Artificial neural networks for spatial distribution of fuel assemblies in reload of PWR reactors
DOI:
https://doi.org/10.15392/bjrs.v7i2B.770Palavras-chave:
Artificial Neural Networks, Computational Intelligence, Nuclear Reactors, PWRResumo
An artificial neural network methodology is being developed in order to find an optimum spatial distribution of the fuel assemblies in a nuclear reactor core during reloading. The main bounding parameter of the modeling was the neutron multiplication factor, keff. The characteristics of the network are defined by the nuclear parameters: cycle, burnup, enrichment, fuel type, and average power peak of each element. As for the artificial neural network, the ANN Feedforward Multi_Layer_Perceptron with various layers and neurons were constructed. Three algorithms were used and tested: LM (Levenberg-Marquardt), SCG (Scaled Conjugate Gradient) and BayR (Bayesian Regularization). The artificial neural network has implemented using MATLAB 2015a version. As preliminary results, the spatial distribution of the fuel assemblies in the core using a neural network was slightly better than the standard core.
Downloads
Referências
AUGUSTO, C. S. P. JOÃO, NICOLAU, S. ANDRESSA, SCHIRRU, ROBERTO. PSO with Dynamic Topology and Random Keys method applied to Nuclear Reactor Reload, Brazil, 2015, Vol. 83, pp. 191-196.
BABAZADEH, DAVOOD, BOROUSHAKI, MEHRDAD, LUCAS CARO. Optimization Of Fuel Core Loading Pattern Design In: VVER Nuclear Power Reactors Using Particle Swarm Optimization (PSO), 2009, Iran, Elsevier, vol. 23, pp. 923-930.
CACUCI, D.G. Handbook of Nuclear Engineering, Springer Verlag, Alemanha, 2013.
CHAPOT, L. C. JORGE, SILVA, C. FEANNNDO, SCHIRRU, ROBERTO. A New Ap-proach to the Use Of Genetic Algorithms to Solve the Pressurized Water Reactor's Fuel Management Optimization Problem, Brazil, 1999, Pergamon, Vol. 26, pp. 641-651.
COCHRAN, Robert G. Tsoulfanidis, Nicholas. The Nuclear Fuel Cycle: Analysis and Man-agement, American Nuclear Society, 1999.
CHUNHUI DAI, XINYU WEI, YUN TAI, FUYU ZHAO, The Optimum Design of Power Distribution For Pressurized Water Reactor, China, 2012, Vol. 50, pp. 126-132.
DUDERSTADT, James and Louis J. Hamilton. Nuclear Reactor Analysis, Wiley, NY, 1976.
ERDOGAN, ADEM MELIH, GEC. A PWR Reload Optimization Code Using Artificial Neural Networks and Genetic Algorithms, Turkey, 2003, Elsevier, Vol. 30, pp. 35-53.
FARIA, EDUARDO FERNANDES, Otimização da Distribuição Espacial de Combustíveis Reprocessados Utilizando Técnicas de Redes Neurais, Dissertação, Ciências Técnicas Nucleares da Universidade Federal de Minas Gerais, Brazil, 1999.
FARIA, F. EDUARDO, PEREIRA, CLAUBIA. Nuclear Fuel Loading Pattern Optimization Using A Neural Network, Brazil, 2003, Pergamon, Vol. 30, pp. 603-613.
FOSTER, Artur R., Basic Nuclear Engineering, Third Edition, 1977.
GLADSTONE, Samuel. Ingenieria de Reactores Nucleares, Editorial Reverté, Barcelona, 1975.
GONZALVEZ, JOSÉ. Sensitivity study on e termining an efficient set of fuel assembly parameters in training data for designing of neural networks in hybrid genetic algorithms, Spain, 2005, Elsevier, Vol. 33, pp. 457-465.
HAYKIN, Simon. Neural Networks and Learning Machines, 3ª edição, New Jersey, Prentice Hall, 2009.
LEWIS, Elmer E. Fundamentals of Nuclear Reactor Physics, Academic Press, 1ª edição, 2008.
NICOLAU, S. ANDRESSA, SHIRRU, ROBERTO, LIMA, M. M.,ALAN. Nuclear Reactor Reload Using Quantum Inspired Algorithm, Brazil, 2012, Elsevier, Vol. 55, pp. 40-48.
OLIVEIRA, M. IONÁ, SCHIRRU, ROBERTO. Swarm Intelligence of Artificial Bees Applied To In-Core Fuel Management Optimization, Brazil, 2011, Vol. 38, pp. 1039-1045.
ORTIZ, J. JOSE, REQUENA, IGNACIO. Using A Multi-State Recurrent Neural Network To Optimize Loading Patterns In Bwrs, Spain, 2004, Elsevier, Vol. 31, pp. 789-803.
POURSALEHI, N, ZOLFAGHARI, MINUCHEHR. Multi-Objective Loading Pattern En-hancement Of PWR Based on the Discrete Firefly Algorithm, Teerã, Elsevier, 2012, Vol. 57, pp. 151-163.
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2019 Brazilian Journal of Radiation Sciences
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Declaro que o presente artigo é original, não tendo sido submetido à publicação em qualquer outro periódico nacional ou internacional, quer seja em parte ou em sua totalidade. Declaro, ainda, que uma vez publicado na revista Brazilian Journal of Radiation Sciences, editada pela Sociedade Brasileira de Proteção Radiológica, o mesmo jamais será submetido por mim ou por qualquer um dos demais co-autores a qualquer outro periódico. Através deste instrumento, em meu nome e em nome dos demais co-autores, porventura existentes, cedo os direitos autorais do referido artigo à Sociedade Brasileira de Proteção Radiológica, que está autorizada a publicá-lo em meio impresso, digital, ou outro existente, sem retribuição financeira para os autores.
Licença
Os artigos do BJRS são licenciados sob uma Creative Commons Atribuição 4.0 Licença Internacional, que permite o uso, compartilhamento, adaptação, distribuição e reprodução em qualquer meio ou formato, desde que você dê o devido crédito ao (s) autor (es) original (is) e à fonte, forneça um link para a licença Creative Commons, e indique se mudanças foram feitas. As imagens ou outro material de terceiros neste artigo estão incluídos na licença Creative Commons do artigo, a menos que indicado de outra forma em uma linha de crédito para o material. Se o material não estiver incluído no licença Creative Commons do artigo e seu uso pretendido não é permitido por regulamentação legal ou excede o uso permitido, você precisará obter permissão diretamente do detentor dos direitos autorais. Para visualizar uma cópia desta licença, visite http://creativecommons.org/licenses/by/4.0/
