شناسایی بارگذاری و بهره‌برداری اشتباه از یک مجتمع سوخت در موقعیت نامناسب و در ابتدای سیکل سوخت رآکتور بوشهر با استفاده از شبکه عصبی مصنوعی

در این مقاله، یک شبکه عصبی مصنوعی به‌منظور شناسایی حادثۀ بارگذاری و بهره‌برداری اشتباه از یک مجتمع سوخت در موقعیت نامناسب در رآکتور هسته‌ای بوشهر طراحی می‌شود. بدین منظور، ابتدا خروجی‌های ناشی از بارگذاری اشتباه مجتمع‌های سوخت برای 54 آشکارساز نوترونی موجود در قلب رآکتور با استفاده شبیه‌ساز نویز نوترونی تولید شده و سپس با استفاده از آن‌ها به طراحی و آموزش پرسپترون چندلایه‌ای پرداخته می‌شود. ازآنجایی‌که چشمۀ نویز نوترونی ناشی از بارگذاری اشتباه دو مجتمع‌سوخت مجاور هم ترکیبی از دو چشمۀ نویز نوترونی جاذب با قدرت متغیر است، بنابراین ابتدا شناسایی موقعیت چشمه نویز نوترونی از نوع جاذب با قدرت متغیر انجام می‌شود. بدین منظور، شبکۀ عصبی مصنوعی با یک لایۀ مخفی طراحی‌ شده است که نتایج آن حدود 1‌% خطا با مقادیر خروجی مطلوب دارند. پس‌ازآن شناسایی موقعیت مجتمع‌های سوخت به اشتباه بارگذاری‌شده انجام می‌شود. برای این منظور شبکۀ عصبی مصنوعی با دو لایۀ مخفی طراحی‌ شده است که نتایج آن حدود 3‌% با مقادیر خروجی مطلوب اختلاف دارند. به‌طورکلی از نتایج چنین استنتاج می‌شود که با توجه به رابطه پیچیده و وابستگی نویز نوترونی به مکان آشکارسازها، استفاده از شبکه عصبی مصنوعی برای این شناسایی کارآمد است.

identification of inadvertent loading and operation of a fuel assembly in an improper position (ilofaip) at the beginning of bnpp fuel cycle using artificial neural network

this paper presents the design of an artificial neural network (ann) to identify the in-core loose parts in the instrumentation position (ilopaip) in the bushehr nuclear reactor. initially, a neutron noise simulator generates the outputs for the 54 neutron detectors in the reactor core due to ilopaip. these outputs are then used to design and train a multilayer perceptron. the neutron noise source caused by ilopaip comprises two components: an absorber of variable strength type. therefore, the first step involves determining the location of the neutron noise source of the absorber type with variable strength. an ann with a hidden layer is designed to identify the location of this neutron noise source. the results show a deviation of about 1% from the desired output values. subsequently, the location of ilopaip is identified using an ann with two hidden layers. the results show a deviation of about 3% from the desired output values. overall, the findings indicate that due to the complex relationship and the dependence of neutron noise on the location of the detectors, the use of ann is effective for this identification.