基于机器学习框架的ReactorNet用于识别控制棒位置,以便在PWR中实时监控

科学领域:

• 核工程 核工程是指核工程.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 压水反应堆 (PWR) 需要精确的实时监控,以确保安全高效的运行.
• 当前的监控方法可能对复杂的操作参数的速度和准确性有局限性.

研究的目的:

• 引入ReactorNet,这是一个新的机器学习框架,用于实时监控PWR.
• 为了利用热中子流成像来加强操作监督.
• 为了提高识别控制棒位置和操作参数的准确性和效率.

主要方法:

• 开发了ReactorNet,将EfficientNetB0与混合分类回归架构集成在一起.
• 使用了前核心传感器检测到的热中子流量模式.
• 采用主要组件分析 (PCA) 和聚类分析来解码辐射流量变化.
• 使用PWR的Triton FORTRAN模拟验证了框架.

主要成果:

• 与视觉变压器和ResNet50.50.相比,ReactorNet取得了更高的性能.
• 在识别控制棒位置方面,证明了高多类准确性 (97.5%).
• 显著降低了操作参数回归的平均绝对误差 (MAE).
• 测试时间的增加和交叉验证确保了模型在数据限制方面具有稳定性.

结论:

• 反应堆网提供了一个精确和实时的解决方案,用于监控PWRs.
• 该框架有效地弥合了人工智能和核工程原则.
• 证明了EfficientNetB0在提高核反应堆运行安全和效率方面的潜力.