基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的船用反應(yīng)堆屏蔽設(shè)計優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于核工程技術(shù)領(lǐng)域，涉及一種基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的船用反應(yīng)堆屏蔽設(shè)計優(yōu)化方法。
【背景技術(shù)】
[0002]船用反應(yīng)堆屏蔽設(shè)計優(yōu)化主要任務(wù)是在保證劑量安全的條件下找到體積小重量輕且屏蔽效果佳的屏蔽方案。在過去的實際工程中，船用反應(yīng)堆屏蔽設(shè)計都是計算許多方案后再從中進行篩選，將花費大量的機器時間和工作準(zhǔn)備時間，但是這卻往往找不到既滿足輻射安全、經(jīng)濟和材料特性等因素最優(yōu)的屏蔽方案。因此，針對船用反應(yīng)堆屏蔽優(yōu)化設(shè)計一直是核工程界的熱點和挑戰(zhàn)。
[0003]國際上對于船用反應(yīng)堆屏蔽設(shè)計分析主要有數(shù)值計算法、半經(jīng)驗修正的計算模型和智能優(yōu)化方法三大類。在上個世紀(jì)80年代由于計算機方面的限制，反應(yīng)堆屏蔽設(shè)計優(yōu)化主要集中在數(shù)值計算方法上，文獻主要有:線性規(guī)劃、變分法、綜合法、梯度法、拉格朗日乘子法和最速下降法等數(shù)值方法。近些年來，隨著計算機科學(xué)的快速發(fā)展，為規(guī)避數(shù)值計算方法的一些問題，國際上相繼開展了基于蒙特卡洛程序在反應(yīng)堆屏蔽計算和利用一些智能算法來對反應(yīng)堆屏蔽參數(shù)進行估算和優(yōu)化。
[0004]對于船用反應(yīng)堆屏蔽設(shè)計優(yōu)化，數(shù)值計算方法主要存在計算模型簡單、精度低和計算復(fù)雜等缺點；蒙特卡洛程序則存在計算機模擬耗時長和效率低下的缺點。而本發(fā)明基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的船用反應(yīng)堆屏蔽設(shè)計優(yōu)化方法可以有效解決以上的問題。

【發(fā)明內(nèi)容】

[0005]本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的船用反應(yīng)堆屏蔽設(shè)計優(yōu)化方法，計算簡單、耗時少、精度高。
[0006]本發(fā)明所采用的技術(shù)方案是，基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的船用反應(yīng)堆屏蔽設(shè)計優(yōu)化方法，按照以下步驟進行:
[0007]步驟1，利用蒙特卡洛方法模擬計算反應(yīng)堆中子和光子輸運過程，采用MCNP程序?qū)Υ梅磻?yīng)堆分層屏蔽模型進行模擬計算，得到反應(yīng)堆屏蔽后的中子和光子通量，并計算出總的當(dāng)量劑量；
[0008]步驟2，根據(jù)樣本的輸入?yún)?shù)個數(shù)njP輸出參數(shù)個數(shù)η 2來確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)；
[0009]步驟3，根據(jù)反應(yīng)堆屏蔽問題目標(biāo)確定遺傳算法的適應(yīng)度函數(shù)，適應(yīng)度函數(shù)有以下推薦類型:
[0010](a)約束型
[0011]Fittness = Weight，Dose ^ D0
[0012]Fittness為適應(yīng)度值；Weight為反應(yīng)堆屏蔽層質(zhì)量！Dc!為劑量限值。
[0013](b)權(quán)重型
[0014]Fittness = W1^ffeight' +W2^Dose'
[0015]Fittness為適應(yīng)度值;WeighC和Dose'分別為歸一化的質(zhì)量和劑量況和胃2分別為兩者之間的權(quán)重，默認(rèn)均為I ;
[0016]選擇上述推薦的適應(yīng)度函數(shù)，利用遺傳算法強尋優(yōu)能力，與神經(jīng)網(wǎng)絡(luò)相互耦合找到最佳的屏蔽參數(shù)。
[0017]進一步的，步驟2中BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有以下原則:
[0018](a)對于復(fù)雜工程問題，神經(jīng)網(wǎng)絡(luò)隱含層采用雙層神經(jīng)元
[0019](b)在單層的隱含層神經(jīng)網(wǎng)絡(luò)中，整個神經(jīng)網(wǎng)絡(luò)神經(jīng)元個數(shù)結(jié)構(gòu)為:
[0020]叫―2ni ± I — n2
[0021](c)在雙層的隱含層神經(jīng)網(wǎng)絡(luò)中，整個神經(jīng)網(wǎng)絡(luò)神經(jīng)元個數(shù)結(jié)構(gòu)為:
[0022]叫―1.5n 丨―2n 丨 ± I — n2
[0023]對于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)，有以下推薦:
[0024](a)節(jié)點傳遞函數(shù)
[0025]正切S型傳遞函數(shù)tansig
[0026](b)訓(xùn)練函數(shù)
[0027]BP算法訓(xùn)練函數(shù)trainlm
[0028](c)網(wǎng)絡(luò)學(xué)習(xí)函數(shù)
[0029]梯度下降動量函數(shù)Iearngdm
[0030]利用神經(jīng)網(wǎng)絡(luò)極強的非線性擬合能力對上述的劑量數(shù)據(jù)進行訓(xùn)練學(xué)習(xí)，直到達到誤差小于2%的預(yù)測精度來替換MCNP程序計算的過程。
[0031]本發(fā)明的有益效果是:
[0032]1.利用遺傳算法很好的尋優(yōu)能力，能夠在很少的迭代步驟中找到最優(yōu)屏蔽參數(shù)。
[0033]2.利用神經(jīng)網(wǎng)絡(luò)極強的擬合能力減少了 MCNP程序在粒子輸運計算過程的時間消耗。
[0034]3.利用整個算法流程搭建了一個GUI可視化界面，降低了設(shè)計人員的編程難度，使整個反應(yīng)堆屏蔽設(shè)計工作更加直觀、高效。
【附圖說明】
[0035]圖1是方法流程圖；
[0036]圖2是神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)和原始數(shù)據(jù)的回歸曲線圖，a、b、c、d分別訓(xùn)練集、驗證集、測試集和全部數(shù)據(jù)的回歸圖；
[0037]圖3是神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程的誤差變化圖；
[0038]圖4是神經(jīng)網(wǎng)絡(luò)預(yù)測效果對比圖；
[0039]圖5是遺傳算法的尋優(yōu)過程。
【具體實施方式】
[0040]基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的船用反應(yīng)堆屏蔽設(shè)計優(yōu)化方法，方法流程如圖1所示，其中具體步驟包括:
[0041](I)利用蒙特卡洛(MC)方法模擬計算反應(yīng)堆中子和光子輸運過程，采用反應(yīng)堆常用的MCNP程序?qū)Υ梅磻?yīng)堆分層屏蔽模型進行模擬計算，得到反應(yīng)堆屏蔽后的中子和光子通量，并計算出總的當(dāng)量劑量。
[0042](2)根據(jù)樣本的輸入?yún)?shù)個數(shù)njP輸出參數(shù)個數(shù)η 2來確定BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。考慮到實際屏蔽問題的復(fù)雜性，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有以下指導(dǎo)原則:
[0043](a)對于復(fù)雜工程問題，神經(jīng)網(wǎng)絡(luò)隱含層盡量采用雙層神經(jīng)元
[0044](b)在單層的隱含層神經(jīng)網(wǎng)絡(luò)中，整個神經(jīng)網(wǎng)絡(luò)神經(jīng)元個數(shù)結(jié)構(gòu)推薦為:
[0045]2n i ± I — n2
[0046](c)在雙層的隱含層神經(jīng)網(wǎng)絡(luò)中，整個神經(jīng)網(wǎng)絡(luò)神經(jīng)元個數(shù)結(jié)構(gòu)推薦為:
[0047]1.5n 2n i ± I — n2
[0048]對于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)，有以下推薦:
[0049](a)節(jié)點傳遞函數(shù)
[0050]正切S型傳遞函數(shù)tansig
[0051](b)訓(xùn)練函數(shù)
[0052]BP算法訓(xùn)練函數(shù)trainlm
[0053](c)網(wǎng)絡(luò)學(xué)習(xí)函數(shù)
[0054]梯度下降動量函數(shù)Iearngdm
[0055]利用神經(jīng)網(wǎng)絡(luò)極強的非線性擬合能力對上述的劑量數(shù)據(jù)進行訓(xùn)練學(xué)習(xí)，直到達到誤差小于2%的預(yù)測精度來替換MCNP程序計算的過程。
[0056](3)根據(jù)反應(yīng)堆屏蔽問題目標(biāo)確定遺傳算法的適應(yīng)度函數(shù)，適應(yīng)度函數(shù)有以下推薦類型:
[0057](a)約束型
[0058]Fittness = Weight, Dose D0
[0059]Fittness為適應(yīng)度值；Weight為反應(yīng)堆屏蔽層質(zhì)量；D(!為劑量限值；
[0060](b)權(quán)重型
[0061]Fittness = W1^ffeight' +W2^Dose'
[0062]Fittness為適應(yīng)度值；WeighC和Dose'分別為歸一化的質(zhì)量和劑量；
[0063]WjP W 2分別為兩者之間的權(quán)重，默認(rèn)均為I ;
[0064]選擇上述推薦的適應(yīng)度函數(shù)，利用遺傳算法很強的尋優(yōu)能力，與神經(jīng)網(wǎng)絡(luò)相互耦合找到最佳的屏蔽參數(shù)(本例中指各個屏蔽層厚度)。
[0065](4)利用Matlab程序設(shè)計上述整個流程的⑶I界面，編譯成一個操作簡單、效率高的人機交互軟件。
[0066]本發(fā)明的發(fā)明點是:在遺傳算法中利用神經(jīng)網(wǎng)絡(luò)替換MCNP來計算反應(yīng)堆屏蔽后的劑量并快速找到反應(yīng)堆屏蔽最佳參數(shù)。
[0067]涉及此方法的理論及軟件介紹:
[0068]1.MCNP