论文部分内容阅读
压水堆燃料装载方案的优劣与核电站经济性和安全性直接相关,本文针对压水堆燃料组件装载方案优化过程中的两个主要问题:方案搜索空间大以及方案评价耗时长,分别进行优化。以组件无限增殖因数以及功率峰因子作为压水堆组件装载方案的优化目标,本文选用NSGA-Ⅱ算法缩小有效寻优空间,进行组件装载优化,并结合中子物理特性,进一步研究组件装载方案优化过程中,NSGA-Ⅱ算法的交叉概率以及初始化种群大小的设计问题。研究结果表明NSGA-Ⅱ算法在针对组件装载优化问题上,收敛性强,优化能力稳定,交叉概率对功率峰因子优化影响较大,对无限增殖因数影响相对较小,选用种群数目较大的初始条件时,NSGA-Ⅱ算法的优化潜力更大,更容易跳出局部最优解。在使用NSGA-Ⅱ算法进行装载方案优化过程中,每次方案评价都涉及求解中子输运方程,耗时较长,本文选用多种机器学习算法,以3×3,5×5,7×7,9×9,14×14,17×17共六种大小规模的燃料组件作为研究对象,探索机器学习模型对组件燃耗、无限增殖因数以及功率峰因子的预测能力,并结合树模型算法特征,研究针对上述3种目标值的组件装载方案的特征重要性。最后采用lightgbm算法以及神经网络算法,精细化研究机器学习算法对17×17组件的燃耗、无限增殖因数以及功率峰因子预测能力。研究发现在大样本数的前提下,各类机器学习模型的预测能力都较好,预测误差均在可接受范围内。组件中235U装载量对各类中子物理参数的预测效果影响都较大,组件装载方案偏度值对功率峰因子以及无限增殖因素预测效果影响较大。最后,经过精细化模型调整后,神经网络算法以及lightgbm模型对17×17燃料组件3类中子物理参数预测能力非常好,验证了采用机器学习算法预测中子物理参数的可行性。在NSGA-Ⅱ算法以及机器学习模型研究基础上,本章节尝试解决搜索空间大以及方案评价耗时长两个问题。选用SiC包壳事故容错燃料作为研究对象,在探索SiC包壳事故容错燃料的中子物理可行性以及优劣性以后,使用NSGA-Ⅱ算法以及机器学习模型对SiC包壳事故容错燃料组件进行装载方案优化研究。研究发现在相对较小的样本数目条件下,模型对无限增殖因素数预测效果较好,对功率峰因子预测效果相对较差,误差均在可接受范围。将机器学习应用于组件优化过程中装载方案评价后,在较短的时间内可得到装载方案,经确定论方法验证,采用机器学习最终得出的装载方案较优,且与直接采用确定论方法得出的装载方案差距不大,证实在组件装载问题优化过程中,采用机器学习评价装载方案具有可行性。