• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Mémoire de Maîtrise
DOI
https://doi.org/10.11606/D.85.2021.tde-22102021-132940
Document
Auteur
Nom complet
Priscila Palma Sanchez
Adresse Mail
Unité de l'USP
Domain de Connaissance
Date de Soutenance
Editeur
São Paulo, 2021
Directeur
Jury
Santos, Adimir dos (Président)
Carluccio, Thiago
Martins, Marcelo Ramos
Titre en portugais
Monitoramento do Fator de Pico Nuclear em Reatores Compactos utilizando uma abordagem baseada em Aprendizado de Máquina (Machine Learning)
Mots-clés en portugais
fator de pico nuclear
isento de boro
monitoramento do reator
reator compacto modular
vetores de suporte
Resumé en portugais
A fim de garantir a segurança em uma planta nuclear de potência, os sistemas de operação e proteção devem considerar parâmetros de segurança, seja para guiar os operadores ou para desligar o reator em caso de emergência. Especialmente em reatores modulares compactos (SMR) isentos de boro nos quais a reatividade e a potência são controladas exclusivamente por bancos de controle, a distribuição de potência é majoritariamente influenciada por suas movimentações afetando o Fator de Pico Nuclear (PF), que é um parâmetro importante a ser considerado. O PF relaciona a densidade de potência linear local máxima com a densidade de potência média em uma vareta combustível, indicando elevado fluxo de nêutrons que pode causar dano à vareta combustível. Neste trabalho, 2.117 amostras de simulações de um SMR livre de boro idealizado e controlado exclusivamente por bancos foram usadas para gerar um modelo de Máquina de Vetores de Suporte (SVM) capaz de estimar PF como função da posição dos bancos de controle. Tal modelo pode ser usado na predição e no monitoramento em tempo real de PF realizando cálculos simples como uma maneira de superar os desafios das metodologias existentes aplicadas a núcleos compactos. Residindo na busca em grade dos parâmetros da SVM e no processo de validação cruzada de 10 subgrupos no conjunto de dados de treino para alcançar um modelo otimizado e robusto, os resultados mostraram Raiz do Erro Quadrático Médio (RMSE) de aproximadamente 0,1% consistente para ambos os conjuntos de treino e teste.
Titre en anglais
Power Peaking Factor monitoring in Small Reactors using an approach based on Machine Learning
Mots-clés en anglais
boron free
power peaking factor
reactor monitoring
small modular reactor
support vector
Resumé en anglais
In order to ensure safety in a nuclear power plant, operation and protection systems must take into account safety parameters, whether to guide operators or to trip the reactor in emergency cases. Especially in a boron-free Small Modular Reactor (SMR) where reactivity and power are controlled exclusively by rod banks, the power distribution is mostly influenced by its movements affecting the Power Peaking Factor (PF), which is an important parameter to be considered. The PF relates the maximum local linear power density to the average power density in a fuel rod, indicating a high neutron flux that can cause fuel rod damage. In this work, 2,117 samples from simulations of an idealized boron-free SMR controlled exclusively by rod banks were used to generate a Support Vector Machine (SVM) model capable of estimating the PF as a function of control rod bank positions. Such model could be used to predict and online monitoring PF by carrying out simple calculation as a way of overcoming the existent methodologies challenges applied to small cores. Residing in a SVM parameter grid search and a 10-cross validation process in the training set to reach an optimized and robust model, the results have shown a Root Mean Squared Error (RMSE) of about 0.1% consistent for both training and testing sets.
 
AVERTISSEMENT - Regarde ce document est soumise à votre acceptation des conditions d'utilisation suivantes:
Ce document est uniquement à des fins privées pour la recherche et l'enseignement. Reproduction à des fins commerciales est interdite. Cette droits couvrent l'ensemble des données sur ce document ainsi que son contenu. Toute utilisation ou de copie de ce document, en totalité ou en partie, doit inclure le nom de l'auteur.
Date de Publication
2021-10-27
 
AVERTISSEMENT: Apprenez ce que sont des œvres dérivées cliquant ici.
Tous droits de la thèse/dissertation appartiennent aux auteurs
CeTI-SC/STI
Bibliothèque Numérique de Thèses et Mémoires de l'USP. Copyright © 2001-2022. Tous droits réservés.