本发明的实施例涉及利用机器学习进行核临界安全分析的,具体涉及一种有效增值因子的预测方法。
背景技术:
1、这里的陈述仅仅提供与本发明有关的背景信息,而不必然地构成现有技术。在核材料的后处理过程中,生产工艺的临界安全问题较为突出,例如,在后处理厂化学分离系统中常用的混合澄清槽、脉冲萃取柱等容器内易出现的放射性溶液浓度分布不均的工况,即非均一工况。可以通过监测上述系统的有效增值因子,即keff值,来表征系统的临界安全特性。
技术实现思路
1、在下文中给出了关于本申请的简要概述,以便提供关于本申请的某些方面的基本理解。应当理解,这个概述并不是关于本申请的穷举性概述。它并不是意图确定本申请的关键或重要部分,也不是意图限定本申请的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
2、本发明的实施例提供一种有效增值因子的预测方法,用于预测浓度分布存在梯度变化的放射性溶液的有效增殖因子,该方法包括步骤:将待测的放射性溶液按照浓度梯度变化划分为多个区域,并获取每个区域的放射性溶液的体积和浓度;根据多个区域的放射性溶液的体积和浓度,确定待测的放射性溶液的浓度分布向量;获取多组样本数据,每组样本数据包括放射性溶液的浓度分布向量以及对应的有效增殖因子;构建神经网络,将样本数据输入至神经网络中,以训练并优化神经网络,其中,神经网络的输入为放射性溶液的浓度分布向量,输出为有效增殖因子;将待测的放射性溶液的浓度分布向量输入至优化后的神经网络,得到待测的放射性溶液的有效增殖因子的预测值。
3、本发明的实施例中的预测方法,通过构建优化神经网络,并利用样本数据不断训练和优化神经网络的结构和参数,以提高对浓度分布存在梯度变化的放射性溶液的有效增值因子的预测效率和准确性,从而实现有效增值因子的智能化预测,进而实现对临界安全的实时、动态检测。
1.一种有效增值因子的预测方法,其特征在于,用于预测浓度分布存在梯度变化的放射性溶液的有效增殖因子,其包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述获取多组样本数据,包括:
3.根据权利要求2所述的方法,其特征在于,所述根据所述放射性溶液的多个浓度分布向量,计算每个所述浓度分布向量下的放射性溶液的有效增殖因子,包括:
4.根据权利要求1所述的方法,其特征在于,所述构建神经网络,将所述样本数据输入至所述神经网络中,以训练并优化所述神经网络,包括以下步骤:
5.根据权利要求4所述的方法,其特征在于,还包括:训练之前,选择所述神经网络的损失函数并设定最大迭代次数;
6.根据权利要求5所述的方法,其特征在于,所述损失函数为多个样本数据的真实值与预测值的均方差;
7.根据权利要求4所述的方法,其特征在于,
8.根据权利要求7所述的方法,其特征在于,
9.根据权利要求4所述的方法,其特征在于,
10.根据权利要求9所述的方法,其特征在于,所述更新所述神经网络的迭代梯度,包括:
11.根据权利要求4所述的方法,其特征在于,还包括: