利用循环神经网络学习温度时间序列对液态金属反应堆加热区的监测
《Energies》:Monitoring of Liquid Metal Reactor Heater Zones with Recurrent Neural Network Learning of Temperature Time Series
Maria Pantopoulou,
Derek Kultgen,
Lefteri Tsoukalas and
Alexander Heifetz
【字体:
大
中
小
】
时间:2026年03月16日
来源:Energies 3.9
摘要
先进的高温流体反应堆,如钠快中子反应堆和熔盐冷却反应堆,会在常压下使用高温流体。为在反应堆启动时使流体熔化,并防止在冷却过程中流体结冰,这类反应堆的热工水力系统包含由特定加热器组成的加热区,这些加热器配有控制器、温度传感器以及隔热材料。若由于隔热材料老化或安装不当导致加热区出现寄生热损失,就有可能引发流体结冰。由于缺乏实验细节的相关信息,利用传热模型来检测故障较为困难。而基于数据驱动的机器学习方法可用于分析加热区的温度时间序列,是一种可行的替代方案。在本研究中,我们对比了循环神经网络在分析装在液态钠容器上的加热区升温瞬态温度时间序列时的性能。所使用的循环神经网络模型包括长短期记忆网络和门控循环单元网络,以及它们的双向变体——BiLSTM和BiGRU。通过针对去趋势后的温度时间序列中的残差波动应用百分位数阈值,来识别异常温度点。此外,还研究了指数加权移动平均法对检测精度的影响。我们通过精确度、召回率和F1分数等指标来评估循环神经网络模型的性能。测试结果表明,这些模型能够有效检测温度时间序列中的异常情况,其中表现最佳的模型在各个加热区的F1分数均超过93%。为了解释不同加热区上循环神经网络性能的差异,我们运用库尔贝克-莱布勒散度来量化训练数据与测试数据之间的相对熵,同时采用去趋势波动分析方法来评估长期时间相关性。对于那些具有较强长期相关性且训练数据与测试数据之间相对熵很小的数据集,GRU模型的性能最佳;当数据的长期相关性较弱,且训练数据分布与测试数据分布之间的相对熵较大时,BiGRU模型的性能最优;而对于库尔贝克-莱布勒散度和去趋势波动分析结果都处于中等水平的数据集,LSTM和BiLSTM模型的性能则最为出色。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号