(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110203032.1 (22)申请日 2021.02.23 (65)同一申请的已公布的文献号 申请公布号 CN 113076684 A (43)申请公布日 2021.07.0 6 (73)专利权人 中国核动力研究设计院 地址 610213 四川省成 都市双流区协和街 道办事处长顺大道1段328号 (72)发明人 刘东　唐雷　臧峰刚　安萍　李庆　 李治刚　芦韡　陈长　彭星杰　 卢宗健　于洋　赵文博　廖鸿宽　 秦志红　 (74)专利代理 机构 核工业专利中心 1 1007 专利代理师 王洁 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)(56)对比文件 CN 103474098 A,2013.12.25 CN 104102782 A,2014.10.15 US 2016300630 A1,2016.10.13 高明明.结合神经网络的压水堆 堆芯动态模 型的研究. 《中国优秀博硕士学位 论文全文数据 库(硕士)(工程科技 Ⅱ辑)》 .2013,(第7期), C040-24. 肖凯等.小型压水堆功率神经网络预测控制 研究. 《核动力工程》 .2020,第41卷(第s2期),5 0- 53. XiangLi等.Deep learn ing-based unsupervised representati on clusteri ng methodology for automatic nuclear reactor operating transient identificati on. 《Knowledge-Based System s》 .2020,第204卷1- 14. 审查员 张春洁 (54)发明名称 一种核反应堆堆芯调棒过程瞬态参数智能 计算方法 (57)摘要 本发明具体涉及一种核反应堆堆芯调棒过 程瞬态参数智能计算方法,包括如下步骤:通过 深度机器学习与核反应堆堆芯调棒过程有关的 输入输出匹配的数据对， 获得核反应堆堆芯调棒 过程瞬态 参数智能计算模型； 通过核反应堆堆芯 调棒过程瞬态参数智能计算模型计算与核反应 堆堆芯调棒过程有关的输入参数， 以获取相应的 输出参数， 实现核反应堆堆芯调棒过程的快速计 算、 仿真和预测。 本发明提供的智能计算方法基 于人工智能深度机器学习技术， 能够实现核反应 堆堆芯调棒瞬态过程快速计算、 分析与预测， 满 足核反应堆堆芯设计、 核反应堆系统设计方案快 速验证、 实时模拟仿真等应用需求。 权利要求书2页 说明书7页 附图3页 CN 113076684 B 2022.09.20 CN 113076684 B 1.一种核反应堆 堆芯调棒过程瞬态参数智能计算方法,其特 征在于， 包括如下步骤: S1： 确定深度学习所需的与核反应堆 堆芯调棒过程有关的输入输出匹配的数据对； S2： 获取深度学习所需的与核反应堆 堆芯调棒过程有关的输入输出匹配的数据对； S3： 通过深度学习与核反应堆堆芯调棒过程有关的输入输出匹配的数据对， 获得核反 应堆堆芯调棒过程瞬态参数智能计算模型； S4： 通过核反应堆堆芯调棒过程瞬态参数智能计算模型计算与核反应堆堆芯调棒过程 有关的输入参数， 以获取相应的输出参数； 所述数据对 包括与核反应堆 堆芯调棒过程有关的输入参数， 以及相应的输出参数； 步骤S2中， 通过现有的高精度堆芯计算软件计算或者实际运行数据提取来获取深度 学 习所需的与核反应堆 堆芯调棒过程有关的输入输出匹配的数据对； 通过现有的高精度堆芯计算软件计算来获取深度学习所需的与核反应堆堆芯调棒过 程有关的输入输出匹配的数据对， 具体包括如下步骤： (1)、 现有的高精度堆芯稳态计算软件通过计算获取现有的高精度堆芯瞬态计算软件 所需的核反应堆 堆芯初始状态参数； (2)、 通过现有的高精度堆芯瞬态计算软件， 利用核反应堆堆芯初始状态参数计算获取 核反应堆堆芯调棒过程瞬态参数， 从而获取深度学习所需的与核反应堆堆芯调棒过程有关 的输入输出匹配的数据对； 步骤(2)具体包括如下步骤： 通过现有的高精度堆芯瞬态计算软件， 将核反应堆堆芯划 分成多个空间网格； 通过现有的高精度堆芯 瞬态计算软件计算每个空间网格的核反应堆堆 芯初始状态参数， 以获取相 应的核反应堆堆芯调棒过程瞬态参数； 选取探测器所在空间网 格的核反应堆堆芯调棒过程瞬态参数建立深度学习所需的与核反应堆堆芯调棒过程有关 的输入输出匹配的数据对； 步骤S3具体包括如下步骤： 通过人工智能神经网络模型， 对与核反应堆堆芯调棒过程 有关的输入输出匹配的数据对进行回归学习， 实现有监督的深度学习， 从而获得核反应堆 堆芯调棒过程瞬态参数智能计算模型。 2.根据权利要求1所述的核反应堆堆芯调棒过程瞬态参数智能计算方法,其特征在于， 步骤S1具体包括如下步骤： 通过分析核反应堆堆芯调棒瞬态过程的关键影响因素， 选取深 度学习所需的与核反应堆堆芯调棒过程有关的计算输入参数； 通过分析核反应堆堆芯调棒 过程瞬态参数， 选取深度学习 所需的与核反应堆堆芯调棒过程有关的计算输出参数； 从而 确定深度学习所需的与核反应堆 堆芯调棒过程有关的输入输出匹配的数据对。 3.根据权利要求1所述的核反应堆堆芯调棒过程瞬态参数智能计算方法， 其特征在于， 所述与核反应堆堆芯调棒过程有关的输入参数包括核反应堆堆芯初始状态参数的一个或 者多个组合， 所述与核反应堆堆芯调棒过程有关的输出参数包括核反应堆堆芯调棒过程瞬 态参数的一个或者多个组合。 4.根据权利要求3所述的核反应堆堆芯调棒过程瞬态参数智能计算方法,其特征在于， 所述核反应堆堆芯初始状态参数包括核反应堆堆芯的初始核功率、 初始燃耗、 冷却剂入口 温度、 冷却剂流量、 冷却剂密度、 冷却剂硼浓度、 控制棒棒位和堆芯毒物浓度； 所述核反应堆 堆芯调棒过程瞬态参数包括核反应堆的堆芯中子通 量分布、 堆芯功率分布和温度场分布。 5.根据权利要求1所述的核反应堆堆芯调棒过程瞬态参数智能计算方法,其特征在于，权　利　要　求　书 1/2 页 2 CN 113076684 B 2所述人工智能神经网络模型包括全连接神经网络、 卷积神经网络或循环神经网络的一种或 者多种模型的结合。 6.根据权利要求5所述的核反应堆堆芯调棒过程瞬态参数智能计算方法,其特征在于， 当与核反应堆堆芯调棒过程有关的输入输出参数是一个 或者多个静态变量时， 选择全连接 神经网络模型进 行深度学习与泛化预测能力； 当与核反应堆堆芯调棒过程有关的输入输出 参数是一 维或者多维时序变量时， 选择针对时序特点的循环神经网络结构模型进 行深度学 习与泛化预测能力。权　利　要　求　书 2/2 页 3 CN 113076684 B 3