Otimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO

• Autor(a) principal: Edyene Cely Amaro Oliveira
• Data de Publicação: 2018
• Outros Autores: Wilmer Aruquipa Coloma, Patricia Amelia de Lima Reis, Claubia Pereira Bezerra Lima
• Tipo de documento: Artigo de conferência
• Idioma: por
• Título da fonte: Repositório Institucional da UFMG
• Texto Completo: http://hdl.handle.net/1843/56998; https://orcid.org/0000-0001-5742-6828; https://orcid.org/0000-0001-6782-8329; https://orcid.org/0000-0001-5999-9961
• topic: Otimização; PWR; Redes neurais artificiais; Reatores de água pressurizada; Combustíveis para reatores nucleares; Redes neurais (Computação)

Uma recarga é necessária geralmente a cada 18 meses nos reatores de água pressurizada, como os existentes no Brasil. Esse processo seria simples caso fosse similar à troca de peças em determinada máquina. Porém, recarga exige conhecimento devido a vários fatores, como quantidade elevada de elementos combustíveis no núcleo; no caso de Angra 2 são 193. As trocas não são de todas as posições, geralmente a tarefa é realizada em apenas 1/3 do total. A quantidade retirada constitui a que apresenta maior queima do combustível. Ao inserir novos elementos combustíveis, ocorre alteração em todo o núcleo. Isso acontece devido ao fato de que cada elemento combustível gera potência correspondente ao tipo de enriquecimento utilizado e posição disposta. Sendo assim, tais fatores influenciam na distribuição de potência no reator, que poderá alterar o desempenho esperado e/ou planejado para o próximo ciclo de funcionamento, alterando inclusive parâmetros importantes de segurança. Diversos estudos que utilizam algoritmos computacionais a fim de otimizar o núcleo do reator são propostos na literatura e tal pesquisa é ainda um campo aberto para novas propostas. Este trabalho pretende encontrar resultados que possam contribuir para a obtenção de melhores distribuições dos combustíveis no núcleo utilizando RNA (Redes Neurais Artificiais) MLP (Multi_Layer Perceptron) com algoritmos de treinamento Backpropagation e PSO (Particle Swarm Optimization). Os dados usados no treinamento da RNA foram obtidos por meio do código PARCS v. 2.4 (Purdue Advanced Reactor Core Simulator), utilizando a modelagem do reator de Angra 2 cujos dados foram obtidos de seu respectivo Relatório Final de Análise de Segurança. Nos testes realizados, a RNA alcançou acurácia de 98%.