Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
鈴土 知明; E.Tuerkcan*; H.Verhoef*
Journal of Nuclear Science and Technology, 34(3), p.240 - 247, 1997/03
被引用回数:3 パーセンタイル:30.38(Nuclear Science & Technology)稼動中のPWR型原子力プラントを対象とし、振動現象の監視システムを製作した。動的システムが状態空間内に描く軌道の空間相関はシステムの情報次元(フラクタル次元)を与えるため、それによってリミットサイクル(持続的)振動の発生を調べることができる。そこで、実際の原子力プラントから測定された多くの信号の空間相関を実時間で監視した。その結果、従来線形的方法では抽出できない有効な情報が得られることがわかった。例えば正常な運転状態において加圧器内圧力や冷却材ポンプ振動を除けば、ほとんどの振動的信号は線形安定、すなわち収束的振動であることが確かめられた。また、加圧器の圧力振動にうねり現象が発見された。
鈴土 知明; E.Tuerkcan*; J.P.Verhoef*
In-Core Instrumentation and Reactor Core Assessment, 0, p.157 - 165, 1996/00
実際の加圧水型原子炉から得られた中性子束信号と冷却材温度信号を用いて、炉心内の熱水力学的変動にカップリングした方位角依存の原子炉動特性を研究した。炉外中性子束信号の解析からは2次の方位角モードの中性子束ゆらぎが発見された。冷却材温度信号の解析より、温度ゆらぎの相関が強いチャネルのペアと、弱いペアが存在していることがわかった。相関が強いペアの温度ゆらぎ信号はいずれも、中性子束信号と上記2次の方位角モードがあらわれる周波数帯域において強い相関がある。異なるチャネルの冷却材が同位相や逆位相に関係しながらゆらいでいることによって、この空間依存現象が起きていると考えられる。
鍋島 邦彦; 鈴木 勝男; 篠原 慶邦*; E.Tuerkcan*
JAERI-Research 95-076, 33 Pages, 1995/11
本論文では、原子炉プラントの主要なプラセス変数の計測データを用いてニューラルネットワーク上に構築したプラントモデルの予測値と実際の信号との誤差監視に基づく異常徴候の早期検知手法、及びそのプログラムについて述べる。ここで用いたニューラルネットワークは、3層からなる12入力12出力のauto-associative型ネットワークで、その学習則には誤差逆伝播アルゴリズムを採用した。さらに原子炉の動特性のモデル化の精度を向上させるために、初期学習と適応学習に分ける新しい学習法を開発した。このニューラルネットワークを実際の原子力プラントの実時間監視システムとして使用した結果、原子炉の起動・停止及び定常運転の広出力範囲にわたって、微小な異常兆候を早期に検知することができた。
鍋島 邦彦; 鈴木 勝男; E.Tuerkcan*
Proc. of 9th Power Plant Dynamics, Control & Testing Symp., Vol. 1, 0, p.51.01 - 51.09, 1995/00
原子力プラントでは、数多くのセンサ信号がプラントの運転状態を表示している。プラント状態を監視するためには、これらの情報を迅速かつ同時に処理する必要がある。このために、ニューラルネットワークとエキスパートシステムを組み合せたハイブリッド監視システムを開発し、オランダの原子力プラントに適用した。このシステムは、ニューラルネットワークをプラントのモデリングに、またエキスパートシステムをニューラルネットワークとオペレータからの入力を基にした診断及びマンマシンインターフェイスの両方に用いている。このハイブリットシステムをオランダのボルセレ原子炉プラントに適用した結果、プラントの監視システムとして有効であることが示された。
鍋島 邦彦; 鈴木 勝男; E.Tuerkcan*; Oe.Ciftcioglu*
The 3rd JSME/ASME Joint Int. Conf. on Nuclear Engineering, Vol. 3, 0, p.1551 - 1556, 1995/00
階層型ニューラルネットワークを用いて、オランダのPWRプラントのオンライン監視システムを構築した。使用したネットワークは、入力層と出力層が同じノードになっており、学習側には誤差逆伝播アルゴリズムを採用した。学習データとして、出力上昇・定常運転・出力減少という広範囲に渡る典型的なパターンを用い、正常状態における原子炉プラントのモデル化をニューラルネットワークの内部で行う。したがって、学習終了後に異常なデータが入力された場合には、ネットワークの出力は、検出器からの信号と大きく異なるため、微小な異常も検知することができる。このシステムを実際の原子炉にオンラインで適用した結果、ニューラルネットワークがうまく複雑な原子炉をモデル化でき、しかも微小な異常徴候を検知することが可能であることが示された。