Application of computational intelligence methods to in-core fuel management

Abstract

Bu çalışmada, basınçlı su reaktörleri için kalp-içi yakıt yönetiminde yardımcı olan, reaktörün güvenli ve verimli çalışmasını sağlayacak en uygun yakıt yükleme motiflerini belirleyen ve öneren bir bilgisayar program sistemi geliştirilmiştir. En uygun yakıt yükleme motifinin belirlenmesinde motifleri karşılaştırmak için gereken güç dağılımı gibi reaktör kalp parametrelerinin hesaplanması, difüzyon denklemini çözen genel kalp hesabı kodları ile, uzun bir hesaplama zamanı almaktadır. Birçok tekrar gerektiren bu hesaplar bir yapay sinir ağı hesaplayıcısı ile yapılarak işlem süresi kısaltılmıştır. Böylece, daha çok yakıt yükleme motifini kısa bir zaman süresinde analiz etmek ve en uygunu bulma olasılığını artırmak mümkün olmuştur. Bu amaçla, bu çalışma için örnek alman İspanya'nın basınçlı su tipi Almaraz Nükleer Güç Reaktörü'nün kalp düzeni kullanılan kalp kod sistemi için modellenmiştir. Belirlenen farklı yakıt demeti tipleri için 2 gruplu tesir kesitleri hesaplandıktan sonra gerektiğinde kullanılmak üzere saklanmıştır. Yanma etkisi gözönüne alınmamıştır. 2000 adet yakıt yükleme motifi yakıt demetlerinin gelişi-güzel yerleştirilmesi yöntemi ile üretilmiş ve bunlara ait güç dağılımı ve çoğaltma sabiti (keff), difüzyon kodu kullanarak hesaplanmıştır. Bir sonraki aşamada, bu motiflerden 500'ü yapay sinir ağının eğitilmesi için kullanılmıştır. Kalan 1500 yükleme motifi ise, yapay sinir ağının başarısının testi için değerlendirilmiştir. Ağın, belirli bir hata sınırı içerisinde, güç dağılımı ve çoğaltma sabiti hesabını yapabildiği gözlenmiştir. Sistemi tamamlamak amacı ile otomatik bir yakıt yükleme motifi üreticisi geliştirilmiştir. Bu modül, yakıt demeti tipine göre yerleştirmeyi düzenleyen birkaç kural ve bunları reaktör kalbine yerleştiren bir algoritmadan oluşmaktadır. Bununla üretilen yükleme motifleri için güç dağılımı ve çoğaltma sabiti yapay sinir ağı kullanarak hesaplanmıştır. Önceden belirlenmiş bir maksimum güç üretimi ve minimum çoğaltma sabiti kriterine uyan yükleme motifleri uygun seçenekler olarak sunulmak üzere saklanmıştır. Çalışmanın son aşamasında, alternatif bir bir yakıt yükleme motifi üreticisi olarak genetik algoritma yöntemini kullanan bir sistem geliştirilmiştir. Bu yöntemle, başlangıç olarak alınan bir yükleme motifi genetik operatörler ile geliştirilerek uygun yükleme motifleri elde edilmeye çalışılmaktadır. Daha sonra, genetik algoritma ve kurala bağlı gelişi-güzel arama yöntemi karşılaştırılmış ve genetik algoritmanın başarısı gösterilmiştir. Geliştirilen sistemle, kalp-içi yakıt yönetiminin otomatikleştirilmesinin yapay zeka teknikleri ile mümkün olduğu gösterilmiştir.

In this study, a computer program package has been developed which supports the in-core fuel management activities for pressurized water reactors, generates and recommends optimum loading patterns to ensure safe and efficient reactor operation. A search for an optimum fuel loading pattern must be conducted in the space of several core parameters such as power distribution, which is an excessively time consuming computational process. Global core calculation codes take a relatively long time to do the task. The time interval necessary for the iterative process was reduced by using an artificial neural network estimator for the calculations. In this way, it was possible to analyze more loading patterns in the same time interval and the probability of finding a desired optimum was increased. As a case study, the core of the Almaraz Nuclear Power Plant of Spain, a pressurized water reactor, was modeled for the core calculation code system. The 2-group cross sections for the fuel assembly types were calculated and stored for later usage with the diffusion code. The fuel depletion effects were omitted. 2000 loading patterns were generated by placing fuel assemblies to random positions in the core, and for each pattern the power distribution and effective multiplication factor (keff) were calculated with the diffusion code. At the next stage, 500 of the loading patterns were introduced to the neural network as input data for the training process. The remaining 1500 patterns were used to validate the neural network implementation. It was shown that the neural network estimates the power distribution and the effective multiplication factor within acceptable error limits. To complete the system, a loading pattern generator was developed. This module consists of a set of rules and an algorithm that places the fuel assemblies to core positions. The neural network estimated the power distribution and effective multiplication factor for the loading patterns that were generated. The patterns that have a maximum power fraction lower than, and a minimum effective multiplication factor higher than reference values were stored as candidate optimum patterns. At the last stage of the work, an alternative loading pattern generator based on genetic algorithm method was developed. In this method, an initial loading pattern is improved by applying the genetic operators to obtain the optimum. The loading patterns obtained from the simple rule-based and the genetic algorithm methods were compared, and the genetic algorithm was shown to be more successful. It was seen that, it is possible to automate in-core fuel management activities by applying artificial intelligence techniques.