本發(fā)明涉及核事故源項(xiàng)反演，尤其涉及一種基于改進(jìn)極限學(xué)習(xí)機(jī)的核事故反演方法。

背景技術(shù)：

1、核事故發(fā)生時(shí)，迅速準(zhǔn)確地對(duì)核電廠工況判斷與分析，進(jìn)行后果評(píng)價(jià)并實(shí)施應(yīng)急防護(hù)措施顯得至關(guān)重要。而迅速準(zhǔn)確地估算釋放的源項(xiàng)是核應(yīng)急響應(yīng)前期急需解決的問題。目前估計(jì)事故源項(xiàng)的方法主要分為兩種：一種是基于工廠工況數(shù)據(jù)正演確定源項(xiàng)，包括核電廠運(yùn)行數(shù)據(jù)、反應(yīng)堆廠房狀態(tài)監(jiān)測(cè)數(shù)據(jù)和相關(guān)儀表的讀數(shù)等，但可能會(huì)出現(xiàn)堆芯破損程度不明和設(shè)備儀表被破壞等情況影響可靠性與準(zhǔn)確性；另一種是根據(jù)場(chǎng)外空氣劑量檢測(cè)點(diǎn)監(jiān)測(cè)放射性數(shù)據(jù)估計(jì)源項(xiàng)。精度更高、速度更快是本領(lǐng)域技術(shù)人員期望克服的。

2、目前常用的幾種核事故反演方法有最小二乘法、數(shù)據(jù)同化法、優(yōu)化算法、神經(jīng)網(wǎng)絡(luò)。常見的幾種反演方法中，最小二乘法主要針對(duì)線性系統(tǒng)單變量進(jìn)行分析其應(yīng)用相對(duì)簡(jiǎn)單，但對(duì)于復(fù)雜情況分析能力弱并且對(duì)數(shù)據(jù)精確性要求比較高。數(shù)據(jù)同化法借助于代價(jià)函數(shù)來定量表示理論值和觀測(cè)值之間的差異，通過求解極值來解決數(shù)據(jù)同化問題，其是主要基于線性化模型，而且對(duì)于觀測(cè)數(shù)據(jù)的誤差要求較高，一旦存在較大誤差，結(jié)果會(huì)受到很大影響。優(yōu)化算法很容易陷入局部最優(yōu)。而機(jī)器學(xué)習(xí)通過大量的數(shù)據(jù)訓(xùn)練模型，不需要尋找數(shù)據(jù)之間的數(shù)學(xué)關(guān)系，能夠快速進(jìn)行反演，對(duì)于源項(xiàng)預(yù)估具有很強(qiáng)的應(yīng)用價(jià)值。

3、中國(guó)專利“cn115455808一種基于支持向量機(jī)的核事故釋放類別反演方法”提供了一種基于支持向量機(jī)的核事故釋放類別反演方法，此專利預(yù)估不同核事故釋放類別下不同放射性核素的釋放速率，使用支持向量機(jī)對(duì)環(huán)境伽馬劑量率監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，快速反演核事故釋放類別，但是由于支持向量機(jī)對(duì)參數(shù)和核函數(shù)選擇敏感，而且對(duì)大規(guī)模數(shù)據(jù)集的處理較慢。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于改進(jìn)極限學(xué)習(xí)機(jī)的核事故反演方法，根據(jù)實(shí)時(shí)測(cè)量的數(shù)據(jù)對(duì)核事故泄露源項(xiàng)14個(gè)放射源核素(i-131,xe-133,cs-137,kr-88,sr-91,te-132,mo-99,ba-140,la-140,ce-144,sb-129,ru-106,y-91,zr-95)的釋放率進(jìn)行快速準(zhǔn)確預(yù)測(cè)，同時(shí)考慮到了復(fù)雜氣象條件變化的情況，為后續(xù)后果評(píng)價(jià)與實(shí)施應(yīng)急措施提供參考和依據(jù)。

2、本發(fā)明的技術(shù)方案為：

3、一種基于改進(jìn)極限學(xué)習(xí)機(jī)的核事故反演方法，包括如下步驟：

4、s1、獲取若干組核事故測(cè)量數(shù)據(jù)，每組核事故測(cè)量數(shù)據(jù)中包括m個(gè)相關(guān)特征；所述相關(guān)特征為核電站相關(guān)信息、不同距離的空氣劑量率時(shí)間序列和氣象數(shù)據(jù)時(shí)間序列；

5、s2、對(duì)獲取的核事故測(cè)量數(shù)據(jù)進(jìn)行數(shù)據(jù)處理，得到處理后的核事故測(cè)量數(shù)據(jù)；

6、所述數(shù)據(jù)處理的方法具體為：篩選不同距離的空氣劑量率時(shí)間序列和氣象數(shù)據(jù)時(shí)間序列中的缺失數(shù)據(jù)和異常數(shù)據(jù)并進(jìn)行刪除，然后將不同距離的空氣劑量率時(shí)間序列和氣象數(shù)據(jù)時(shí)間序列輸入長(zhǎng)短期記憶網(wǎng)絡(luò)進(jìn)行初步特征提取與核事故泄露源項(xiàng)放射源核素的釋放率的初步預(yù)測(cè)得到預(yù)測(cè)結(jié)果，同時(shí)將對(duì)缺失數(shù)據(jù)和異常數(shù)據(jù)進(jìn)行刪除后的空氣劑量率時(shí)間序列和氣象數(shù)據(jù)時(shí)間序列以窗口形式進(jìn)行處理，拆分為若干個(gè)數(shù)據(jù)特征；

7、s3、將處理后的核事故測(cè)量數(shù)據(jù)按照設(shè)定比例劃分為訓(xùn)練集和測(cè)試集；

8、s4、建立極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)并利用訓(xùn)練集和改進(jìn)的麻雀優(yōu)化算法對(duì)極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，將優(yōu)化后的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)作為核事故反演模型；

9、s4.1：建立極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)并設(shè)置極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的參數(shù)；所述極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層和輸出層，輸入層的輸入為經(jīng)過長(zhǎng)短期記憶網(wǎng)絡(luò)得到的預(yù)測(cè)結(jié)果和拆分得到的數(shù)據(jù)特征，輸出層的輸出為核事故泄露源項(xiàng)放射源核素的釋放率；所述極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的參數(shù)為輸入層的節(jié)點(diǎn)數(shù)量、隱含層的節(jié)點(diǎn)數(shù)量和輸出層的節(jié)點(diǎn)數(shù)量；

10、s4.2：對(duì)極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)改進(jìn)，得到改進(jìn)后的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)；

11、所述改進(jìn)后的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)中的輸出層不僅使用隱含層的輸出矩陣，同時(shí)獲取輸入層的輸入進(jìn)行輸出權(quán)值的計(jì)算，同時(shí)引用c-loss損失函數(shù)改進(jìn)極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的輸出權(quán)值；

12、所述改進(jìn)后的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的輸出層節(jié)點(diǎn)的輸入為：

13、h'＝[p；h]

14、其中，h'為輸出層節(jié)點(diǎn)的輸入，p為輸入層節(jié)點(diǎn)的輸入，h為隱含層節(jié)點(diǎn)的輸出；

15、

16、其中，lc(ei)為c-loss損失函數(shù)，ei為預(yù)測(cè)值與實(shí)際值的誤差，σ為方差平方根；

17、s4.3：設(shè)定麻雀優(yōu)化算法種群中個(gè)體的數(shù)量，并初始化麻雀優(yōu)化算法種群中的個(gè)體；所述個(gè)體表示極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的輸入層權(quán)值和偏置；

18、初始化麻雀優(yōu)化算法中的個(gè)體的方法具體為：

19、首先確定群空間：

20、z＝l+r*(u-l)

21、其中，z是群空間，l為群空間的下界，u為群空間的上界，r表示[0,1]中隨機(jī)產(chǎn)生的數(shù)字；

22、s4.4：將麻雀優(yōu)化算法種群中的個(gè)體分別作為極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練參數(shù)，得到若干個(gè)具有不同訓(xùn)練參數(shù)的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)；所述訓(xùn)練參數(shù)為輸入層權(quán)值與偏置；

23、s4.5：將訓(xùn)練集分別輸入每個(gè)個(gè)體對(duì)應(yīng)的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)，計(jì)算平均絕對(duì)誤差，并將其作為麻雀優(yōu)化算法種群中個(gè)體的適應(yīng)度；

24、

25、其中，rmae為平均絕對(duì)誤差，n為訓(xùn)練集樣本數(shù)，yl為第l個(gè)訓(xùn)練樣本的預(yù)測(cè)輸出，為第l個(gè)訓(xùn)練樣本的實(shí)際輸出；

26、s4.6：選取適應(yīng)度最大的個(gè)體作為當(dāng)前的全局最優(yōu)個(gè)體；

27、s4.7：進(jìn)行種群探索，在麻雀優(yōu)化算法的生產(chǎn)者的位置更新公式中引入正余弦算法改進(jìn)，更新種群中個(gè)體的位置；

28、個(gè)體的位置的迭代更新公式為：

29、

30、r1＝α(1-t/tmax)

31、r2＝r3＝2π*rand；r4＝rand

32、其中，xi(t+1)為第t+1次迭代的第i個(gè)個(gè)體的位置，t為迭代次數(shù)，xi(t)為第t次迭代的第i個(gè)個(gè)體的的位置，xbest(t)為當(dāng)前的全局最優(yōu)個(gè)體的位置，r1為搜索步長(zhǎng)，r2?r3?r4均為服從均勻分布的隨機(jī)數(shù)，rand為0-1的隨機(jī)值；

33、s4.8：選取適應(yīng)度最大的個(gè)體作為本次迭代的全局最優(yōu)個(gè)體與當(dāng)前的全局最優(yōu)個(gè)體進(jìn)行比較，若本次迭代的全局最優(yōu)個(gè)體的適應(yīng)度較大，則將本次迭代的全局最優(yōu)個(gè)體更新為當(dāng)前的全局最優(yōu)個(gè)體，否則保持不變；

34、s4.9：判斷是否設(shè)定迭代次數(shù)內(nèi)全局最優(yōu)個(gè)體沒有變化，若是執(zhí)行s4.10，否則執(zhí)行s4.11；

35、s4.10：將當(dāng)前種群中的個(gè)體按照適應(yīng)度進(jìn)行排序，對(duì)適應(yīng)度小于設(shè)定閾值的個(gè)體利用遺傳算法進(jìn)行變異交叉；

36、s4.11：判斷當(dāng)前迭代次數(shù)是否達(dá)到設(shè)定的迭代次數(shù)，若是則輸出當(dāng)前的全局最優(yōu)個(gè)體并執(zhí)行s4.12，否則迭代次數(shù)加1，執(zhí)行s4.7；

37、s4.12：將輸出的全局最優(yōu)個(gè)體對(duì)應(yīng)的訓(xùn)練參數(shù)和在應(yīng)用該訓(xùn)練參數(shù)時(shí)計(jì)算得到的輸出層的權(quán)值應(yīng)用于改進(jìn)的極限學(xué)習(xí)機(jī)神經(jīng)網(wǎng)絡(luò)，得到最終的核事故反演模型；

38、s5：將測(cè)試集輸入最終的核事故反演模型，輸出核事故泄露源項(xiàng)放射源核素的釋放率。

39、與現(xiàn)有技術(shù)相比較，本發(fā)明的有益效果為：

40、本發(fā)明對(duì)收集的核事故綜合數(shù)據(jù)進(jìn)行缺失與異常數(shù)據(jù)篩選，并將核事故綜合數(shù)據(jù)中的時(shí)序數(shù)據(jù)輸入長(zhǎng)短期記憶網(wǎng)絡(luò)(lstm)中進(jìn)行初步預(yù)測(cè)并進(jìn)行窗口特征提取處理。極限學(xué)習(xí)機(jī)作為一種前饋神經(jīng)網(wǎng)絡(luò)，提供了一個(gè)對(duì)輸入的分布或輸入-輸出映射的規(guī)律性沒有強(qiáng)烈的要求靈活的框架，不需要尋找數(shù)據(jù)之間的數(shù)學(xué)關(guān)系，具有良好的泛化性能。能夠快速進(jìn)行反演并且能適應(yīng)復(fù)雜環(huán)境的預(yù)測(cè)，解決了最小二乘法對(duì)于復(fù)雜情況分析能力弱的缺點(diǎn)；本發(fā)明通過對(duì)極限學(xué)習(xí)機(jī)進(jìn)行改進(jìn)提升反演模型的效率精度，采用麻雀優(yōu)化算法與極限學(xué)習(xí)機(jī)結(jié)合，對(duì)極限學(xué)習(xí)機(jī)的權(quán)重矩陣和偏置向量進(jìn)行全局優(yōu)化解決極限學(xué)習(xí)機(jī)參數(shù)隨機(jī)非最優(yōu)的缺點(diǎn)。同時(shí)傳統(tǒng)的麻雀優(yōu)化算法后期容易陷入局部最優(yōu)，因此本發(fā)明的方法中在麻雀優(yōu)化算法中引入正余弦算法與遺傳算法的變異交叉來克服所述缺點(diǎn)；在極限學(xué)習(xí)機(jī)輸出層引入輸入層信息同時(shí)引用c-loss損失函數(shù)對(duì)結(jié)構(gòu)進(jìn)行改進(jìn)，提高模型魯棒性降低極限學(xué)習(xí)機(jī)模型的內(nèi)在復(fù)雜性，防止過擬合，提高模型的質(zhì)量，提高模型預(yù)測(cè)精度與速度。