Robust on-line diagnosis tool for the early accident detection in nuclear power plants
Robust on-line diagnosis tool for the early accident detection in nuclear power plants
复制标题
用于核电站早期事故检测的强大在线诊断工具
DOI：
10.1016/j.ress.2019.02.015
复制
发表时间：
2019
影响因子：
8.1
通讯作者：
Tolo S
中科院分区：
文献类型：
--
作者：
Tolo S
任何冷却剂损失事故缓解策略都必须受到断裂检测的快速性以及其诊断的准确性的约束。因此，在线监测工具的可用性对于加强核设施的安全至关重要。快速有效动作的必要性所隐含的鲁棒性和短延迟的要求被瞬变过程中与中断预测相关的挑战所破坏。分析了冷却剂损失事故的线路诊断方法和现有技术的局限性，结合一套人工神经网络结构，使用贝叶斯统计，它允许鲁棒地吸收不同来源的不确定性，而不需要在输入中明确描述它们。它提供了输出置信界限的量化，但也提高了模型响应的准确性。所实施的方法允许放宽模型选择的需要，以及限制用户定义的分析参数的需求。一个数值的案例研究，需要220兆瓦的重水反应堆进行了分析，以测试所开发的计算工具的效率。
Any loss of coolant accident mitigation strategy is necessarily bound by the promptness of the break detection as well as the accuracy of its diagnosis. The availability of on-line monitoring tools is then crucial for enhancing safety of nuclear facilities. The requirements of robustness and short latency implied by the necessity for fast and effective actions are undermined by the challenges associated with break prediction during transients.This study presents a novel approach to tackle the challenges associated with the on-line diagnostics of loss of coolant accidents and the limitations of the current state of the art. Based on the combination of a set of artificial neural network architectures through the use of Bayesian statistics, it allows to robustly absorb different sources of uncertainty without requiring their explicit characterization in input. It provides the quantification of the output confidence bounds but also enhances of the model response accuracy. The implemented methodology allows to relax the need for model selection as well as to limit the demand for user-defined analysis parameters. A numerical case-study entailing a 220 MWe heavy-water reactor is analysed in order to test the efficiency of the developed computational tool.
登录
查看更多内容
NNSYSID-神经网络系统识别工具箱
DOI：
10.1076/mcmd.8.1.1.8342
发表时间：
2002
影响因子：
1.9
作者：
M. Nørgaard;Ole Ravn;N. K. Poulsen
通讯作者：
N. K. Poulsen
使用人工神经网络的核电厂运行基于症状的诊断系统
DOI：
10.1016/s0951-8320(03)00120-0
发表时间：
2003
期刊：
Reliab. Eng. Syst. Saf.
影响因子：
--
作者：
Santosh G. Vinod;A. K. Babar;H. Kushwaha;V. Raj
通讯作者：
V. Raj
使用多状态循环神经网络优化沸水堆的加载模式
影响因子：
1.9
作者：
J. J. Ortíz;I. Requena
通讯作者：
I. Requena
用于可靠性分析的鲁棒人工神经网络
DOI：
10.7712/120217.5400.17104
发表时间：
2017
期刊：
2017 IEEE Symposium Series on Computational Intelligence (SSCI)
影响因子：
--
作者：
U. Oparaji;R. Sheu;E. Patelli
通讯作者：
E. Patelli
通过人工神经网络估计核燃料中的局部功率峰值因子
影响因子：
1.9
作者：
J. Montes;J. François;J. J. Ortíz;C. Martin;Raúl Perusquía
通讯作者：
Raúl Perusquía