Otimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO
Autor(a) principal: | |
---|---|
Data de Publicação: | 2018 |
Outros Autores: | , , |
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 |
Resumo: | 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%. |
id |
UFMG_240a84f2359d8db1f80d2ffd7cc19b89 |
---|---|
oai_identifier_str |
oai:repositorio.ufmg.br:1843/56998 |
network_acronym_str |
UFMG |
network_name_str |
Repositório Institucional da UFMG |
repository_id_str |
|
spelling |
2023-07-26T16:54:22Z2023-07-26T16:54:22Z20184586591http://hdl.handle.net/1843/56998https://orcid.org/0000-0001-5742-6828https://orcid.org/0000-0001-6782-8329https://orcid.org/0000-0001-5999-9961Uma 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%.A recharge is generally required every 18 months in pressurized water reactors, such as those in Brazil. This process would be simple if it were similar to changing parts in a given machine. However, recharging requires knowledge due to several factors, such as a high amount of fuel elements in the core; in the case of Angra 2 there are 193. The exchanges are not for all positions, generally the task is carried out in only 1/3 of the total. The amount withdrawn is the one that burns the most fuel. When inserting new fuel elements, changes occur throughout the core. This happens due to the fact that each fuel element generates power corresponding to the type of enrichment used and position arranged. Therefore, such factors influence the distribution of power in the reactor, which may alter the expected and/or planned performance for the next operating cycle, even altering important safety parameters. Several studies that use computational algorithms in order to optimize the reactor core are proposed in the literature and such research is still an open field for new proposals. This work intends to find results that can contribute to obtain better fuel distributions in the core using ANN (Artificial Neural Networks) MLP (Multi_Layer Perceptron) with Backpropagation and PSO (Particle Swarm Optimization) training algorithms. The data used in the ANN training were obtained through the PARCS v code. 2.4 (Purdue Advanced Reactor Core Simulator), using the Angra 2 reactor modeling whose data were obtained from its respective Final Safety Analysis Report. In the tests performed, the ANN achieved an accuracy of 98%.CNPq - Conselho Nacional de Desenvolvimento Científico e TecnológicoFAPEMIG - Fundação de Amparo à Pesquisa do Estado de Minas GeraisCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Minas GeraisUFMGBrasilENG - DEPARTAMENTO DE ENGENHARIA NUCLEARSemana de Engenharia Nuclear e Ciências das RadiaçõesReatores de água pressurizadaCombustíveis para reatores nuclearesRedes neurais (Computação)OtimizaçãoPWRRedes neurais artificiaisOtimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSOReload optimization of a PWR core using MLP and PSO artificial neural networksinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjecthttps://sencir.nuclear.ufmg.br/anais/Edyene Cely Amaro OliveiraWilmer Aruquipa ColomaPatricia Amelia de Lima ReisClaubia Pereira Bezerra Limaapplication/pdfinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFMGinstname:Universidade Federal de Minas Gerais (UFMG)instacron:UFMGLICENSELicense.txtLicense.txttext/plain; charset=utf-82042https://repositorio.ufmg.br/bitstream/1843/56998/1/License.txtfa505098d172de0bc8864fc1287ffe22MD51ORIGINALOtimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO.pdfOtimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO.pdfapplication/pdf370054https://repositorio.ufmg.br/bitstream/1843/56998/2/Otimiza%c3%a7%c3%a3o%20da%20recarga%20de%20um%20n%c3%bacleo%20PWR%20usando%20redes%20neurais%20artificiais%20MLP%20e%20PSO.pdfea2128a2809eeb46728294238966973aMD521843/569982023-07-26 13:54:22.264oai:repositorio.ufmg.br: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Repositório de PublicaçõesPUBhttps://repositorio.ufmg.br/oaiopendoar:2023-07-26T16:54:22Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG)false |
dc.title.pt_BR.fl_str_mv |
Otimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO |
dc.title.alternative.pt_BR.fl_str_mv |
Reload optimization of a PWR core using MLP and PSO artificial neural networks |
title |
Otimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO |
spellingShingle |
Otimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO Edyene Cely Amaro Oliveira Otimização PWR Redes neurais artificiais Reatores de água pressurizada Combustíveis para reatores nucleares Redes neurais (Computação) |
title_short |
Otimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO |
title_full |
Otimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO |
title_fullStr |
Otimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO |
title_full_unstemmed |
Otimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO |
title_sort |
Otimização da recarga de um núcleo PWR usando redes neurais artificiais MLP e PSO |
author |
Edyene Cely Amaro Oliveira |
author_facet |
Edyene Cely Amaro Oliveira Wilmer Aruquipa Coloma Patricia Amelia de Lima Reis Claubia Pereira Bezerra Lima |
author_role |
author |
author2 |
Wilmer Aruquipa Coloma Patricia Amelia de Lima Reis Claubia Pereira Bezerra Lima |
author2_role |
author author author |
dc.contributor.author.fl_str_mv |
Edyene Cely Amaro Oliveira Wilmer Aruquipa Coloma Patricia Amelia de Lima Reis Claubia Pereira Bezerra Lima |
dc.subject.por.fl_str_mv |
Otimização PWR Redes neurais artificiais |
topic |
Otimização PWR Redes neurais artificiais Reatores de água pressurizada Combustíveis para reatores nucleares Redes neurais (Computação) |
dc.subject.other.pt_BR.fl_str_mv |
Reatores de água pressurizada Combustíveis para reatores nucleares Redes neurais (Computação) |
description |
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%. |
publishDate |
2018 |
dc.date.issued.fl_str_mv |
2018 |
dc.date.accessioned.fl_str_mv |
2023-07-26T16:54:22Z |
dc.date.available.fl_str_mv |
2023-07-26T16:54:22Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/conferenceObject |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/1843/56998 |
dc.identifier.orcid.pt_BR.fl_str_mv |
https://orcid.org/0000-0001-5742-6828 https://orcid.org/0000-0001-6782-8329 https://orcid.org/0000-0001-5999-9961 |
url |
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 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.ispartof.pt_BR.fl_str_mv |
Semana de Engenharia Nuclear e Ciências das Radiações |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.publisher.initials.fl_str_mv |
UFMG |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
ENG - DEPARTAMENTO DE ENGENHARIA NUCLEAR |
publisher.none.fl_str_mv |
Universidade Federal de Minas Gerais |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFMG instname:Universidade Federal de Minas Gerais (UFMG) instacron:UFMG |
instname_str |
Universidade Federal de Minas Gerais (UFMG) |
instacron_str |
UFMG |
institution |
UFMG |
reponame_str |
Repositório Institucional da UFMG |
collection |
Repositório Institucional da UFMG |
bitstream.url.fl_str_mv |
https://repositorio.ufmg.br/bitstream/1843/56998/1/License.txt https://repositorio.ufmg.br/bitstream/1843/56998/2/Otimiza%c3%a7%c3%a3o%20da%20recarga%20de%20um%20n%c3%bacleo%20PWR%20usando%20redes%20neurais%20artificiais%20MLP%20e%20PSO.pdf |
bitstream.checksum.fl_str_mv |
fa505098d172de0bc8864fc1287ffe22 ea2128a2809eeb46728294238966973a |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFMG - Universidade Federal de Minas Gerais (UFMG) |
repository.mail.fl_str_mv |
|
_version_ |
1803589261265469440 |