Sciences (NAS) of Ukraine http://orcid.org/0000-0002-2594-3780

DOI:

https://doi.org/10.15276/opu.2.58.2019.04

Ключові слова:

детектор прямого заряду, канал нейтронних вимірювань, система внутрішньореакторного контролю, нейронна мережа, діагностика систем, достовірність сигналів

Анотація

Однією з задач діагностики внутрішньозонного нейтронного контролю є задача діагностики детекторів прямого заряду, а саме визначення достовірності сигналів, тобто визначення детектора прямого заряду якій відмовив. Важливо мати змогу оцінити енерговиділення в тепловидільній збірці з цим детектором прямого заряду. В статті обговорюються особливості відновлення сигналу детекторів прямого заряду на основі застосування технології нейронних мереж. Під відновленням сигналу відмовившиго детектора прямого заряду мається на увазі модельне відтворення сигналу, відсутнього через фізичне пошкодження детектора. Навчена нейронна мережа, на основі моніторингу вхідної інформації, може з високим ступенем точності передбачити появу дефектів в обладнанні й оцінити ступінь його технічного стану. Розглянуто мережі трьох різних архітектур: без прихованих шарів, з одним прихованим шаром та з двома прихованими шарами. На вхід нейронної мережі подавалися сигнали детекторів прямого заряду від різної кількості каналів нейтронних вимірювань – від 3 до 63, у якості вихідного сигналу слугували детектори прямого заряду каналів нейтронних вимірювань, що перевірявся. Моделювання було проведено для різних детекторів прямого заряду як за роком використання, так і за місцем розташування в активній зоні, а також для різних енергоблоків та паливних кампаній (26 та 27 кампанії ЗАЕС-5, 27 та 28 кампанії ХАЕС-1, 11 та 12 кампанії ХАЕС-2). Був досліджений вплив кількості вхідних сигналів, а також вплив кількості прихованих шарів на похибку визначення вихідного сигналу. Проведено порівняння алгоритмів навчання нейронних мереж: Левенберга-Марквардта та L-BFGS. Показана важливість вибору для нейронної мережі таких вхідних сигналів, що найбільше визначають характер вихідного сигналу. Показано, що відновлення сигналів детекторів прямого заряду можливе з похибкою не більше 2 % за умови навчання на широкому діапазоні даних, що дозволяє забезпечити контроль енергорозподілу в тепловидільній збірці з даним детектором прямого заряду.

Завантаження

Дані завантаження ще не доступні.

Біографії авторів

Володимир Іванович Борисенко, Institute for Safety Problems of Nuclear Power Plants of National Academy of Sciences (NAS) of Ukraine

DSc

Анатолій Володимирович Носовський, Institute for Safety Problems of Nuclear Power Plants of National Academy of Sciences (NAS) of Ukraine

DSc, Prof.

Посилання

Саунин Ю.В., Добротворский А.Н., Семенихин А.В. Специализированное программное обеспе-чение для проведения комплексных испытаний системы внутриреакторного контроля реакторов ВВЭР. Обеспечение безопасности АЭС с ВВЭР. сб. тезисов докладов VI Междунар. научн.-технич. конф. Подольск. ОКБ Гидропресс, 26-29 мая 2009 г. 105 c.

Семенихин А.В., Саунин Ю.В., Жук М.М. Опробование системы диагностики входной инфор-мации СВРК на энергоблоке №1 Нововоронежской АЭС-2. Известия вузов. Ядерная энергетика. 2017. № 3. С. 88–95.

Messai A., Mellit A., Abdellani I., Massi P.A. On-line fault detection of a fuel rod temperature meas-urement sensor in a nuclear reactor core using ANNs. Progress in Nuclear Energy. March 2015. Vol. 79. P. 8–21.

Pirouzmand A., Dehdashti M.K. Estimation of relative power distribution and power peaking factor in a VVER-1000 reactor core using artificial neural networks. Progress in Nuclear Energy. November 2015. Vol. 85. P. 17–27.

Борисенко В.І., Горанчук В.В. Використання технології нейронних мереж для відновлення сиг-налів детекторів, які вийшли з ладу. Проблеми безпеки атомних станцій і Чорнобиля. Чорно-биль. 2018. Вип. 30. С. 17–23.

Haykin S. Neural networks and learning machines. Third Edition. Upper Saddle River. New Jersey : Pearson Education, 2009. 936 p.

ALGLIB-C++/C# numerical analysis library. URL: www.alglib.net (дата звернення 10.04.2019).

##submission.downloads##

Опубліковано

2019-09-03

Як цитувати

[1]
Borysenko, V., Goranchuk, V. і Nosovskyi, A. 2019. Діагностика внутрішньозонного нейтронного контролю на основі застосування нейронних мереж. Праці Одеського політехнічного університету. 2(58) (Вер 2019), 33–44. DOI:https://doi.org/10.15276/opu.2.58.2019.04.