Искусственная нейронная сеть для прогнозирования динамического поведения атомной электростанции

Атомная электростанция (АЭС) представляет собой сложную динамическую систему систем с ярко выраженным нелинейным поведением. Для управления работой станции как в нормальных, так и в аварийных условиях различные системы АЭС, такие как компоненты активной зоны реактора, а также первый и второй контуры теплоносителя, обычно подвергаются непрерывному мониторингу, что приводит к накоплению очень больших объемов данных. Это позволяет интегрировать релевантные качественные и количественные знания с методами искусственного интеллекта для получения более быстрых и точных прогнозов поведения и, как следствие, принятия более оперативных решений на основе фактических данных об эксплуатации АЭС. Модели, управляемые данными (data-driven models, DDM), используют искусственный интеллект для автономного обучения на основе закономерностей в данных и являются альтернативой физическим моделям, которые обычно требуют значительных вычислительных ресурсов и могут не полностью отражать фактические условия эксплуатации АЭС. В настоящем исследовании модель искусственной нейронной сети (ИНС) прямого распространения с обратным распространением ошибки была обучена для моделирования взаимодействия между активной зоной реактора и системами первого и второго контуров теплоносителя в водо-водяном энергетическом реакторе. Для обучения модели использовались переходные процессы, включавшие возмущения реактивности, коэффициента парового клапана, температуры теплоносителя на входе в активную зону реактора и температуры на входе в парогенератор. В эти переходные процессы также были включены неопределенности физических параметров станции и условий эксплуатации. На этапе обучения были использованы восемь функций обучения для разработки наиболее эффективной сети. Прогнозы разработанной модели ИНС впоследствии были успешно проверены на различных новых переходных процессах. В целом исследование направлено на демонстрацию потенциала искусственного интеллекта для оперативного прогнозирования поведения АЭС при различных переходных процессах, содействия ускоренному планированию реагирования на аварийные ситуации и разработки стратегий снижения риска.