مجله علوم، مهندسی و فناوری هسته‌ای

شناسایی بارگذاری و بهره‌برداری اشتباه از یک مجتمع سوخت در موقعیت نامناسب و در ابتدای سیکل سوخت رآکتور بوشهر با استفاده از شبکه عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

علی کللی
داود نقوی‌دیزجی
ایمان رمضانی
احسان ترابی‌میرزایی
ناصر وثوقی

دانشکده‌ی مهندسی انرژی، دانشگاه صنعتی شریف، صندوق پستی: 1114-14565، تهران - ایران

https://doi.org/10.24200/nst.2024.1647
چکیده
در این مقاله، یک شبکه عصبی مصنوعی به‌منظور شناسایی حادثۀ بارگذاری و بهره‌برداری اشتباه از یک مجتمع سوخت در موقعیت نامناسب در رآکتور هسته‌ای بوشهر طراحی می‌شود. بدین منظور، ابتدا خروجی‌های ناشی از بارگذاری اشتباه مجتمع‌های سوخت برای 54 آشکارساز نوترونی موجود در قلب رآکتور با استفاده شبیه‌ساز نویز نوترونی تولید شده و سپس با استفاده از آن‌ها به طراحی و آموزش پرسپترون چندلایه‌ای پرداخته می‌شود. ازآنجایی‌که چشمۀ نویز نوترونی ناشی از بارگذاری اشتباه دو مجتمع‌سوخت مجاور هم ترکیبی از دو چشمۀ نویز نوترونی جاذب با قدرت متغیر است، بنابراین ابتدا شناسایی موقعیت چشمه نویز نوترونی از نوع جاذب با قدرت متغیر انجام می‌شود. بدین منظور، شبکۀ عصبی مصنوعی با یک لایۀ مخفی طراحی‌ شده است که نتایج آن حدود 1‌% خطا با مقادیر خروجی مطلوب دارند. پس‌ازآن شناسایی موقعیت مجتمع‌های سوخت به اشتباه بارگذاری‌شده انجام می‌شود. برای این منظور شبکۀ عصبی مصنوعی با دو لایۀ مخفی طراحی‌ شده است که نتایج آن حدود 3‌% با مقادیر خروجی مطلوب اختلاف دارند. به‌طورکلی از نتایج چنین استنتاج می‌شود که با توجه به رابطه پیچیده و وابستگی نویز نوترونی به مکان آشکارسازها، استفاده از شبکه عصبی مصنوعی برای این شناسایی کارآمد است.

کلیدواژه‌ها

نویز نوترونی
پرسپترون چندلایه‌ای
حادثۀ بارگذاری اشتباه مجتمع‌های سوخت
رآکتور هسته‌ای بوشهر

عنوان مقاله English

Identification of inadvertent loading and operation of a fuel assembly in an improper position (ILOFAIP) at the beginning of BNPP fuel cycle using artificial neural network

نویسندگان English

A. Kolali
D. Naghavi Dizaji
I. Ramezani
E. Torabi Mirzaei
N. Vosoughi
Department of Energy Engineering, Sharif University of Technology, P.O.BOX: 14565-1114, Tehran - Iran
چکیده English

This paper presents the design of an artificial neural network (ANN) to identify the In-Core Loose Parts in the Instrumentation Position (ILOPAIP) in the Bushehr nuclear reactor. Initially, a neutron noise simulator generates the outputs for the 54 neutron detectors in the reactor core due to ILOPAIP. These outputs are then used to design and train a multilayer perceptron. The neutron noise source caused by ILOPAIP comprises two components: an absorber of variable strength type. Therefore, the first step involves determining the location of the neutron noise source of the absorber type with variable strength. An ANN with a hidden layer is designed to identify the location of this neutron noise source. The results show a deviation of about 1% from the desired output values. Subsequently, the location of ILOPAIP is identified using an ANN with two hidden layers. The results show a deviation of about 3% from the desired output values. Overall, the findings indicate that due to the complex relationship and the dependence of neutron noise on the location of the detectors, the use of ANN is effective for this identification.

کلیدواژه‌ها English

Neutron noise
Multi-layer perceptron
ILOFAIP
Bushehr nuclear reactor
  1. Hosseini S.A, Vosoughi N, Vosoughi J. Neutron noise simulation using ACNEM in the hexagonal geometry. Annals of Nuclear Energy. 2018;113:246-255.

 

  1. Dizaji D.N, Kolali A, Vosoughi N. Simulation of Neutron Noise Due to Inadvertent Loading of Two Adjacent Fuel Assemblies in the Core of Bushehr Reactor and Thermal-Hydraulic Analysis by Single Heating Channel Method. 26th Iran Nuclear Confrence. 2020 [In Persian].

 

  1. Hosseini S.A, Vosoughi N. On a various noise source reconstruction algorithms in VVER-1000 reactor core. Nuclear Engineering and Design. 2013;261:132-143.

 

  1. Allison C, Balabanov E, D'auria F.S, Jankowski M, Misak J, Camargo C.M, Salvatores S, Snell V. Accident analysis for nuclear power plants with pressurized water reactors. IAEA. 2003.

 

  1. Hosseini S.A, Vosoughi N. Noise source reconstruction using ANN and hybrid methods in VVER-1000 reactor core. Progress in Nuclear Energy. 2014;71:232-247.

 

  1. Tayefi S, Pazirandeh A, Saadi M.K. Time-frequency analysis of non-stationary neutron noise in a small modular nuclear reactor. Annals of Nuclear Energy. 2020;136:107009.

 

  1. Durrant A, Leontidis G, Kollias S. 3D convolutional and recurrent neural networks for reactor perturbation unfolding and anomaly detection. EPJ Nuclear Sciences & Technologies. 2019.

 

  1. Kolali A, Naghavi Dizaji D, Vosoughi N. Development of the SH3-ACNEM Simulator Program in order to Solving the Forward and Adjoint neutron Diffusion Equation for Hexagonal Geometry Reactor Cores. Journal of Nuclear Science and Technology. 2024;106(4):103-110. [In Persian]. doi.org/10.24200/nst.2023.436.1298.

 

  1. Haykin S. Neural networks: a comprehensive foundation. Prentice-Hall. Inc. 2007.

 

10.          Yegnanarayana B. Artificial Neural Networks. New Delhi: Rajkamal Electric Press. 2005.

صفحه اصلی