基于机器学习的朝下表面沸腾换热研究

作     者：张君峰 

作者单位：华北电力大学(北京) 

学位级别：硕士

导师姓名：钟达文

授予年度：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 0827[工学-核科学与技术] 082701[工学-核能科学与工程] 0811[工学-控制科学与工程] 

主      题：压力容器外部冷却 朝下表面 机器学习 临界热流密度 沸腾状态 支持向量机 多层感知机 卷积神经网络 

摘      要：当压水堆核电站发生严重事故时,如果堆芯熔融物的热量不能有效导出,压力容器下封头将会被熔穿,进而威胁到安全壳的完整性,安全壳做为防止放射性溢出的最后一道屏障,一旦其完整性遭到破坏将会引发严重的放射性泄漏事故。熔融物堆内滞留策略(In-Vessel Retention,IVR)被包括 AP1000、HPR1000 以及 CAP1400在内的先进压水堆所采用以将熔融物滞留在压力容器内部,通过向压力容器外堆腔注水带走熔融物热量的压力容器外部冷却技术(External Reactor Vessel Cooling,ERVC)是实现IVR策略的重要方法,其实现的关键是下封头不同位置的热负荷要低于相应位置沸腾换热的临界热流密度(Critical Heat Flux,CHF),故朝下表面沸腾换热研究已成为国内外核电站安全技术领域的研究热点之一。朝下表面沸腾换热研究经过多年的发展,已经积累了相当数量的实验数据,但针对朝下表面沸腾换热研究仍存在诸多困难,如目前所提出CHF关联式的应用范围都较为有限,传统的方法需要人为判别沸腾换热传热区域,且难以通过无接触式测量实现实时的热流密度预测。近年来随着计算机处理能力的增加,机器学习方法在沸腾换热领域的应用潜力被研究人员发现。因此本研究将基于机器学习方法,获得一个预测范围更广的朝下表面池沸腾CHF预测模型,还将通过实验记录沸腾过程,使用机器学习方法对气泡动态图像进行处理和分析,实现沸腾换热传热区域的分类以及热流密度的预测。本研究收集了已发表朝下表面池沸腾换热试验的CHF数据,采用随机森林、ε型支持向量机(ε-Support Vector Machine,ε-SVM)、多层感知机(Multilayer Perceptor,MLP)对CHF开展了预测分析,结果显示ε-SVM模型对测试数据的预测获得最低的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE),2.0785%,并揭示了倾角、表面尺寸、材料和压力等参数对CHF的影响规律,且该模型的应用范围以及预测准确率高于现有的关联式,为朝下表面池沸腾CHF的预测提供了新思路。本研究分别采用MLP和卷积神经网络(Convolutional Neural Network,CNN)对朝下表面池沸腾换热的传热区域进行了识别和分类预测,结果显示CNN可以在更低的图像分辨率下以更高的准确率对沸腾传热区域进行分类,即使图像分辨率低至16px×9 px,只要参数设置合理,CNN仍能以99.7%的准确率完成分类,同时分析了全连接层神经元的个数、卷积核的个数以及图像分辨率对模型预测结果的影响规律。当图像分辨率为16px× 9px时,模型预测准确率随倾角的增加而增加,这是由于沸腾表面越接近水平向下,汽泡更易于聚集成团,且呈扁平特征,难以逃逸离开表面,且此时图像包含的特征也较少。MLP模型可以依据包含汽泡信息的图像进行热流密度的预测,对倾角为30°、45°、60°下的测试图像,预测结果的MAPE分别为4.51%、3.13%和4.89%。本研究还根据热流密度的大小对热流密度进行分段预测,结果显示分段预测时模型的准确率更高,且高热流密度段的预测偏差要高于低热流密度段。现有的研究成果对深入理解各种参数对朝下表面池沸腾换热CHF的影响有重要价值,为机器学习方法在朝下表面沸腾换热领域,尤其是基于图像的沸腾换热传热区域分类以及热流密度预测提供了新思路。