基于机器学习的核电仪控系统关键芯片温度预测

作     者：汪凡雨 王东伟 邓强 赵阳 严浩 陈起 

作者机构：中国核动力研究设计院核反应堆系统设计技术重点实验室 

出 版 物：《西南交通大学学报》 (Journal of Southwest Jiaotong University)

年 卷 期：2024年

核心收录：

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

基　　金：国家自然科学基金(No.52105220) 四川省自然科学基金(2022NSFSC1950) 

主　　题：核安全级仪控系统 热学特性 芯片温度 有限元分析 机器学习 

摘      要：对核安全级仪控系统的控制保护柜在不同环境温度下开展试验，探索柜内热学特性与关键芯片（CPU和FPGA）的稳态温度（steady-state temperature，SST）变化特征。利用有限元分析模拟试验过程，并同试验结果进行对比以验证模型准确性。进而基于有限元模型模拟不同工况下的芯片SST值并生成样本集，采用四种不同的机器学习算法对不同工况下的CPU和FPGA的SST进行预测。研究结果表明，在环境温度为20℃时，CPU和FPGA的SST分别为37.5℃和33.5℃；而当环境温度为55℃时，CPU和FPGA的SST上升至为72℃和68℃。有限元分析结果能够很好地模拟试验现象，计算所得芯片SST同试验结果吻合较好。利用有限元模型计算得到100组工况下CPU和FPGA的SST值，采用M-SVR、XGBoost、ANN以及BRR四种算法，对不同工况下CPU和FPGA的SST进行学习预测。结果表明，四种算法模型均能够对芯片SST进行预测，其中ANN算法在测试集上的预测性能最佳，其MSE值小于0.15%，R2大于0.99，泛化能力最强。相比之下，其他三种模型对于高SST的样本预测虽然表现出较好的预测性能，但是对于低SST样本的预测误差较大，尤其是XGBoost模型，其预测误差高达3.65℃。本研究为核安全级控制系统的芯片SST预测提供了一种新方法，为提高核级仪控系统的可靠性提供理论基础。