用于临界热流密度预测的支持向量机深度学习研究

It has important implications for the safety and economics of nuclear reactor to predict CHF accurately. There are some limitations in the use of traditional prediction methods and neural networks due to the drawbacks in application ranges and algorithm itself. Recent research of the application indicates that prediction method based on support vector machine (SVM) can improve the prediction accuracy to some extent. This proposal combines SVM and deep learning (DL) theory that is a new emerging technology in artificial intelligence (AI). Firstly, CHF data under different conditions is analyzed to establish the corresponding database which is preprocessed, and then the training data set is selected from the whole data set. Secondly, optimization on parameters of SVM and training speed is studied. The prediction model is used for deep learning by using SVM to reach the best performance after support vectors are obtained according to the decision function. Finally, the model is validated by analyzing the parametric trends of CHF and comparing with the experimental data on the use of common CHF data and empirical correlations. The research of this project will not only focus on enriching and developing the theory of SVM and DL but also provide one new idea for prediction of CHF. It also can provide technical support to further promote the application of AI and its cross-disciplinary in related fields of nuclear engineering.

准确地预测临界热流密度对反应堆安全性和经济性具有十分重要的意义。传统的预测方法及神经网络法由于使用范围和算法自身的限制存在一定的局限性。预研结果表明基于支持向量机的预测方法在一定程度上能够提高预测精度。本项目拟将支持向量机与人工智能中新兴起的深度学习理论相结合，首先分析研究不同工况条件下的临界热流密度数据，建立相应的数据库并对其进行预处理，提取训练数据集；其次，研究支持向量机参数与训练速度优化问题，通过决策函数获取支持向量，并利用支持向量机对模型进行深度学习以达最佳效果；最后，分析重要参数的影响趋势，利用典型临界热流密度数据及经验公式，对比实验值进一步验证模型的可靠性。本项目的研究不仅能丰富和发展支持向量机及深度学习理论，同时也为临界热流密度预测提供一种新思路，为进一步推动人工智能理论及交叉学科在核工程相关领域的应用提供技术支持。

准确地预测临界热流密度对反应堆安全性和经济性具有十分重要的意义。传统的预测方法及神经网络法由于使用范围和算法自身的限制存在一定的局限性。预研结果表明基于支持向量机的预测方法在一定程度上能够提高预测精度。为此本项目提出了“用于临界热流密度预测的支持向量机深度学习研究”，以提高临界热流密度预测的精度。.本项目通过国家自然科学基金项目的支持，围绕智能方法在临界热流密度中的预测开展研究。首先，建立了基于非参数模型的数据预处理方法，并在2个实例中进行应用，结果表明了该方法具有预测精度高的可靠性。其次，针对支持向量机参数难以确定问题，使用蚁群优化算法对支持向量机的参数进行优化，结果表明和传统网格优化相比，该方法具有智能选择的功能，而且在CHF预测中有效地提高了精度。同时，建立了以高斯过程回归和蚁群优化算法相结合的混合预测模型，并将其应用于三种工况下的CHF预测中。结果表明了该方法的可靠性和有效性。最后，分析了CHF重要参数比如压力，流量等对其趋势的影响，并和实验值和其它方法的预测值进行了对比，结果表明该方法的预测结果更接近实验值，从而验证了该方法的可行性。.本项目的研究不仅能丰富和发展支持向量机及深度学习理论，同时也为临界热流密度预测提供一种新思路，为进一步推动人工智能理论及交叉学科在核工程相关领域的应用提供技术支持。