一種基于bp神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演方法
【專利摘要】本發(fā)明公開了一種基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的方法，包括以下步驟：建立基于BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的核事故源項反演模型，確定輸入、輸出層的神經(jīng)元個數(shù)；確定該模型中的隱含層數(shù)；對該模型初始化，訓(xùn)練該模型，確定最優(yōu)參數(shù)；得到最終用于核事故源項反演的BP神經(jīng)網(wǎng)絡(luò)算法的模型。該方法綜合考慮了核事故源項反演的重點核素以及影響源項的因素，選用雙隱含層，提高神經(jīng)網(wǎng)絡(luò)的泛化能力，保證映射關(guān)系的正確實現(xiàn)，能夠較準確的反演出核事故中碘-131和銫-137的釋放率以及釋放高度，為核事故后果評價及應(yīng)急決策提供了更可靠的依據(jù)。
【專利說明】-種基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種核事故源項反演方法，尤其是一種基于BP神經(jīng)網(wǎng)絡(luò)算法的核事 故源項反演的方法。

【背景技術(shù)】
[0002] 日本福島第一核電站發(fā)生的嚴重核事故，造成大量放射性物質(zhì)釋放。這起事故說 明：事故源項的不確定性會導(dǎo)致核事故級別難以確定，從而影響了應(yīng)急措施決策的科學(xué)性， 因此必須制定合理可行的源項反演方法。
[0003] 在核事故應(yīng)急響應(yīng)過程中，為了更好的保護公眾和環(huán)境，及時采取應(yīng)急措施，首先 需對事故過程中源項進行預(yù)判。而福島第一核電廠受地震及海嘯襲擊后，機組設(shè)備及信息 傳輸系統(tǒng)損傷嚴重，無法及時獲取事故機組的重要安全參數(shù)，難以通過堆芯損傷狀態(tài)進行 事故釋放源項的分析。但是，在核事故期間，周邊環(huán)境監(jiān)測設(shè)施能夠正常運轉(zhuǎn)，且事故發(fā)生 幾天后日本開展了大量的放射性核素空氣濃度監(jiān)測，這為利用環(huán)境監(jiān)測數(shù)據(jù)反演核事故源 項提供了條件。
[0004] 目前，核事故源項反演方法有很多，例如，最優(yōu)插值法，通常是針對線性系統(tǒng)的單 變量進行分析，應(yīng)用簡單，但對復(fù)雜情況的處理能力不足；遺傳算法，可簡單地與其他擴散 模式相結(jié)合，給出源強與濃度之間的直接關(guān)系，通用性強，但是在實際應(yīng)用中，遺傳算法容 易產(chǎn)生早熟收斂的問題。采用何種選擇方法既要使優(yōu)良個體得以保留，又要維持群體的多 樣性，一直是遺傳算法中較難解決的問題；卡爾曼濾波及由其發(fā)展得到的擴展卡爾曼濾波， 需預(yù)先確定模式的預(yù)報誤差和觀測誤差，但計算花費較大。
[0005] 人工神經(jīng)網(wǎng)絡(luò)是近年來再度興起的一種研究方法，應(yīng)用誤差反傳算法的BP (Back propagation)神經(jīng)網(wǎng)絡(luò)具有很強的處理非線性問題的能力，因其具有高度容錯性、自組織、 自適應(yīng)和自學(xué)習(xí)功能，常用于研究復(fù)雜的非線性預(yù)測問題，如水庫入庫水量預(yù)測的非線性 系統(tǒng)研究、每年煤炭需求的預(yù)測、煤與瓦斯突出預(yù)測問題等。


【發(fā)明內(nèi)容】

[0006] 發(fā)明目的：為了克服現(xiàn)有技術(shù)中存在的不足，本發(fā)明提供一種基于BP神經(jīng)網(wǎng)絡(luò)算 法的核事故源項反演方法，能夠快速的進行源項反演，準確的反演出核事故源項。
[0007] 技術(shù)方案：為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：
[0008] -種基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的方法，包括以下步驟：
[0009] 1)核事故源項作為目標信號；根據(jù)核事故設(shè)施周圍的監(jiān)測數(shù)據(jù)以及國際輻射評 價系統(tǒng)確定影響源項反演的因素，影響源項反演的因素作為輸入特征變量；根據(jù)目標信號 和輸入特征變量構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型，所述目標信號 作為所述網(wǎng)絡(luò)模型的輸出層，輸入特征變量作為所述網(wǎng)絡(luò)模型的輸入層；
[0010] 2)確定所述基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型中的隱含層數(shù)， 并設(shè)定各隱含層的初始單元個數(shù)；
[0011] 3)所述基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型初始化；根據(jù)核事故 環(huán)境監(jiān)測的歷史數(shù)據(jù)得到訓(xùn)練樣本和測試樣本，訓(xùn)練樣本和測試樣本均進行數(shù)據(jù)預(yù)處理；
[0012] 4)用預(yù)處理過后的訓(xùn)練樣本對該網(wǎng)絡(luò)模型進行訓(xùn)練，然后逐一增加隱含層的單元 個數(shù)并重復(fù)訓(xùn)練，根據(jù)每次的訓(xùn)練結(jié)果比較模型中BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練所需的時間以及測 試誤差，確定最終隱含層的單元個數(shù)；
[0013] 5)用測試樣本對基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型進行源項反 演的測試；
[0014] 6)根據(jù)測試結(jié)束后得到的網(wǎng)絡(luò)模型反演核事故源項。
[0015] 進一步的，所述目標信號為釋放高度、碘-131的釋放率和銫-137的釋放率，因此 確定輸出層的神經(jīng)元數(shù)量為3 ;所述輸入特征變量為核事故場外監(jiān)測點的風速、大氣穩(wěn)定 度、風向、降水類型、順風距離和Y輻射劑量率b，因此確定輸入層的神經(jīng)元數(shù)量為6。
[0016] 進一步的，在步驟2)中，所述隱含層數(shù)為兩層。
[0017] 進一步的，在步驟4)中，在該網(wǎng)絡(luò)模型重復(fù)訓(xùn)練中加入動量因子。
[0018] 進一步的，在步驟3)中，數(shù)據(jù)預(yù)處理包括采用premnmx函數(shù)對該網(wǎng)絡(luò)模型中的輸 入層和輸出層的數(shù)據(jù)進行歸一化處理，使其分布在-1?1之間。
[0019] 有益效果：
[0020] (1)核電站事故后果評價具有很多不確定性因素，其中釋放源項及大氣擴散是計 算結(jié)果與真實值之間存在一定偏差的主要原因。而本發(fā)明的網(wǎng)絡(luò)模型是基于BP神經(jīng)網(wǎng)絡(luò) 模型建立的，不需要考慮大氣擴散等復(fù)雜過程，可根據(jù)事故場外監(jiān)測點得到的環(huán)境監(jiān)測數(shù) 據(jù)快速的進行源項反演。
[0021] (2) -種基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型中隱含層數(shù)為兩層， 雙隱含層網(wǎng)絡(luò)的估計誤差比單隱含層網(wǎng)絡(luò)小，雙隱含層網(wǎng)絡(luò)的泛化能力較高，保證了映射 關(guān)系的正確實現(xiàn)。
[0022] (3)在基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型循環(huán)訓(xùn)練過程中網(wǎng)絡(luò) 容易陷入局部最小而不能達到預(yù)期的訓(xùn)練誤差，因此加入動量因子來調(diào)節(jié)反饋，使網(wǎng)絡(luò)重 新震蕩起來。
[0023] (4)數(shù)據(jù)預(yù)處理是為了減少對網(wǎng)絡(luò)模型的訓(xùn)練的權(quán)值產(chǎn)生影響的奇異樣本，從而 減少奇異樣本對本發(fā)明的網(wǎng)絡(luò)模型的性能的影響，保證程序運行時收斂加快。

【專利附圖】

【附圖說明】
[0024] 圖1為源項反演模型的設(shè)計流程圖；
[0025] 圖2為神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)圖；
[0026] 圖3為碘-131釋放率的相對誤差圖；
[0027] 圖4為銫-137釋放率的相對誤差圖；
[0028] 圖5為釋放高度的相對誤差圖。

【具體實施方式】
[0029] 下面結(jié)合附圖對本發(fā)明作更進一步的說明。
[0030] 本發(fā)明的設(shè)計流程圖如圖1所示，它包括以下步驟，具體實施如下：
[0031] 1)核事故源項作為目標信號；根據(jù)核事故設(shè)施周圍的監(jiān)測數(shù)據(jù)以及國際輻射評 價系統(tǒng)確定影響源項反演的因素，影響源項反演的因素作為輸入特征變量；根據(jù)目標信號 和輸入特征變量構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型，目標信號作為 所述網(wǎng)絡(luò)模型的輸出層，輸入特征變量作為所述網(wǎng)絡(luò)模型的輸入層；
[0032] 核電站事故后果評價具有很多不確定性因素，其中釋放源項及大氣擴散是計算結(jié) 果與真實值之間存在一定偏差的主要原因。核源項反演本身是一個復(fù)雜的非線性問題，故 可以應(yīng)用BP神經(jīng)網(wǎng)絡(luò)來進行源項反演。其模型結(jié)構(gòu)的確定，需考慮對核事故源項反演影響 重要的變量因素，分析其應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進行反演的可行性。
[0033] 源項是指放射性物質(zhì)從一特定的源中釋放的情況，包括釋放的核素種類、數(shù)量、釋 放率和釋放方式。在事故后果評價中考慮的是最終向環(huán)境釋放的核素，因此，比較重要的核 素是產(chǎn)額較高、中等半衰期、輻射生物效應(yīng)比較明顯、氣態(tài)或易揮發(fā)的核素。通常我們較關(guān) 心的揮發(fā)性元素包括碘的放射性同位素以及銫的放射性同位素。碘同位素碘-131釋放量 被用作度量事故嚴重程度的標準，例如，在國際核事件分級表中，嚴重事故均以碘-131的 釋放量作為分級判據(jù)。所以，考慮到源項反演模型的準確性和實際要求，本核事故源項反演 的模型以核事故釋放源項中釋放高度、碘-131的釋放率和銫-137的釋放率為研究對象，即 釋放高度、碘-131的釋放率和銫-137的釋放率以及為目標信號。因此輸出層采用3個神 經(jīng)網(wǎng)絡(luò)單元。
[0034] 事故發(fā)生后根據(jù)核事故設(shè)施周圍的監(jiān)測數(shù)據(jù)來估計事故源項，監(jiān)測數(shù)據(jù)包括： 探測器的位置、Y輻射劑量率a、事故發(fā)生時的氣象條件（風向、風速、大氣穩(wěn)定度、降水 類型等）?？紤]到核事故應(yīng)急的時間緊急性，其中探測點的Y輻射劑量率a為核事故發(fā) 生Ih后計算所得，實際監(jiān)測數(shù)據(jù)較少，因此，可以利用國際輻射評價系統(tǒng)（international radiological assessment system，InterRAS)得到事故發(fā)生時的Y福射劑量率b。確定 影響源項反演的因素包括：監(jiān)測點的風速、大氣穩(wěn)定度、風向、降水類型、順風距離、Y輻射 劑量率。綜上，本發(fā)明將監(jiān)測點的風速、大氣穩(wěn)定度、風向、降水類型、順風距離、Y輻射劑 量率b作為本核事故源項反演模型的輸入特征變量，分別用X 1, X2,……，X6表示，即基于BP 神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演模型的輸入層包括6個神經(jīng)網(wǎng)絡(luò)單元。
[0035] 2)確定所述基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型中的隱含層數(shù)， 并設(shè)定各隱含層的初始單元個數(shù)；經(jīng)過大量的試驗可知雙隱含層網(wǎng)絡(luò)的估計誤差比單隱含 層網(wǎng)絡(luò)有所減小，雙隱含層網(wǎng)絡(luò)的泛化能力較高，保證了映射關(guān)系的正確實現(xiàn)，因此本核事 故源項反演的網(wǎng)絡(luò)模型采用雙隱含層結(jié)構(gòu)。
[0036] 3)基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型初始化；根據(jù)核事故環(huán)境 監(jiān)測的歷史數(shù)據(jù)得到訓(xùn)練樣本和測試樣本，訓(xùn)練樣本和測試樣本均進行數(shù)據(jù)預(yù)處理；
[0037] 本發(fā)明以2011年福島核事故中碘-131的釋放率以及銫-137的釋放率為例，將 實際風速、風向、大氣穩(wěn)定度、降水類型、順風距離、Y輻射劑量率a輸入InterRAS，得到在 1. 0, 2. 0, 5. 0, 25. 0和50. Okm處的Y輻射劑量率b，以此作為核事故發(fā)生Ih后在場外（相 同位置處）監(jiān)測到的Y輻射劑量率。大氣穩(wěn)定度分為A，B，C，D，E，F(xiàn)6類，由于在Matlab 中數(shù)據(jù)以矩陣形式輸入，所以為了后期處理方便，分別用1，2,3,4,5,6代替大氣穩(wěn)定度。按 照InterRAS中降水類型，將降水狀況分為無降水、小雨、中雨、大雨、小雪、中雪、大雪7種； 同理，分別用1，2,3,4,5,6,7代替降水類型。部分數(shù)據(jù)見表1。
[0038] 表I InterRAS產(chǎn)生的源項反演數(shù)據(jù)（部分數(shù)據(jù)）
[0039]

【權(quán)利要求】
1. 一種基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的方法，其特征在于：包括以下步驟： 1) 核事故源項作為目標信號；根據(jù)核事故設(shè)施周圍的監(jiān)測數(shù)據(jù)以及國際輻射評價系 統(tǒng)確定影響源項反演的因素，影響源項反演的因素作為輸入特征變量；根據(jù)目標信號和輸 入特征變量構(gòu)建基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型，所述目標信號作為 所述網(wǎng)絡(luò)模型的輸出層，輸入特征變量作為所述網(wǎng)絡(luò)模型的輸入層； 2) 確定所述基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型中的隱含層數(shù)，并設(shè) 定各隱含層的初始單元個數(shù)； 3) 所述基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型初始化；根據(jù)核事故環(huán)境 監(jiān)測的歷史數(shù)據(jù)得到訓(xùn)練樣本和測試樣本，訓(xùn)練樣本和測試樣本均進行數(shù)據(jù)預(yù)處理； 4) 用預(yù)處理過后的訓(xùn)練樣本對該網(wǎng)絡(luò)模型進行訓(xùn)練，然后逐一增加隱含層的單元個數(shù) 并重復(fù)訓(xùn)練，根據(jù)每次的訓(xùn)練結(jié)果比較模型中BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練所需的時間以及測試誤 差，確定最終隱含層的單元個數(shù)； 5) 用測試樣本對基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的網(wǎng)絡(luò)模型進行源項反演的 測試； 6) 根據(jù)測試結(jié)束后得到的網(wǎng)絡(luò)模型反演核事故源項。
2. 根據(jù)權(quán)利要求1所述的一種基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的方法， 其特征在于：所述目標信號為釋放高度、碘-131的釋放率和銫-137的釋放率，因此確 定輸出層的神經(jīng)元數(shù)量為3 ;所述輸入特征變量為核事故場外監(jiān)測點的風速、大氣穩(wěn)定度、 風向、降水類型、順風距離和Y輻射劑量率b，因此確定輸入層的神經(jīng)元數(shù)量為6。
3. 根據(jù)權(quán)利要求1所述的一種基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的方法， 其特征在于：在步驟2)中，所述隱含層數(shù)為兩層。
4. 根據(jù)權(quán)利要求1所述的一種基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的方法， 其特征在于：在步驟4)中，在該網(wǎng)絡(luò)模型重復(fù)訓(xùn)練中加入動量因子。
5. 根據(jù)權(quán)利要求1所述的一種基于BP神經(jīng)網(wǎng)絡(luò)算法的核事故源項反演的方法， 其特征在于：在步驟3)中，數(shù)據(jù)預(yù)處理包括采用premnmx函數(shù)對該網(wǎng)絡(luò)模型中的輸入 層和輸出層的數(shù)據(jù)進行歸一化處理，使其分布在-1?1之間。
【文檔編號】G06F19/00GK104376361SQ201410546881
【公開日】2015年2月25日 申請日期:2014年10月15日 優(yōu)先權(quán)日:2014年10月15日
【發(fā)明者】凌永生, 賈文寶, 侯聞宇, 單卿, 黑大千, 張皓嘉, 程璨 申請人:南京航空航天大學(xué)