[发明专利]一种预测核电设备接管应力的方法及系统

说明书

本发明涉及一种预测核电设备接管应力的方法及系统，包括：(1)通过多个项目的接管有限元分析结果，将接管参数与接管应力结果关联，建立接管参数与有限元应力结果数据库；(2)选取机器学习算法模型，利用接管参数与有限元应力结果数据库中的数据样本，对算法模型进行训练，得到预测接管应力模型；(3)向预测接管应力模型中输入接管特征参数，通过模型计算得到接管应力预测结果。本发明将接管模型参数化后与接管应力结果关联，根据多个项目的数据结果，通过机器模型训练得到预测模型，无需额外的公式计算、有限元模拟计算等繁杂操作。本发明可以快速可靠的给出接管模型应力，同时利用程序自动优化，简便易操作，具有高效率、低错误率的优点。

技术领域

本发明涉及机械设备的力学计算分析技术，具体涉及一种基于机器学习的核电设备接管应力预测方法及系统。

背景技术

容器等设备在核领域的后处理厂、核电项目中广泛应用，在一定压力与温度条件下工作，需要确保其压力边界条件的稳定。随着容器设备大型化、高参数化，接管及附件等引入较大的局部外载荷，往往一个设备多达几十个管嘴，这就导致其局部模型计算量的增大。通常一个简单的接管结构如图1所示，具有一系列特征参数，如接管长度、接管外径、接管厚度等。虽然接管载荷仅影响与壳体连接的附近局部区域，但会产生较高的局部应力。过大的局部应力将影响设备的安全平稳运行，将导致压力容器强度或稳定性失效。在交变载荷作用下，产生的局部应力再叠加上压力载荷的应力易使容器产生疲劳裂纹，并可能最终导致疲劳失效。

基于上述原因，计算设备承受的局部载荷作用下容器各管嘴的局部应力显得十分重要。需要从应力和强度上很好地考虑基本受压部件组合成容器整体时带来的各种局部应力、应力强度校核、结构设计等问题。

机器学习使计算机能够通过学习执行任务，进行预测，该领域从实现人工智能转变为解决实际问题，从统计学和概率论中借鉴方法和建立模型。目前，人工智能中的机器学习已广泛应用于工业工程项目，包括图像识别、分类、文本挖掘、预测、异常检查、关联规则挖掘、聚类、回归、模式发现、序列模式分析以及社会网络分析等，其中预测和聚类是最常用的方法。系统考虑应用积累的接管计算数据预测接管结果，基于统计的方法迅速判定该管嘴是否满足规范设计要求。

发明内容

本发明的目的是提供一种预测核电设备接管应力的方法及系统，基于积累的多个工程项目的接管有限元计算结果，将已有的遵照核电规范设计的接管参数与接管应力值关联，利用机器学习方法预测出接管应力结果。

本发明的技术方案如下：一种预测核电设备接管应力的方法，包括：

(1)通过多个项目的接管有限元分析结果，将接管参数与接管应力结果关联，建立接管参数与有限元应力结果数据库；

(2)选取机器学习算法模型，利用接管参数与有限元应力结果数据库中的数据样本，对算法模型进行训练，得到预测接管应力模型；

(3)向预测接管应力模型中输入接管特征参数，通过模型计算得到接管应力预测结果。

进一步，如上所述的预测核电设备接管应力的方法，步骤(1)中所述接管参数包括接管长度、接管外径、接管厚度、容器厚度、载荷、温度、压力。

进一步，如上所述的预测核电设备接管应力的方法，步骤(2)中所述机器学习算法模型包括如下模型中的一个或多个：线性回归模型、非线性回归模型、最近邻算法(KNN)、支持向量机(SVM)、多层感知器(MLP)、随机森林(RF)、梯度提升模型。

进一步，如上所述的预测核电设备接管应力的方法，步骤(2)中依据可决系数和均方根误差对机器学习算法模型进行评价，并对机器学习算法的参数进行调整和优化，

所述可决系数R²定义如下：