蒸汽发生器更换启动因子的评估方法、设备及存储介质与流程

1.本发明涉及核电站蒸汽发生器安全评估技术领域，尤其涉及一种蒸汽发生器更换启动因子的评估方法、设备及存储介质。


背景技术：

2.蒸汽发生器(sg)核电站核岛主设备之一，是压水堆核电厂一回路、二回路的边界。在sg内，反应堆一回路产生的热量经传热管传递给二次侧，产生的二次侧水蒸汽经一、二级汽水分离器干燥后推动汽轮机发电。sg与反应堆压力容器相连，不仅直接影响电站的功率与效率，而且在进行热量交换时，还起着阻隔放射性载热剂的作用，对核电站安全至关重要。运行经验表明，由于sg结构与选材的多样性及运行工况的复杂性，随着服役年限的增加，sg关键部件(下封头堆焊层、水室隔板环焊、u型管胀管区、u型管与支撑板磨损、防震条与u型管弯管区磨损等)不可避免的出现老化降质行为，从而引发故障乃至失效，造成巨大的经济损失甚至失效。若能对sg老化状态进行有效的动态评估，建立老化失效相关的量化指标，为sg因老化失效而更换启动决策提供依据，合理安排检修、更换等缓解措施，将最大程度的保障核安全的运行。目前，业内暂未有蒸汽发生器更换启动因子实时评估方法。
3.以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导；在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下，上述背景技术不应当用于评价本技术的新颖性和创造性。


技术实现要素：

4.为了克服现有技术存在的不足，本发明提供一种蒸汽发生器更换启动因子的评估方法、设备及存储介质，具体技术方案如下：
5.一方面，一种蒸汽发生器更换启动因子的评估方法，包括以下步骤：
6.将蒸汽发生器中的传热管、给水环和水室分隔板作为参与蒸汽发生器更换启动因子评估的关键部件，所述蒸汽发生器更换启动因子用于评价蒸汽发生器的健康状态；
7.通过开展相应的传热管磨损实验、给水环fac减薄模拟计算、水室分隔板材料应力腐蚀试验，形成相应的参考数据集，以获取传热管磨损深度、给水环壁厚减薄量、水室分隔板裂纹扩展长度，作为关键评价指标；根据所述关键评价指标和相应参考数据集的联系，基于xgboost算法，建立预测模型，所述预测模型包括传热管磨损深度预测模型、给水环壁厚减薄量预测模型、水室分隔板裂纹扩展长度预测模型；
8.根据所述蒸汽发生器当前的运维数据，利用相应预测模型得到相应关键评价指标的预测限值，将所述蒸汽发生器的关键评价指标的实际限值与对应的预测限值作差，以得到三个差值，若所述差值均大于0，则将所述差值相乘后再进行tanh函数处理以得到所述蒸汽发生器更换启动因子，若所述更换启动因子大于a,则所述蒸汽发生器无需修理，若所述更换启动因子小于a且大于0,则所述蒸汽发生器无需更换但需要修理，其中a∈(0,1)；若存
在一个差值小于或等于0，则所述蒸汽发生器需要更换。
9.进一步地，所述xgboost算法以分类与回归树作为元学习器，根据上一棵树的训练残差构建下一棵树，经过多次迭代训练建立强学习器，逐步递进优化目标函数，从而获得最佳预测限值。
10.进一步地，假设所述预测模型有t个决策树，则所述预测模型在第i个样本xi下的预测限值为：
[0011][0012]
式中，代表对第i个样本进行t-1个决策树相加后的值作为预测限值，n为样本总数，f为所有cart决策树的函数集合空间，fk为第k棵树的决策函数。
[0013]
进一步地，所述预测模型中的目标函数为：
[0014][0015]
式中，为损失函数；ω(f
t
)为正则项，其用于控制模型复杂程度。
[0016]
进一步地，所述预测模型采用分位数误差和拟合优度作为机器学习回归模型评价指标。
[0017]
进一步地，用蒸汽发生器传热管材料分别与相应支撑板和防振条材料形成不同的摩擦副，加工多组磨损实验样品，开展多组模拟水化学环境下支撑结构处微动磨损实验，获取多组传热管微动磨损行为数据，作为传热管磨损深度的参考数据集，其包括水环境温度、压力、ph、溶解氧含量、冲击力、冲击频率、滑移频率、服役时间及该条件下的最大磨损深度。
[0018]
进一步地，通过给水环fac减薄模拟计算出不同条件下的壁厚减薄量，并形成对应的参考数据集，该参考数据集包括给水流量、压力、温度、流速、给水环流量、服役时间以及该条件下的壁厚减薄量。
[0019]
进一步地，通过开展模拟核电厂一回路水环境下水室分隔板应力腐蚀试验，以获得多组裂纹长度数据，并形成所述水室分隔板裂纹扩展长度预测模型的参考数据集，该参考数据集包括水环境温度、压力、ph值、溶解氧含量、应力值、服役时间以及该条件下的裂纹长度。
[0020]
又一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述蒸汽发生器更换启动因子的评估方法。
[0021]
再一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现任一项所述的蒸汽发生器更换启动因子的评估方法。
[0022]
与现有技术相比，本发明具有下列优点：利用机器学习整合运维数据，自动跟踪计算蒸汽发生器更换启动因子，为蒸汽发生器更换启动决策提供依据。
附图说明
[0023]
图1是本发明实施例提供的蒸汽发生器更换启动因子的评估方法流程示意图。
[0024]
图2是本发明实施例提供的蒸汽发生器更换启动因子的评估方法中预测模型构建
流程示意图；
[0025]
图3是本发明实施例提供的蒸汽发生器更换启动因子的评估方法中传热管磨损深度预测模型构建流程示意图；
[0026]
图4是本发明实施例提供的蒸汽发生器更换启动因子的评估方法中给水环壁厚减薄量预测模型构建流程示意图；
[0027]
图5是本发明实施例提供的蒸汽发生器更换启动因子的评估方法中水室分隔板裂纹扩展长度预测模型构建流程示意图。
具体实施方式
[0028]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0029]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
[0030]
目前业内暂未有蒸汽发生器更换启动因子评估方法，需确定影响蒸汽发生器更换的关键部件、评价指标及计算模型。本实施例通过调研蒸汽发生器关键部件的降质机理及降质经验反馈，筛选出传热管、给水环和水室分隔板作为重点关注部件，并以传热管磨损深度、给水环壁厚减薄量、水室分隔板裂纹扩展长度为蒸汽发生器更换启动因子关键评价指标。并建立蒸汽发生器更换启动因子计算模型，量化蒸汽发生器服役状态。
[0031]
由于蒸汽发生器内部服役环境复杂，涉及材料、水化学、机械、热工水力等众多影响因素，使得不同部件评价指标的物理模型建立十分困难。传热管、给水环和水室分隔板等部件的老化分析模型目前分为两类，一类是基于老化机理提出的理论预测模型，模型具有较好的解释性，但模型复杂且参数众多，工程适用性不足；另一类则是依据大量的实验室数据和工程数据建立的经验预测模型，存在影响因素描述不全、准确度不高的问题。
[0032]
本实施例提供的蒸汽发生器更换启动因子的评估方法通过开展传热管磨损实验、给水环fac减薄模拟计算、蒸汽发生器水室分隔板材料应力腐蚀试验，获取传热管磨损深度、给水环壁厚减薄量、水室分隔板裂纹扩展长度数据，基于xgboost算法，分别建立预测模型，为蒸汽发生器更换启动因子计算模型提供输入
[0033]
具体地，本实施例包括以下步骤：
[0034]
将蒸汽发生器中的传热管、给水环和水室分隔板作为参与蒸汽发生器更换启动因子评估的关键部件，所述蒸汽发生器更换启动因子用于评价蒸汽发生器的健康状态；
[0035]
通过开展相应的传热管磨损实验、给水环fac减薄模拟计算、水室分隔板材料应力腐蚀试验，形成相应的参考数据集，以获取传热管磨损深度、给水环壁厚减薄量、水室分隔板裂纹扩展长度，作为关键评价指标；根据所述关键评价指标和相应参考数据集的联系，基
于xgboost算法，建立预测模型，所述预测模型包括传热管磨损深度预测模型、给水环壁厚减薄量预测模型、水室分隔板裂纹扩展长度预测模型；
[0036]
参见图1，根据所述蒸汽发生器当前的运维数据，利用相应预测模型得到相应关键评价指标的预测限值，即传热管磨损深度预测限值a1、壁厚减薄量预测限值b1、裂纹长度预测限值c1，根据传热管磨损深度实际限值a0、壁厚减薄量实际限值b0、裂纹长度实际限值c0,将所述蒸汽发生器的关键评价指标的实际限值与对应的预测限值作差，以得到如下三个差值，
[0037]
△
a＝a
0-a1，
△
b＝b
0-b1，
△
c＝c
0-c1；
[0038]
若
△
a、
△
b、
△
c均大于0，则将所述差值相乘后再进行tanh函数处理以得到所述蒸汽发生器更换启动因子θ，即θ＝tanh(
△a×△b×△
c)，θ范围为(0,1),若θ值越大，则当前蒸汽发生器服役状态越好；若所述更换启动因子大于a，则所述蒸汽发生器无需修理，若所述更换启动因子小于a且大于0，则所述蒸汽发生器无需更换但需要修理，其中a∈(0,1)，a优选为0.6；若存在一个差值小于或等于0，则所述蒸汽发生器需要更换。
[0039]
在本发明的一个实施例中，所述xgboost算法以分类与回归树cart作为元学习器，根据上一棵树的训练残差构建下一棵树，经过多次迭代训练建立强学习器，逐步递进优化目标函数，从而获得最佳预测限值。假设所述预测模型有t个决策树，则所述预测模型在第i个样本xi下的预测限值为：
[0040][0041]
式中，代表对第i个样本进行t-1个决策树相加后的值作为预测限值，n为样本总数，f为所有cart决策树的函数集合空间，fk为第k棵树的决策函数。
[0042]
所述预测模型中的目标函数为：
[0043][0044]
式中，为损失函数，即预测值和真实值的误差值；ω(f
t
)为正则项，其用于控制模型复杂程度。
[0045]
对目标函数进行二阶泰勒展开：
[0046][0047]
式中，gi和hi分别为一阶和二阶导数：
[0048][0049][0050]
其移除常数项后为：
[0051][0052]
定义正则项ω(f
t
)为：
[0053][0054]
式中，t为树f中叶子节点数；wj为树f中第j个叶子节点上的权重；γ和λ为惩罚系数，使每个叶子节点的得分更加平滑，同时控制树的复杂程度和缓解过拟合，γ和λ值越大，树的结构越简单。
[0055]
定义其中ij＝{i|q(xi)＝j}为每片叶子上的样本集合，对移除常数项后的公式进行求导，可求得叶子节点最优值对于由t棵决策树组成的树结构q，带入最优解得到目标函数为：
[0056][0057]
通常采用均方根误差rmse和拟合优度r2作为机器学习回归模型评价指标，但由于均方根误差rmse是基于平均误差，对异常值敏感，如果回归值产生较大偏差，将导致模型鲁棒性差，因此本实施例采用分位数误差mape代替均方根误差rmse，
[0058][0059]
所述预测模型采用分位数误差和拟合优度作为机器学习回归模型评价指标，提高模型对异常点的鲁棒性。
[0060]
本实施例确定了蒸汽发生器更换启动因子关键评价指标，填补了业内空白，可以为核电厂蒸汽发生器更换启动决策提供依据；基于xgboost算法，分别建立的传热管磨损深度、给水环壁厚减薄量、水室分隔板裂纹扩展长度预测模型，相较理论预测模型与经验预测模型，具有较好的适用性及准确性；通过实时在线调用运行数据，可实现对蒸汽发生器老化状态进行动态评估，保障核安全。
[0061]
在本发明的一个实施例中，所述预测模型采用神经网络算法，基于sg运行数据、sg关键部件完整性评估量化数据及sg更换启动因子计算数据，建立sg运行监测数据与sg更换启动因子间映射关系，参见图2，所述预测模型的建立包括以下步骤：
[0062]
s1、获取sg更换启动因子参考数据集，参考数据集包括sg运维数据、sg关键部件老化数据及sg更换启动因子中的一类或者多类，sg运维数据包含与机械、运行和化学专业相关的数据；
[0063]
s2、对参考数据集进行处理，包括特征变换、归一化处理等，将处理后的数据输入到神经网络模型中；
[0064]
s3、设定神经网络结构；
[0065]
s4、初始化神经网络参数；
[0066]
s5、将处理后的数据输入到神经网络模型中并进行训练；
[0067]
s6、对模型精度进行误差分析，若误差符合精度要求，则终止算法执行，输出对应
的参数组合以及模型的预测误差；若不符合精度要求，则对神经网络模型结构参数调整，重新执行s3-s6，直到满足设定的精度要求为止。
[0068]
根据不同的关键部件形成对应不同的预测模型，所述预测模型包括传热管磨损深度预测模型、给水环壁厚减薄量预测模型、水室分隔板裂纹扩展长度预测模型。
[0069]
在构建传热管磨损深度预测模型时，用蒸汽发生器传热管材料分别与相应支撑板和防振条材料形成不同的摩擦副，加工多组磨损实验样品，开展多组模拟水化学环境下支撑结构处微动磨损实验，获取多组传热管微动磨损行为数据，作为传热管磨损深度的参考数据集，其包括水环境温度、压力、ph、溶解氧含量、冲击力、冲击频率、滑移频率、服役时间及该条件下的最大磨损深度；利用对应的参考数据集，参见图3，通过调整超参数，即调整网络参数，以不断优化基于xgboost算法的预测模型，直到满足对应的误差要求。
[0070]
在构建给水环壁厚减薄量预测模型时，通过给水环fac减薄模拟计算出不同条件下的壁厚减薄量，并形成对应的参考数据集，该参考数据集包括给水流量、压力、温度、流速、给水环流量、服役时间以及该条件下的壁厚减薄量。利用对应的参考数据集，参见图4，通过调整超参数，即调整网络参数，以不断优化基于xgboost算法的预测模型，直到满足对应的误差要求。
[0071]
在构建水室分隔板裂纹扩展长度预测模型时，通过开展模拟核电厂一回路水环境下水室分隔板应力腐蚀试验，以获得多组裂纹长度数据，并形成所述水室分隔板裂纹扩展长度预测模型的参考数据集，该参考数据集包括水环境温度、压力、ph值、溶解氧含量、应力值、服役时间以及该条件下的裂纹长度。利用对应的参考数据集，参见图5，通过调整超参数，即调整网络参数，以不断优化基于xgboost算法的预测模型，直到满足对应的误差要求。
[0072]
本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的蒸汽发生器更换启动因子的评估方法。本设备实施例的思想与上述实施例中评估方法的工作过程属于同一思想，通过全文引用的方式将上述检测方法实施例的全部内容并入本设备实施例，不再赘述。
[0073]
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的蒸汽发生器更换启动因子的评估方法。本存储介质实施例的思想与上述实施例中评估方法的工作过程属于同一思想，通过全文引用的方式将上述检测方法实施例的全部内容并入本存储介质实施例，不再赘述。
[0074]
本实施例整合利用机器学习方法，整合群厂机械、运行和化学专业相关的sg运维数据，自动跟踪监测sg更换启动因子的变化趋势，为sg因老化失效而更换启动决策提供依据，为合理安排检修、更换等缓解措施提供指导，有利于保障核安全的运行。
[0075]
本发明提供的蒸汽发生器更换启动因子的评估方法利用机器学习，整合目标电厂机械、运行和化学专业相关的sg运维数据，自动跟踪计算sg更换启动因子，为sg更换启动决策提供依据。
[0076]
以上所述仅为本发明的优选实施例，并非因此限制其专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。