买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安交通大学

摘要：本发明公开了一种基于QPSO‑LSTM的安全壳内部温度场预测方法，步骤如下：1、采集不同破口尺寸的LOCA工况下安全壳内部温度场信息作为训练集和测试集，并进行归一化；2、初始化长短期记忆神经网络LSTM模型参数；3、利用量子粒子群算法QPSO优化LSTM的模型参数；4、将经QPSO优化后的参数传递至LSTM模型；5、利用数据集对LSTM模型进行训练和测试；6、保存QPSO‑LSTM模型；7、预测LOCA工况下安全壳内部温度场。本发明方法可以根据事故后一段时间内的温度数据，预测无干预预措施时未来安全壳内部温度场，为事故处置现场的工作人员提供可靠参考，对提升核反应堆安全性具有重要意义。

主权项：1.一种基于QPSO-LSTM的安全壳内部温度场预测方法，其特征在于：包括如下步骤：步骤1：数据采集和归一化，具体包括如下内容：1建立安全壳的几何模型并将安全壳内部划分为N个节点，确定M个LOCA事故工况下的源项初始参数，包括破口位置、破口处蒸汽质量流量、破口蒸汽焓值和蒸汽喷放持续时间：2使用GOTHIC程序计算事故触发后0-P秒内安全壳内部温度场作为数据集样本；3将数据集样本划分为训练集样本和测试集样本；4采用标准归一化算法对所有样本数据进行归一化： Tnorm——归一化后的数据，K；T——未归一化的数据，K；μ——所有样本数据的均值，K；σ——所有样本数据的标准差，K；步骤2：初始化LSTM模型参数，具体包括如下内容：使用前m个时刻安全壳内部温度场预测后m+1个时刻的温度场；初始化LSTM模型输入层节点数、输出层节点数、两个隐藏层节点数、迭代次数和学习率；步骤3：采用QPSO算法优化LSTM模型，具体包括如下内容：1初始化QPSO粒子群的种群规模、迭代次数、空间维度；2因为寻优参数包括LSTM模型中的隐藏层节点数、学习率和迭代次数，故随机初始化两个隐藏层节点数、学习率和迭代次数对应粒子的速度和位置；3利用训练集数据对LSTM模型进行训练，使用测试集数据评估LSTM模型的性能，选取均方根误差RMSE作为粒子适应度函数： 式中：n——样本总量；Xpredi——第i个样本的温度场预测值；Xacti——第i个样本的温度场实际值；4更新粒子的历史最优位置与全局最优位置；5采用下式计算所有粒子的平均最优位置； 式中：Mbest——粒子的平均最优位置；M——粒子群的规模；pbest_i——当前迭代中第i粒子的历史最优位置；6更新各粒子的位置；Pi＝φ·pbest_i+1-φgbest 式中：xi——第i个粒子更新后的位置；α——创新参数，不大于1；φ——0,1区间内的数值；u——0,1区间内的数值；Pi——局部吸引因子；xi0——第i个粒子的初始位置；gbest——当前全局最优粒子；上式中，+和-的概率均为0.5；7判断是否达到最大迭代次数，若是，则到步骤4；否则回到步骤3中的3；步骤4：选择具有最佳适应度值的粒子作为最优解，将粒子所对应的参数向量包括隐藏层节点数、学习率和迭代次数输入至LSTM模型中，构建QPSO-LSTM模型；步骤5：对QPSO-LSTM模型中的LSTM模型进行训练和测试，具体内容包括：1使用训练集对LSTM模型进行训练；2使用训练好的LSTM模型预测测试集样本温度场；3计算测试集样本温度场预测值与温度场实际值的均方根误差RMSE、平均绝对误差MAE、平均相对百分误差MAPE和决定系数R2作为LSTM模型评价指标； 式中： ——所有样本的温度场实际值的平均值；4判断上述所有LSTM模型评价指标是否同时满足要求，若是则到步骤6；否则，回到步骤3；步骤6：保存步骤5中得到的QPSO-LSTM模型；步骤7：针对任意LOCA工况，使用QPSO-LSTM模型预测安全壳内部温度场。

全文数据：

权利要求：

百度查询： 西安交通大学 一种基于QPSO-LSTM的安全壳内部温度场预测方法