典型文献
基于卷积神经网络模型的堆芯有效增殖因数预测方法研究
文献摘要：
建立了基于卷积神经网络(convolution neural network,CNN)的深度学习模型,可用于直接预测反应堆堆芯有效增殖因数.对简化的2群压水反应堆(pressurized water reactor,PWR)进行堆芯数值计算,通过核反应堆堆芯数值模拟程序建立了组件截面数据库,得到原始数据,采用CNN模型对归一化的原始数据进行训练,最后得到替代数值计算方法的深度学习模型.此外,为验证CNN模型的预测性能,采用反向传播神经网络(back propagation neural network,BPNN)模型对原始数据进行了训练与测试.模型训练及测试结果分析表明:CNN预测模型性能要明显优于BPNN模型;CNN模型预测堆芯参数的平均相对偏差为0.251％.
文献关键词：
堆芯计算;数值方法;扩散方程;深度学习;卷积神经网络
中图分类号：
作者姓名：
张海明;张昊春
作者机构：
哈尔滨工业大学核科学与技术研究所,哈尔滨150001
文献出处：
引用格式：
[1]张海明;张昊春-.基于卷积神经网络模型的堆芯有效增殖因数预测方法研究)[J].现代应用物理,2022(02):59-64
A类：
B类：
卷积神经网络模型,convolution,neural,network,深度学习模型,直接预测,测反,反应堆堆芯,pressurized,water,reactor,PWR,核反应堆,模拟程序,原始数据,数值计算方法,预测性能,反向传播神经网络,back,propagation,BPNN,模型训练,模型性能,平均相对偏差,堆芯计算,数值方法,扩散方程
AB值：
0.342109
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
