[发明专利]一种基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法

说明书

本发明涉及一种基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法，包括步骤：随机抽样；数据预处理；分割数据集；搭建XGBoost模型。本发明的有益效果是：本发明旨在提出一种基于XGBoost的堆内构件螺栓可靠性评估方法，XGBoost泛化性能好、适用范围广、对于输入输出条件不敏感并且易于扩展，只需要历史发生数据，无需依赖任何函数公式，就可以得到自变量与因变量直接的关系；高效的实现了GBRT算法，解决了GBRT无法并行的问题；本发明通过使用基于原数据概率分布的大量随机取值，进行数据扩充；本发明为核电企业提供一种可靠、精确的堆内螺栓寿命预测模型，从而合理减少零件备用量，为企业减轻库存负担。

技术领域

本发明属于核电站堆内构件技术领域，尤其涉及一种基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法。

背景技术

堆内构件螺栓承担着部件连接和固定等作用，其安全性和可靠性直接关系到反应堆的安全和效率。与普通螺栓不同的是，堆内螺栓所处环境恶劣，长期处于高温、高压和水腐蚀，特别是强中子辐照环境中，以辐照促进应力腐蚀开裂(IASCC)为代表的促应力腐蚀时有发生。随着使用时间的延长，裂纹长度逐渐扩大，裂纹尖端应力强度因子逐渐增加，最终应力强度因子超过螺栓材料的断裂韧度，螺栓发生断裂失效。核电厂通常会备有大量零件库存，这样会使企业大量流动资金被占用和产生大量库存管理成本。为了在保证反应堆安全运营的前提下，尽可能的减少库存是一个需要解决的问题。

但对于核电企业，以秦山核电为例。秦山核电拥有9台机组、4种机型，因此每座反应堆的实际情况各不相同，使用螺栓的情况也不一样。对于这种情况，需要一个泛化性能好、预测精度高的基于数据驱动的寿命预测模型。

由于实际不存在螺栓发生断裂再进行更换的情况。所以促应力腐蚀条件下损坏的螺栓数据不多，会加大数据驱动模型的训练难度。

基于以上的困难条件下，传统概率论和数理统计方法将很难适应于这些条件。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法。

这种基于XGBoost机器学习的核反应堆内螺栓可靠性评估方法，包括以下步骤：

步骤1、基于Monte Carlo直接抽样方法对堆内螺栓使用寿命数据进行随机抽样；由于原始数据的数量较少，不利于数据驱动模型的构建，再根据Monte Carlo直接抽样方法抽样的概率分布，随机取设定数量个堆内螺栓使用寿命数据值，用于扩充数据，优化模型训练；

步骤2、数据预处理：由于不同物理量的量纲不同，需将步骤1采集得到的原始状态参数(堆内螺栓使用寿命数据值)进行标准化处理，以保证后续模型训练的效率，将不同的物理量无量纲化：

上式中，为标准化值；x为原始值；μ为均值；σ为标准层，数值区间为[-1,1]；

步骤3、分割数据集：按设定比例将数据集划分为训练集和预测集；

步骤4、搭建XGBoost模型(堆内螺栓寿命预测模型)，采用训练集对XGBoost模型进行训练；

步骤5、将预测集数据代入XGBoost模型进行预测；

步骤6、将预测数据与真实数据作对比，评估XGBoost模型准确性：为了衡量模型预测的准确性，使用RMSE、R²-Score和整体平均准确率来衡量XGBoost模型的准确性；使用起裂-断裂时间的公式来计算实际断裂时间真实值，验证预测的准确率：