تخمین نرخ بیشینه حرارت خطی با استفاده از تکنیک های محاسبات نرم: مطالعه موردی نیروگاه اتمی بوشهر

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 162

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JONSAT-43-2_001

تاریخ نمایه سازی: 28 فروردین 1401

چکیده مقاله:

در این پژوهش با استفاده از داده های واقعی نیروگاه اتمی بوشهر و به کارگیری روش های محاسبات نرم و بدون استفاده از داده های سنسورهای داخل قلب رآکتور به تخمین پارامتر نرخ بیشینه حرارت خطی می پردازیم. الگوریتم های یادگیری موثر شبکه عصبی مصنوعی شامل لونبرگ- مارکوارت و تنظیم بیزین در ترکیب با تکنیک های مختلف انتخاب ویژگی شامل پیرسون، اسپیرمن، و کندال برای تخمین پارامتر هدف مورد استفاده قرار می ­گیرند. نتایج مناسب بودن روش پیشنهادی برای تخمین پارامتر هدف را نشان می ­دهد. با توجه به اهمیت این پارامتر از لحاظ ایمنی و این که افزایش بیش از حد آن باعث ارسال سیگنال خاموشی رآکتور می گردد، استفاده از رویکردهای مناسب مانند مطالعه پیش رو، می تواند باعث افزایش ایمنی نیروگاه شده و دفاع در عمق را بهبود بخشد.

نویسندگان

سعید شریفی

دانشکده مهندسی انرژی، دانشگاه صنعتی شریف، صندوق پستی: ۸۶۳۹-۱۴۵۱۵، تهران- ایران

خلیل مشکبار بخشایش

دانشکده مهندسی انرژی، دانشگاه صنعتی شریف، صندوق پستی: ۸۶۳۹-۱۴۵۱۵، تهران- ایران

محمدباقر غفرانی

دانشکده مهندسی انرژی، دانشگاه صنعتی شریف، صندوق پستی: ۸۶۳۹-۱۴۵۱۵، تهران- ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Final Safety Analysis Report (FSAR) for BNPP Accident Analysis, Atomic ...
  • Souza, Rose Mary GP, and Joao ML Moreira, Power peak ...
  • Kh. Moshkbar-Bakhshayesh, M. Ghanbari, M.B. Ghofrani, Development of a new ...
  • Kh. Moshkbar-Bakhshayesh, Prediction of unmeasurable parameters of NPPs using different ...
  • C. Lv, et al., Levenberg-Marquardt Backpropagation Training of Multilayer Neural ...
  • R.E. Uhrig, Potential application of neural networks to operation of ...
  • F.S.M. Desterro, et al., Development of a Deep Rectifier Neural ...
  • Y.D. Koo, et al., Nuclear reactor vessel water level prediction ...
  • M. Saghafi, M.B. Ghofrani, Real-time estimation of break sizes during ...
  • R.A. Saleem, M.I. Radaideh, T. Kozlowski, Application of deep neural ...
  • Bae, In Ho, et al., Calculation of the power peaking ...
  • A. Pirouzmand, M. Kazem Dehdashti, Estimation of relative power distribution ...
  • Lee, Wanno, et al., A study on the sensitivity of ...
  • A.Yu. Kurchenkov, Burnup of rhodium SPND in VVER-۱۰۰۰: Method for ...
  • R.E. Uhrig, L.H. Tsoukalas, Soft computing technologies in nuclear engineering ...
  • Kh. Moshkbar-Bakhshayesh, M.B. Ghofrani, Transient identification in nuclear power plants: ...
  • Dash, Manoranjan, Huan Liu, Dimensionality reduction, Wiley Encyclopedia of Computer ...
  • L.A.U.R.E.N.E. Fausett, V. ۱۹۹۴. Fundamentals of Neural Networks: Architectures, Algorithms, ...
  • Foresee, F. Dan, and Martin T. Hagan, Gauss-Newton approximation to ...
  • Yu, Hao, and Bogdan M. Wilamowski, Levenberg-marquardt training, Industrial electronics ...
  • Kh. Moshkbar-Bakhshayesh, M.B. Ghofrani, Development of a Robust Identifier for ...
  • Kh. Moshkbar-Bakhshayesh, M.B. Ghofrani, Development of an efficient identifier for ...
  • نمایش کامل مراجع