Proposta de utilização de redes neurais feedforward multicamadas para a otimização de padrões de recarga do combustível em um reator PWR
DOI:
https://doi.org/10.15392/bjrs.v7i3A.834Palavras-chave:
Reator PWR, Redes neurais artificiais, Carga de combustívelResumo
O gerenciamento de recarga de combustível em um reator de potência tem como principal foco o padrão de recarga no núcleo de modo a alcançar melhor rendimento no ciclo observando todos os parâmetros de segurança adotados. Neste artigo apresentamos a estratégia de um algoritmo baseado em redes neurais artificiais que poderia ser usado para otimizar a recarga de combustível num reator nuclear. A ideia é apresentar uma metodologia baseada em rede neural feedforward multicamadas baseada em neurônios multi-valorados, que poderá ser usada para desenvolver uma metodologia capaz de escolher as melhores combinações que satisfaçam o fator de pico de potência radial e maximizem o fator de multiplicação efetivo no início do ciclo, e também satisfaçam a relação de potência crítica mínima e taxa máxima de geração de calor no final do ciclo.
Downloads
Referências
H. G. KIM, S. H. CHANG, AND B. H. LEE, Optimal Fuel Loading Pattern Design Using an Artificial Neural Network and a Fuzzy Rule-Based System, Nuclear Science and Engineering, v. 115, p. 152–163, 1993.
R. CARMONA, C. MARTIN-DEL-CAMPO, I. OROPEZA, AND J.-L. FRANOIS, Genetic algorithm approach for radial fuel lattice optimization in BWRS, American Nuclear Society, vol. 1, p. 323-333, 2009.
E. F. FARIA AND C. PEREIRA, Nuclear fuel loading pattern optimisation using a neural network, Annals of Nuclear Energy, v. 30, p. 603–613, 2003.
C. LIN, J.-I. YANG, K.-J. LIN, AND Z.-D. WANG, Pressurized Water Reactor Loading Pattern Design Using the Simple Tabu Search, Nuclear Science and Engineering, v. 129, p. 61–71, 1998.
T. ŠMUC, D. PEVEC, AND B. PETROVIC, Annealing strategies for loading pattern optimization, Annals of nuclear energy, v. 21, p. 325–336, 1994.
I. AIZENBERG AND C. MORAGA, Multilayer feedforward neural network based on multi-valued neurons (MLMVN) and a backpropagation learning algorithm, Soft Computing, v. 11, p. 169–183, 2007.
E. M. AZOFF, Neural network time series forecasting of financial markets. John Wiley & Sons, Inc., 1994.
M. T. HAGAN, H. B. DEMUTH, M. H. BEALE, AND O. DE JESUS, Neural network design, v. 20. Pws Pub. Boston, 1996.
J. J. ORTIZ AND I. REQUENA, Using a multi-state recurrent neural network to optimize loading patterns in BWRs, Annals of Nuclear Energy, v. 31, p. 789–803, 2004.
M. HLAVÁČEK, Multilayer feedforward neural networks based on multi-valued neurons, PhD Thesis, Masarykova univerzita, Fakulta informatiky, 2014.
DOWNAR, T. et al., PARCS v2.7 U.S. NRC Core Neutronics Simulator User Manual, School of Nuclear Engineering Purdue University, 2006.
M. HLAVACEK, Machine learning tool: simulator of multi-layered neural network (like MLP) with multi-valued neurons. - MiraHead/mlmvn. 2018.
WIMSD-5B, 2007 - RSICC Computer Code Collection WIMSD-5B.12 – Deterministic
Code System for Reactor-Lattice Calculations – Oak Ridg National Laboratory, 2007.
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/
