Применение многослойных нейронных сетей для решения задач безопасности и эффективности в ядерной энергетике
Ключевые слова:
нейронная сеть, многослойная нейронная сеть, ядерная энергетика, искусственная нейронная сеть, атомная электрическая станция
Аннотация
Настоящая работа представляет собой обзор применения нейронных сетей в области ядерной энергетики. Рассмотрены различные подходы к использованию нейронных сетей для оптимизации управления ядерными реакторами, прогнозирования поведения материалов, анализа данных мониторинга и диагностики состояния оборудования, а также других задач. Подробно описаны преимущества данного подхода, включая повышение эффективности и точности прогнозирования, улучшение процессов управления и обеспечение более надежной диагностики. Представлены ограничения, с которыми сталкиваются при применении нейронных сетей в ядерной энергетике. Обозначены перспективы использования нейронных сетей в данной области и предложены возможные направления для будущих исследований, направленных на улучшение эффективности и безопасности ядерной энергетики. Этот обзор поможет специалистам и исследователям лучше понять потенциал нейронных сетей в контексте ядерной энергетики и способы их применения для решения актуальных задач в этой области.
Литература
1. Хамаза А.А., Ковалевич О.М., Ларина С.В. Атомная энергетика. Развитие, безопасность, международное сотрудничество. М.: Изд-во МЭИ, 2019.
2. Александров А.П. Атомная энергетика и научно-технический прогресс. М.: Наука, 2018.
3. Шевченко С.А. и др. Искусственные нейронные сети в теплофизических задачах атомной энергетики. Вопросы обоснования применимости. М.: НТЦ ЯРБ, 2020.
4. Батяев Д.А. и др. Оптимизация работы ТЭЦ с учетом использования нейросетевых технологий // Достижения науки и технологий: Материалы Всерос. науч. конф. 2023. № 7. С. 179—183.
5. Возможности нейронных сетей в энергетике [Электрон. ресурс]. https://ekb.chint-electric.ru/capabilities-of-neural-networks-in-the-energy-sector (дата обращения 06.08.2024).
6. Jiao B.B. Nuclear Bond Energy Predictions Based on the BP Neural Network // Intern. J. Mod. Phys. E. 2020. V. 29. P. 2050024
7. Zeng Yu., Liu J., Sun K., Hu L.-V. A Model for Predicting the Performance of a Reactor Control System Based on Machine Learning // Ann. Nucl. Energy. 2018. V. 113. Pp. 270—278.
8. Lee D., Arigi A.M., Kim J. An Algorithm for Autonomous Operation with Increased Power Using Deep Reinforcement Learning and a Rule-Based System // IEEE Access. 2020. V. 8. Pp. 196727—196746.
9. Хайкин С. Нейронные сети. М.: Издат. дом Вильямс, 2006.
10. Бобык А. Глубокие нейронные сети и феноменология сверхтяжелых ядер // Физика элементарных частиц и атомного ядра. 2022. № 53. С. 167—176.
11. Ростовцев В.С. Искусственные нейронные сети. СПб.: Лань, 2023.
12. Lin L. e. a. Development and Evaluation of a Practically Autonomous Control System for Advanced Reactors // Ann. Nucl. Energy. 2021. V. 150. P. 107861.
13. Искусственный интеллект в ядерной энергетике АЭС [Электрон. ресурс]: https://archive.atomicexpert.com/page3177509.html (дата обращения 06.08.2024).
14. Львова О.М., Дубкова А.В. Искусственные нейронные сети: перспективы использования в энергетике // Энергосбережение — важнейшее условие инновационного развития АПК: Материалы Междунар. науч.-техн. конф. Минск: БГАТУ, 2021. С. 277—280.
15. Нейронные сети на службе безопасности АЭС [Электрон. ресурс] https://strana-rosatom.ru/2017/01/23/nejronnye-seti-na-sluzhbe-bezopasnost/ (дата обращения 06.08.2024).
16. Воробьёв Ю.Б., Чыонг Ван К.Н. Система распознавания типа аварий на атомных электростанциях // Вестник МЭИ. 2015. № 4. С. 14—20.
17. Tatarinov V.V., Unizhaev N.V. Model for the Formation of the Requirements for Information Technology Used in the Digital Economy Ecosystem // Proc. Intern. Sci. and Practical Conf. on Modeling in Education. Moscow, 2019. Pp. 112—117.
18. Воробьев Ю.Б., Кузнецов В.Д. Идентификация аварийных ситуаций на АЭС и выработка оптимальных управляющих воздействий // Вестник МЭИ. 2006. № 5. С. 17—24.
19. Воробьев Ю.Б., Кузнецов В.Д. Использование современных интегральных кодов для управления безопасностью АЭС // Вестник МЭИ. 2001. № 5. С. 31—37.
20. Воробьев Ю.Б., Кузнецов В.Д. Возможность совместного использования нейронных сетей и интегральных кодов в системе поддержки операторов // Известия высших учеб. заведений. Серия «Ядерная энергетика». 2002. № 4. C. 3—11.
21. Xianping Zhong e. a. Editorial: Applications of Artificial Intelligence in Nuclear Energy // Front. Energy Res. 2022. V. 10. P. 965581.
22. Омельяненко Я. Эволюционные нейросети на языке Python: М.: ДМК Пресс, 2020.
23. Hukki K., Norros L. Diagnostic Orientation in Control of Disturbance Situations // Ergonomics. 1993. V. 36(11). Pp. 1317—1327.
24. Чыонг Ван Кхань Ньят. Метод идентификации типа и прогнозирование последствий аварии на АЭС: дис. … канд. техн. наук. М.: НИУ «МЭИ», 2017.
25. Зарюгин Д.Г. Разработка алгоритмов диагностики состояния ГЦН АЭС с ВВЭР-1000 по данным оперативного технологического контроля: дис. … канд. техн. наук. Обнинск, 2001.
26. Козлачков А.Н. Применение методов статистического анализа для расчетного обоснования безопасности реакторных установок: дис. … канд. техн. наук. Подольск, 2005.
27. Tenglong Cong e. a. Analysis of CHF in Saturated Forced Convective Boiling on a Heated Surface with Impinging Jets Using Artificial Neuronal Network and Genetic Algorithm // Nuclear Eng. and Design. 2011. V. 241(9). Pp. 3851—3945.
28. Стариков С.О., Лавренков Ю.Н. Применение спайковой нейронной сети для моделирования процесса высокотемпературного производства водорода в системах с газоохлаждаемыми реакторами // Известия высших учеб. заведений. Серия «Ядерная энергетика». 2019. № 1. С. 143—154.
29. Самонин В.Ю. Применение нейронных сетей для оперативного прогнозирования параметров высотного распределения плотности потока нейтронов в активной зоне реактора // Вопросы атомной науки и техники. Серия «Математическое моделирование физических процессов». 2018. Вып. 1. С. 64—70.
30. Оныкий Б.Н. и др. Построение аппроксимационной модели для критического теплового потока в трубах с использованием модульной нейронной сети // Нейроинформатика: Материалы Всерос. науч.-техн. конф. 2004. С. 159—166.
31. Ortiz-Servin J.J. BWR Fuel Cycle Optimization Using Neural Networks // Nuclear Eng. and Design. 2011. V. 241(9). Pp. 3729—3735.
32. Вишнякова А.Д., Гулина О.М., Сальников Н.Л. Возможность применения аппарата нейронных сетей для прогнозирования ЭКИ оборудования АЭС // Известия высших учеб. заведений. Серия «Ядерная энергетика». 2015. № 4. С. 61—71.
33. Павлов В.Ф. и др. Прогнозирование предела выносливости поверхностно-упрочненных сплошных цилиндрических образцов из стали 45 по остаточным напряжениям образца-свидетеля // Известия высших учеб. заведений. Поволжский регион. Серия «Технические науки». 2014. № 3(31). С. 149—162.
34. Шкатов В.В., Шкатов В.В. Применение нейронных сетей для прогнозирования характеристик пластичности горячекатаных листовых сталей // Cовременные материалы, техника и технологии. 2018. № 3(18). С. 42—46.
35. Аверин П.И., Крайнюков Н.И. Вариант решения задачи прогнозирования признаков разрушения металлов с помощью нейронных сетей на основе данных вейвлет-анализа импульсов акустической эмиссии // Вектор науки Тольяттинского гос. ун-та. 2011. № 4(18). С. 28—32.
36. Никитченко И.А., Воробьев Ю.Б. Разработка нейросетевой модели для прогнозирования хрупкого разрушения // Радиоэлектроника, электротехника и энергетика: Материалы Междунар. науч.-техн. конф. М.: НИУ «МЭИ», 2024.
37. Никитченко И.А., Воробьев Ю.Б., Аванов А.В. Разработка нейросетевой модели для прогнозирования вязкости разрушения // Материалы XXIV Междунар. науч.-техн. конф. молодых специалистов по ядерным энергетичесим установкам. Подольск: ОКБ «Гидропресс», 2024.
38. Никитченко И.А., Воробьев Ю.Б., Аванов А.В. Применение нейросетевой модели для прогнозирования вязкости разрушения сварного шва корпуса реактора ВВЭР // Актуальные проблемы инновационного развития ядерной техники: Материалы Всерос. науч.-практ. конф., посвященной 65-летию Северского технолог. ун-та. Северск, 2024. С. 94.
39. El-Sefy M., Yosri A., El-Dakhakhni W., Nagasaki S., Wiebe L. Artificial Neural Network for Predicting Nuclear Power Plant Dynamic Behaviors // Nuclear Eng. and Technol. 2021. V. 53(10). Pp. 1—11.
40. Унижаев Н.В. Особенности внедрения нейросетей и систем искусственного интеллекта на предприятиях электроэнергетики // Вопросы инновационной экономики. 2023. Т. 13. № 1. С. 215—232.
41. Ben Qi, Liguo Zhang, Jingang Liang, Jiejuan Tong. Combinatorial Techniques for Fault Diagnosis in Nuclear Power Plants Based on Bayesian Neural Network and Simplified Bayesian Network-artificial Neural Network // Frontiers in Energy Research. 2022. V. 10. P. 920194.
---
Для цитирования: Никитченко И.А. Применение многослойных нейронных сетей для решения задач безопасности и эффективности в ядерной энергетике // Вестник МЭИ. 2025. № 1. С. 138—146. DOI: 10.24160/1993-6982-2025-1-138-146
#
1. Khamaza A.A., Kovalevich O.M., Larina S.V. Atomnaya Energetika. Razvitie, Bezopasnost', Mezhdunarodnoe Sotrudnichestvo. M.: Izd-vo MEI, 2019. (in Russian).
2. Aleksandrov A.P. Atomnaya Energetika i Nauchno-tekhnicheskiy Progress. M.: Nauka, 2018. (in Russian).
3. Shevchenko S.A. i dr. Iskusstvennye Neyronnye Seti v Teplofizicheskikh Zadachakh Atomnoy Energetiki. Voprosy Obosnovaniya Primenimosti. M.: NTTS YARB, 2020. (in Russian).
4. Batyaev D.A. i dr. Optimizatsiya Raboty TETS s Uchetom Ispol'zovaniya Neyrosetevykh Tekhnologiy. Dostizheniya Nauki i Tekhnologiy: Materialy Vseros. Nauch. Konf. 2023;7:179—183. (in Russian).
5. Vozmozhnosti Neyronnykh Setey v Energetike [Elektron. Resurs]. https://ekb.chint-electric.ru/capabilities-of-neural-networks-in-the-energy-sector (Data Obrashcheniya 06.08.2024). (in Russian).
6. Jiao B.B. Nuclear Bond Energy Predictions Based on the BP Neural Network. Intern. J. Mod. Phys. E. 2020;29:2050024
7. Zeng Yu., Liu J., Sun K., Hu L.-V. A Model for Predicting the Performance of a Reactor Control System Based on Machine Learning. Ann. Nucl. Energy. 2018;113:270—278.
8. Lee D., Arigi A.M., Kim J. An Algorithm for Autonomous Operation with Increased Power Using Deep Reinforcement Learning and a Rule-Based System. IEEE Access. 2020;8:196727—196746.
9. Khaykin S. Neyronnye Seti. M.: Izdat. Dom Vil'yams, 2006. (in Russian).
10. Bobyk A. Glubokie Neyronnye Seti i Fenomenologiya Sverkhtyazhelykh Yader. Fizika Elementarnykh Chastits I Atomnogo Yadra. 2022;53:167—176. (in Russian).
11. Rostovtsev V.S. Iskusstvennye Neyronnye Seti. SPb.: Lan', 2023. (in Russian).
12. Lin L. e. a. Development and Evaluation of a Practically Autonomous Control System for Advanced Reactors. Ann. Nucl. Energy. 2021;150:107861.
13. Iskusstvennyy Intellekt v Yadernoy Energetike AES [Elektron. Resurs]: https://archive.atomicexpert.com/page3177509.html (Data Obrashcheniya 06.08.2024). (in Russian).
14. L'vova O.M., Dubkova A.V. Iskusstvennye Neyronnye Seti: Perspektivy Ispol'zovaniya v Energetike. Energosberezhenie — Vazhneyshee Uslovie Innovatsionnogo Razvitiya APK: Materialy Mezhdunar. Nauch.-tekhn. Konf. Minsk: BGATU, 2021:277—280. (in Russian).
15. Neyronnye Seti na Sluzhbe Bezopasnosti AES [Elektron. Resurs] https://strana-rosatom.ru/2017/01/23/nejronnye-seti-na-sluzhbe-bezopasnost/ (Data Obrashcheniya 06.08.2024). (in Russian).
16. Vorob'ev Yu.B., Chyong Van K.N. Sistema Raspoznavaniya Tipa Avariy na Atomnykh Elektrostantsiyakh. Vestnik MEI.2015;4:14—20. (in Russian).
17. Tatarinov V.V., Unizhaev N.V. Model for the Formation of the Requirements for Information Technology Used in the Digital Economy Ecosystem. Proc. Intern. Sci. and Practical Conf. on Modeling in Education. Moscow, 2019:112—117.
18. Vorob'ev Yu.B., Kuznetsov V.D. Identifikatsiya Avariynykh Situatsiy na AES i Vyrabotka Optimal'nykh Upravlyayushchikh Vozdeystviy. Vestnik MEI. 2006;5:17—24. (in Russian).
19. Vorob'ev Yu.B., Kuznetsov V.D. Ispol'zovanie Sovremennykh Integral'nykh Kodov dlya Upravleniya Bezopasnost'yu AES. Vestnik MEI. 2001;5:31—37. (in Russian).
20. Vorob'ev Yu.B., Kuznetsov V.D. Vozmozhnost' Sovmestnogo Ispol'zovaniya Neyronnykh Setey i Integral'nykh Kodov v Sisteme Podderzhki Operatorov. Izvestiya Vysshikh Ucheb. Zavedeniy. Seriya «Yadernaya Energetika». 2002;4:3—11. (in Russian).
21. Xianping Zhong e. a. Editorial: Applications of Artificial Intelligence in Nuclear Energy. Front. Energy Res. 2022;10:965581.
22. Omel'yanenko Y.A. Evolyutsionnye Neyroseti na Yazyke Python: M.: DMK Press, 2020. (in Russian).
23. Hukki K., Norros L. Diagnostic Orientation in Control of Disturbance Situations. Ergonomics. 1993;36(11):1317—1327.
24. Chyong Van Kkhan' N'yat. Metod Identifikatsii Tipa i Prognozirovanie Posledstviy Avarii na AES: Dis. … Kand. Tekhn. Nauk. M.: NIU «MEI», 2017. (in Russian).
25. Zaryugin D.G. Razrabotka Algoritmov Diagnostiki Sostoyaniya GTSN AES s VVER-1000 po Dannym Operativnogo Tekhnologicheskogo Kontrolya: Dis. … Kand. Tekhn. Nauk. Obninsk, 2001. (in Russian).
26. Kozlachkov A.N. Primenenie Metodov Statisticheskogo Analiza dlya Raschetnogo Obosnovaniya Bezopasnosti Reaktornykh Ustanovok: Dis. … Kand. Tekhn. Nauk. Podol'sk, 2005. (in Russian).
27. Tenglong Cong e. a. Analysis of CHF in Saturated Forced Convective Boiling on a Heated Surface with Impinging Jets Using Artificial Neuronal Network and Genetic Algorithm. Nuclear Eng. and Design. 2011;241(9):3851—3945.
28. Starikov S.O., Lavrenkov Yu.N. Primenenie Spaykovoy Neyronnoy Seti dlya Modelirovaniya Protsessa Vysokotemperaturnogo Proizvodstva Vodoroda v Sistemakh s Gazookhlazhdaemymi Reaktorami. Izvestiya Vysshikh Ucheb. Zavedeniy. Seriya «Yadernaya Energetika». 2019;1:143—154. (in Russian).
29. Samonin V.Yu. Primenenie Neyronnykh Setey dlya Operativnogo Prognozirovaniya Parametrov Vysotnogo Raspredeleniya Plotnosti Potoka Neytronov v Aktivnoy Zone Reaktora. Voprosy Atomnoy Nauki i Tekhniki. Seriya «Matematicheskoe Modelirovanie Fizicheskikh Protsessov». 2018;1:64—70. (in Russian).
30. Onykiy B.N. i dr. Postroenie Approksimatsionnoy Modeli dlya Kriticheskogo Teplovogo Potoka v Trubakh s Ispol'zovaniem Modul'noy Neyronnoy Seti. Neyroinformatika: Materialy Vseros. Nauch.-tekhn. Konf. 2004:159—166. (in Russian).
31. Ortiz-Servin J.J. BWR Fuel Cycle Optimization Using Neural Networks. Nuclear Eng. and Design. 2011;241(9):3729—3735.
32. Vishnyakova A.D., Gulina O.M., Sal'nikov N.L. Vozmozhnost' Primeneniya Apparata Neyronnykh Setey dlya Prognozirovaniya EKI Oborudovaniya AES. Izvestiya Vysshikh Ucheb. Zavedeniy. Seriya «Yadernaya Energetika». 2015;4:61—71. (in Russian).
33. Pavlov V.F. i dr. Prognozirovanie Predela Vynoslivosti Poverkhnostno-Uprochnennykh Sploshnykh Tsilindricheskikh Obraztsov iz Stali 45 Po Ostatochnym Napryazheniyam Obraztsa-svidetelya. Izvestiya Vysshikh Ucheb. Zavedeniy. Povolzhskiy Region. Seriya «Tekhnicheskie Nauki». 2014;3(31):149—162. (in Russian).
34. Shkatov V.V., Shkatov V.V. Primenenie Neyronnykh Setey dlya Prognozirovaniya Kharakteristik Plastichnosti Goryachekatanykh Listovykh Staley. Sovremennye Materialy, Tekhnika i Tekhnologii. 2018;3(18):42—46. (in Russian).
35. Averin P.I., Kraynyukov N.I. Variant Resheniya Zadachi Prognozirovaniya Priznakov Razrusheniya Metallov s Pomoshch'yu Neyronnykh Setey na Osnove Dannykh Veyvlet-analiza Impul'sov Akusticheskoy Emissii. Vektor Nauki Tol'yattinskogo Gos. Un-ta. 2011;4(18):28—32. (in Russian).
36. Nikitchenko I.A., Vorob'ev Yu.B. Razrabotka Neyrosetevoy Modeli dlya Prognozirovaniya Khrupkogo Razrusheniya. Radioelektronika, Elektrotekhnika i Energetika: Materialy Mezhdunar. Nauch.-tekhn. Konf. M.: NIU «MEI», 2024. (in Russian).
37. Nikitchenko I.A., Vorob'ev Yu.B., Avanov A.V. Razrabotka Neyrosetevoy Modeli dlya Prognozirovaniya Vyazkosti Razrusheniya. Materialy XXIV Mezhdunar. Nauch.-tekhn. Konf. Molodykh Spetsialistov po Yadernym Energetichesim Ustanovkam. Podol'sk: OKB «Gidropress», 2024. (in Russian).
38. Nikitchenko I.A., Vorob'ev Yu.B., Avanov A.V. Primenenie Neyrosetevoy Modeli dlya Prognozirovaniya Vyazkosti Razrusheniya Svarnogo Shva Korpusa Reaktora VVER. Aktual'nye Problemy Innovatsionnogo Razvitiya Yadernoy Tekhniki: Materialy Vseros. Nauch.-prakt. Konf., Posvyashchennoy 65-letiyu Severskogo Tekhnolog. Un-ta. Seversk, 2024:94. (in Russian).
39. El-Sefy M., Yosri A., El-Dakhakhni W., Nagasaki S., Wiebe L. Artificial Neural Network for Predicting Nuclear Power Plant Dynamic Behaviors. Nuclear Eng. and Technol. 2021;53(10):1—11.
40. Unizhaev N.V. Osobennosti Vnedreniya Neyrosetey i Sistem Iskusstvennogo Intellekta na Predpriyatiyakh Elektroenergetiki. Voprosy Innovatsionnoy Ekonomiki. 2023;13;1:215—232. (in Russian).
41. Ben Qi, Liguo Zhang, Jingang Liang, Jiejuan Tong. Combinatorial Techniques for Fault Diagnosis in Nuclear Power Plants Based on Bayesian Neural Network and Simplified Bayesian Network-artificial Neural Network. Frontiers in Energy Research. 2022;10:920194
---
For citation: Nikitchenko I.A. Application of Multilayer Neural Networks to Solve Safety and Efficiency Problems in Nuclear Power Engineering. Bulletin of MPEI. 2025;1:138—146. (in Russian). DOI: 10.24160/1993-6982-2025-1-138-146
2. Александров А.П. Атомная энергетика и научно-технический прогресс. М.: Наука, 2018.
3. Шевченко С.А. и др. Искусственные нейронные сети в теплофизических задачах атомной энергетики. Вопросы обоснования применимости. М.: НТЦ ЯРБ, 2020.
4. Батяев Д.А. и др. Оптимизация работы ТЭЦ с учетом использования нейросетевых технологий // Достижения науки и технологий: Материалы Всерос. науч. конф. 2023. № 7. С. 179—183.
5. Возможности нейронных сетей в энергетике [Электрон. ресурс]. https://ekb.chint-electric.ru/capabilities-of-neural-networks-in-the-energy-sector (дата обращения 06.08.2024).
6. Jiao B.B. Nuclear Bond Energy Predictions Based on the BP Neural Network // Intern. J. Mod. Phys. E. 2020. V. 29. P. 2050024
7. Zeng Yu., Liu J., Sun K., Hu L.-V. A Model for Predicting the Performance of a Reactor Control System Based on Machine Learning // Ann. Nucl. Energy. 2018. V. 113. Pp. 270—278.
8. Lee D., Arigi A.M., Kim J. An Algorithm for Autonomous Operation with Increased Power Using Deep Reinforcement Learning and a Rule-Based System // IEEE Access. 2020. V. 8. Pp. 196727—196746.
9. Хайкин С. Нейронные сети. М.: Издат. дом Вильямс, 2006.
10. Бобык А. Глубокие нейронные сети и феноменология сверхтяжелых ядер // Физика элементарных частиц и атомного ядра. 2022. № 53. С. 167—176.
11. Ростовцев В.С. Искусственные нейронные сети. СПб.: Лань, 2023.
12. Lin L. e. a. Development and Evaluation of a Practically Autonomous Control System for Advanced Reactors // Ann. Nucl. Energy. 2021. V. 150. P. 107861.
13. Искусственный интеллект в ядерной энергетике АЭС [Электрон. ресурс]: https://archive.atomicexpert.com/page3177509.html (дата обращения 06.08.2024).
14. Львова О.М., Дубкова А.В. Искусственные нейронные сети: перспективы использования в энергетике // Энергосбережение — важнейшее условие инновационного развития АПК: Материалы Междунар. науч.-техн. конф. Минск: БГАТУ, 2021. С. 277—280.
15. Нейронные сети на службе безопасности АЭС [Электрон. ресурс] https://strana-rosatom.ru/2017/01/23/nejronnye-seti-na-sluzhbe-bezopasnost/ (дата обращения 06.08.2024).
16. Воробьёв Ю.Б., Чыонг Ван К.Н. Система распознавания типа аварий на атомных электростанциях // Вестник МЭИ. 2015. № 4. С. 14—20.
17. Tatarinov V.V., Unizhaev N.V. Model for the Formation of the Requirements for Information Technology Used in the Digital Economy Ecosystem // Proc. Intern. Sci. and Practical Conf. on Modeling in Education. Moscow, 2019. Pp. 112—117.
18. Воробьев Ю.Б., Кузнецов В.Д. Идентификация аварийных ситуаций на АЭС и выработка оптимальных управляющих воздействий // Вестник МЭИ. 2006. № 5. С. 17—24.
19. Воробьев Ю.Б., Кузнецов В.Д. Использование современных интегральных кодов для управления безопасностью АЭС // Вестник МЭИ. 2001. № 5. С. 31—37.
20. Воробьев Ю.Б., Кузнецов В.Д. Возможность совместного использования нейронных сетей и интегральных кодов в системе поддержки операторов // Известия высших учеб. заведений. Серия «Ядерная энергетика». 2002. № 4. C. 3—11.
21. Xianping Zhong e. a. Editorial: Applications of Artificial Intelligence in Nuclear Energy // Front. Energy Res. 2022. V. 10. P. 965581.
22. Омельяненко Я. Эволюционные нейросети на языке Python: М.: ДМК Пресс, 2020.
23. Hukki K., Norros L. Diagnostic Orientation in Control of Disturbance Situations // Ergonomics. 1993. V. 36(11). Pp. 1317—1327.
24. Чыонг Ван Кхань Ньят. Метод идентификации типа и прогнозирование последствий аварии на АЭС: дис. … канд. техн. наук. М.: НИУ «МЭИ», 2017.
25. Зарюгин Д.Г. Разработка алгоритмов диагностики состояния ГЦН АЭС с ВВЭР-1000 по данным оперативного технологического контроля: дис. … канд. техн. наук. Обнинск, 2001.
26. Козлачков А.Н. Применение методов статистического анализа для расчетного обоснования безопасности реакторных установок: дис. … канд. техн. наук. Подольск, 2005.
27. Tenglong Cong e. a. Analysis of CHF in Saturated Forced Convective Boiling on a Heated Surface with Impinging Jets Using Artificial Neuronal Network and Genetic Algorithm // Nuclear Eng. and Design. 2011. V. 241(9). Pp. 3851—3945.
28. Стариков С.О., Лавренков Ю.Н. Применение спайковой нейронной сети для моделирования процесса высокотемпературного производства водорода в системах с газоохлаждаемыми реакторами // Известия высших учеб. заведений. Серия «Ядерная энергетика». 2019. № 1. С. 143—154.
29. Самонин В.Ю. Применение нейронных сетей для оперативного прогнозирования параметров высотного распределения плотности потока нейтронов в активной зоне реактора // Вопросы атомной науки и техники. Серия «Математическое моделирование физических процессов». 2018. Вып. 1. С. 64—70.
30. Оныкий Б.Н. и др. Построение аппроксимационной модели для критического теплового потока в трубах с использованием модульной нейронной сети // Нейроинформатика: Материалы Всерос. науч.-техн. конф. 2004. С. 159—166.
31. Ortiz-Servin J.J. BWR Fuel Cycle Optimization Using Neural Networks // Nuclear Eng. and Design. 2011. V. 241(9). Pp. 3729—3735.
32. Вишнякова А.Д., Гулина О.М., Сальников Н.Л. Возможность применения аппарата нейронных сетей для прогнозирования ЭКИ оборудования АЭС // Известия высших учеб. заведений. Серия «Ядерная энергетика». 2015. № 4. С. 61—71.
33. Павлов В.Ф. и др. Прогнозирование предела выносливости поверхностно-упрочненных сплошных цилиндрических образцов из стали 45 по остаточным напряжениям образца-свидетеля // Известия высших учеб. заведений. Поволжский регион. Серия «Технические науки». 2014. № 3(31). С. 149—162.
34. Шкатов В.В., Шкатов В.В. Применение нейронных сетей для прогнозирования характеристик пластичности горячекатаных листовых сталей // Cовременные материалы, техника и технологии. 2018. № 3(18). С. 42—46.
35. Аверин П.И., Крайнюков Н.И. Вариант решения задачи прогнозирования признаков разрушения металлов с помощью нейронных сетей на основе данных вейвлет-анализа импульсов акустической эмиссии // Вектор науки Тольяттинского гос. ун-та. 2011. № 4(18). С. 28—32.
36. Никитченко И.А., Воробьев Ю.Б. Разработка нейросетевой модели для прогнозирования хрупкого разрушения // Радиоэлектроника, электротехника и энергетика: Материалы Междунар. науч.-техн. конф. М.: НИУ «МЭИ», 2024.
37. Никитченко И.А., Воробьев Ю.Б., Аванов А.В. Разработка нейросетевой модели для прогнозирования вязкости разрушения // Материалы XXIV Междунар. науч.-техн. конф. молодых специалистов по ядерным энергетичесим установкам. Подольск: ОКБ «Гидропресс», 2024.
38. Никитченко И.А., Воробьев Ю.Б., Аванов А.В. Применение нейросетевой модели для прогнозирования вязкости разрушения сварного шва корпуса реактора ВВЭР // Актуальные проблемы инновационного развития ядерной техники: Материалы Всерос. науч.-практ. конф., посвященной 65-летию Северского технолог. ун-та. Северск, 2024. С. 94.
39. El-Sefy M., Yosri A., El-Dakhakhni W., Nagasaki S., Wiebe L. Artificial Neural Network for Predicting Nuclear Power Plant Dynamic Behaviors // Nuclear Eng. and Technol. 2021. V. 53(10). Pp. 1—11.
40. Унижаев Н.В. Особенности внедрения нейросетей и систем искусственного интеллекта на предприятиях электроэнергетики // Вопросы инновационной экономики. 2023. Т. 13. № 1. С. 215—232.
41. Ben Qi, Liguo Zhang, Jingang Liang, Jiejuan Tong. Combinatorial Techniques for Fault Diagnosis in Nuclear Power Plants Based on Bayesian Neural Network and Simplified Bayesian Network-artificial Neural Network // Frontiers in Energy Research. 2022. V. 10. P. 920194.
---
Для цитирования: Никитченко И.А. Применение многослойных нейронных сетей для решения задач безопасности и эффективности в ядерной энергетике // Вестник МЭИ. 2025. № 1. С. 138—146. DOI: 10.24160/1993-6982-2025-1-138-146
#
1. Khamaza A.A., Kovalevich O.M., Larina S.V. Atomnaya Energetika. Razvitie, Bezopasnost', Mezhdunarodnoe Sotrudnichestvo. M.: Izd-vo MEI, 2019. (in Russian).
2. Aleksandrov A.P. Atomnaya Energetika i Nauchno-tekhnicheskiy Progress. M.: Nauka, 2018. (in Russian).
3. Shevchenko S.A. i dr. Iskusstvennye Neyronnye Seti v Teplofizicheskikh Zadachakh Atomnoy Energetiki. Voprosy Obosnovaniya Primenimosti. M.: NTTS YARB, 2020. (in Russian).
4. Batyaev D.A. i dr. Optimizatsiya Raboty TETS s Uchetom Ispol'zovaniya Neyrosetevykh Tekhnologiy. Dostizheniya Nauki i Tekhnologiy: Materialy Vseros. Nauch. Konf. 2023;7:179—183. (in Russian).
5. Vozmozhnosti Neyronnykh Setey v Energetike [Elektron. Resurs]. https://ekb.chint-electric.ru/capabilities-of-neural-networks-in-the-energy-sector (Data Obrashcheniya 06.08.2024). (in Russian).
6. Jiao B.B. Nuclear Bond Energy Predictions Based on the BP Neural Network. Intern. J. Mod. Phys. E. 2020;29:2050024
7. Zeng Yu., Liu J., Sun K., Hu L.-V. A Model for Predicting the Performance of a Reactor Control System Based on Machine Learning. Ann. Nucl. Energy. 2018;113:270—278.
8. Lee D., Arigi A.M., Kim J. An Algorithm for Autonomous Operation with Increased Power Using Deep Reinforcement Learning and a Rule-Based System. IEEE Access. 2020;8:196727—196746.
9. Khaykin S. Neyronnye Seti. M.: Izdat. Dom Vil'yams, 2006. (in Russian).
10. Bobyk A. Glubokie Neyronnye Seti i Fenomenologiya Sverkhtyazhelykh Yader. Fizika Elementarnykh Chastits I Atomnogo Yadra. 2022;53:167—176. (in Russian).
11. Rostovtsev V.S. Iskusstvennye Neyronnye Seti. SPb.: Lan', 2023. (in Russian).
12. Lin L. e. a. Development and Evaluation of a Practically Autonomous Control System for Advanced Reactors. Ann. Nucl. Energy. 2021;150:107861.
13. Iskusstvennyy Intellekt v Yadernoy Energetike AES [Elektron. Resurs]: https://archive.atomicexpert.com/page3177509.html (Data Obrashcheniya 06.08.2024). (in Russian).
14. L'vova O.M., Dubkova A.V. Iskusstvennye Neyronnye Seti: Perspektivy Ispol'zovaniya v Energetike. Energosberezhenie — Vazhneyshee Uslovie Innovatsionnogo Razvitiya APK: Materialy Mezhdunar. Nauch.-tekhn. Konf. Minsk: BGATU, 2021:277—280. (in Russian).
15. Neyronnye Seti na Sluzhbe Bezopasnosti AES [Elektron. Resurs] https://strana-rosatom.ru/2017/01/23/nejronnye-seti-na-sluzhbe-bezopasnost/ (Data Obrashcheniya 06.08.2024). (in Russian).
16. Vorob'ev Yu.B., Chyong Van K.N. Sistema Raspoznavaniya Tipa Avariy na Atomnykh Elektrostantsiyakh. Vestnik MEI.2015;4:14—20. (in Russian).
17. Tatarinov V.V., Unizhaev N.V. Model for the Formation of the Requirements for Information Technology Used in the Digital Economy Ecosystem. Proc. Intern. Sci. and Practical Conf. on Modeling in Education. Moscow, 2019:112—117.
18. Vorob'ev Yu.B., Kuznetsov V.D. Identifikatsiya Avariynykh Situatsiy na AES i Vyrabotka Optimal'nykh Upravlyayushchikh Vozdeystviy. Vestnik MEI. 2006;5:17—24. (in Russian).
19. Vorob'ev Yu.B., Kuznetsov V.D. Ispol'zovanie Sovremennykh Integral'nykh Kodov dlya Upravleniya Bezopasnost'yu AES. Vestnik MEI. 2001;5:31—37. (in Russian).
20. Vorob'ev Yu.B., Kuznetsov V.D. Vozmozhnost' Sovmestnogo Ispol'zovaniya Neyronnykh Setey i Integral'nykh Kodov v Sisteme Podderzhki Operatorov. Izvestiya Vysshikh Ucheb. Zavedeniy. Seriya «Yadernaya Energetika». 2002;4:3—11. (in Russian).
21. Xianping Zhong e. a. Editorial: Applications of Artificial Intelligence in Nuclear Energy. Front. Energy Res. 2022;10:965581.
22. Omel'yanenko Y.A. Evolyutsionnye Neyroseti na Yazyke Python: M.: DMK Press, 2020. (in Russian).
23. Hukki K., Norros L. Diagnostic Orientation in Control of Disturbance Situations. Ergonomics. 1993;36(11):1317—1327.
24. Chyong Van Kkhan' N'yat. Metod Identifikatsii Tipa i Prognozirovanie Posledstviy Avarii na AES: Dis. … Kand. Tekhn. Nauk. M.: NIU «MEI», 2017. (in Russian).
25. Zaryugin D.G. Razrabotka Algoritmov Diagnostiki Sostoyaniya GTSN AES s VVER-1000 po Dannym Operativnogo Tekhnologicheskogo Kontrolya: Dis. … Kand. Tekhn. Nauk. Obninsk, 2001. (in Russian).
26. Kozlachkov A.N. Primenenie Metodov Statisticheskogo Analiza dlya Raschetnogo Obosnovaniya Bezopasnosti Reaktornykh Ustanovok: Dis. … Kand. Tekhn. Nauk. Podol'sk, 2005. (in Russian).
27. Tenglong Cong e. a. Analysis of CHF in Saturated Forced Convective Boiling on a Heated Surface with Impinging Jets Using Artificial Neuronal Network and Genetic Algorithm. Nuclear Eng. and Design. 2011;241(9):3851—3945.
28. Starikov S.O., Lavrenkov Yu.N. Primenenie Spaykovoy Neyronnoy Seti dlya Modelirovaniya Protsessa Vysokotemperaturnogo Proizvodstva Vodoroda v Sistemakh s Gazookhlazhdaemymi Reaktorami. Izvestiya Vysshikh Ucheb. Zavedeniy. Seriya «Yadernaya Energetika». 2019;1:143—154. (in Russian).
29. Samonin V.Yu. Primenenie Neyronnykh Setey dlya Operativnogo Prognozirovaniya Parametrov Vysotnogo Raspredeleniya Plotnosti Potoka Neytronov v Aktivnoy Zone Reaktora. Voprosy Atomnoy Nauki i Tekhniki. Seriya «Matematicheskoe Modelirovanie Fizicheskikh Protsessov». 2018;1:64—70. (in Russian).
30. Onykiy B.N. i dr. Postroenie Approksimatsionnoy Modeli dlya Kriticheskogo Teplovogo Potoka v Trubakh s Ispol'zovaniem Modul'noy Neyronnoy Seti. Neyroinformatika: Materialy Vseros. Nauch.-tekhn. Konf. 2004:159—166. (in Russian).
31. Ortiz-Servin J.J. BWR Fuel Cycle Optimization Using Neural Networks. Nuclear Eng. and Design. 2011;241(9):3729—3735.
32. Vishnyakova A.D., Gulina O.M., Sal'nikov N.L. Vozmozhnost' Primeneniya Apparata Neyronnykh Setey dlya Prognozirovaniya EKI Oborudovaniya AES. Izvestiya Vysshikh Ucheb. Zavedeniy. Seriya «Yadernaya Energetika». 2015;4:61—71. (in Russian).
33. Pavlov V.F. i dr. Prognozirovanie Predela Vynoslivosti Poverkhnostno-Uprochnennykh Sploshnykh Tsilindricheskikh Obraztsov iz Stali 45 Po Ostatochnym Napryazheniyam Obraztsa-svidetelya. Izvestiya Vysshikh Ucheb. Zavedeniy. Povolzhskiy Region. Seriya «Tekhnicheskie Nauki». 2014;3(31):149—162. (in Russian).
34. Shkatov V.V., Shkatov V.V. Primenenie Neyronnykh Setey dlya Prognozirovaniya Kharakteristik Plastichnosti Goryachekatanykh Listovykh Staley. Sovremennye Materialy, Tekhnika i Tekhnologii. 2018;3(18):42—46. (in Russian).
35. Averin P.I., Kraynyukov N.I. Variant Resheniya Zadachi Prognozirovaniya Priznakov Razrusheniya Metallov s Pomoshch'yu Neyronnykh Setey na Osnove Dannykh Veyvlet-analiza Impul'sov Akusticheskoy Emissii. Vektor Nauki Tol'yattinskogo Gos. Un-ta. 2011;4(18):28—32. (in Russian).
36. Nikitchenko I.A., Vorob'ev Yu.B. Razrabotka Neyrosetevoy Modeli dlya Prognozirovaniya Khrupkogo Razrusheniya. Radioelektronika, Elektrotekhnika i Energetika: Materialy Mezhdunar. Nauch.-tekhn. Konf. M.: NIU «MEI», 2024. (in Russian).
37. Nikitchenko I.A., Vorob'ev Yu.B., Avanov A.V. Razrabotka Neyrosetevoy Modeli dlya Prognozirovaniya Vyazkosti Razrusheniya. Materialy XXIV Mezhdunar. Nauch.-tekhn. Konf. Molodykh Spetsialistov po Yadernym Energetichesim Ustanovkam. Podol'sk: OKB «Gidropress», 2024. (in Russian).
38. Nikitchenko I.A., Vorob'ev Yu.B., Avanov A.V. Primenenie Neyrosetevoy Modeli dlya Prognozirovaniya Vyazkosti Razrusheniya Svarnogo Shva Korpusa Reaktora VVER. Aktual'nye Problemy Innovatsionnogo Razvitiya Yadernoy Tekhniki: Materialy Vseros. Nauch.-prakt. Konf., Posvyashchennoy 65-letiyu Severskogo Tekhnolog. Un-ta. Seversk, 2024:94. (in Russian).
39. El-Sefy M., Yosri A., El-Dakhakhni W., Nagasaki S., Wiebe L. Artificial Neural Network for Predicting Nuclear Power Plant Dynamic Behaviors. Nuclear Eng. and Technol. 2021;53(10):1—11.
40. Unizhaev N.V. Osobennosti Vnedreniya Neyrosetey i Sistem Iskusstvennogo Intellekta na Predpriyatiyakh Elektroenergetiki. Voprosy Innovatsionnoy Ekonomiki. 2023;13;1:215—232. (in Russian).
41. Ben Qi, Liguo Zhang, Jingang Liang, Jiejuan Tong. Combinatorial Techniques for Fault Diagnosis in Nuclear Power Plants Based on Bayesian Neural Network and Simplified Bayesian Network-artificial Neural Network. Frontiers in Energy Research. 2022;10:920194
---
For citation: Nikitchenko I.A. Application of Multilayer Neural Networks to Solve Safety and Efficiency Problems in Nuclear Power Engineering. Bulletin of MPEI. 2025;1:138—146. (in Russian). DOI: 10.24160/1993-6982-2025-1-138-146
Опубликован
2024-10-24
Выпуск
Раздел
Ядерные энергетические установки, топливный цикл, радиационная безопасность (технические науки) (2.4.9)
