دانلود رایگان ترجمه مقاله پیش بینی غلظت هیدروژن در مهار حوادث شدید با شبکه عصبی فازی (نشریه الزویر ۲۰۱۵) (ترجمه ارزان – نقره ای ⭐️⭐️)

elsevier

 

 

این مقاله انگلیسی ISI در نشریه الزویر در ۹ صفحه در سال ۲۰۱۵ منتشر شده و ترجمه آن ۱۷ صفحه میباشد. کیفیت ترجمه این مقاله ارزان – نقره ای ⭐️⭐️ بوده و به صورت کامل ترجمه شده است.

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

پیش بینی غلظت هیدروژن در مهار حوادث شدید با استفاده از شبکه عصبی فازی

عنوان انگلیسی مقاله:

Prediction of hydrogen concentration in containment during severe accidents using fuzzy neural network

 
 
 
 
 

 

مشخصات مقاله انگلیسی (PDF)
سال انتشار ۲۰۱۵
تعداد صفحات مقاله انگلیسی ۹ صفحه با فرمت pdf
رشته های مرتبط با این مقاله شیمی و مکانیک
گرایش های مرتبط با این مقاله شیمی کاربردی، مکانیک سیالات و مکاترونیک
چاپ شده در مجله (ژورنال) مهندسی و فناوری هسته ای – Nuclear Engineering and Technology
کلمات کلیدی سیستم استنباط فازی، شبکه عصبی فازی، الگوریتم ژنتیکی، غلظت هیدروژن، حادثه از بین رفتن سردکن، حادثه شدید
ارائه شده از دانشگاه گروه مهندسی هسته ای، دانشگاه چوسون، کره جنوبی
رفرنس دارد  
کد محصول F1371
نشریه الزویر – Elsevier

 

مشخصات و وضعیت ترجمه فارسی این مقاله (Word)
وضعیت ترجمه انجام شده و آماده دانلود
تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش  ۱۷ صفحه (۱ صفحه رفرنس انگلیسی) با فونت ۱۴ B Nazanin
ترجمه عناوین تصاویر و جداول ترجمه شده است ✓ 
ترجمه متون داخل تصاویر ترجمه شده است   
ترجمه متون داخل جداول ترجمه شده است  
درج تصاویر در فایل ترجمه درج شده است  
درج جداول در فایل ترجمه درج شده است  
درج فرمولها و محاسبات در فایل ترجمه  به صورت عکس درج شده است  
منابع داخل متن درج نشده است 
کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 

 

فهرست مطالب
چکیده
۱-مقدمه
۲-شبکه عصبی فازی
۲-۱-سیستم استنباط فازی
۲-۲ آموزش FIS
۳-آماده سازی داده ها
۴-کاربرد برای پیشگویی غلظت هیدروژن
۵-نتیجه گیری
 

 

بخشی از ترجمه
 چکیده
اخیرا، حوادث شدیدی در نیروگاه های هسته ای (NPP ها) یک نگرانی جهانی شده است. هدف این مقاله پیش بینی ساخت هیدروژن داخل درون داره نیروگاه ناشی از حوادث شدید می باشد. این پیشگویی براساس NPPهای یک راکتور نیروگاه بهینه سازی شده ۱۰۰۰ بوده است. افزایش غلظت هیدروژن در حوادث شدید یکی از عوامل اصلی است که انسجام درون داره را تهدید می کند. یک روش با استفاده از شبکه عصبی فازی یا FNN برای پیشگویی غلظت هیدروژن داخل درون داره بکار بسته شد. مدل FNN تدوین گردید و براساس داده های شبیه سازی شده بدست آمده با شبیه سازی کد MAAP4 برای راکتور نیروگاه بهینه سازی ۱۰۰۰ روایی سازی گردید. مدل FNN بنا به انتظار به اپراتورها برای پیشگیری از انفجار هیدروژن در موقعیت های حوادث شدید کمک می کند و حادثه را به طور مناسبی مدیریت می کند چون قادر به پیشگویی تغییرات در روند غلظت هیدروژن در آغاز رویدادهای واقعی با استفاده از مدل FNN تدوین شده می باشد.
 
۱- مقدمه
اخیرا، حوادث شدید نیروگاه های هسته ای یا NPPها یک نگرانی جهانی شده است. در رویداد حوادث شدید، پارامترهای ایمنی اصلی راکتورهای هسته ای به سرعت طی مراحل اولیه تغییر کرده و برای اپراتورها زمان ناکافی برای ابداع یک پاسخ مناسب برجای می گذارد. مدیریت کارامد یک حادثه جدی نیازمند مشاهده پارامترهای کلیدی طی طول دوره خیلی مختصر رویدادهای اولیه با تعیین سناریوها و رویدادهای اولیه ای است که منجر به این حادثه می شود. بویژه، فوق العاده مهم است که پارامترهای مرتبط با ایمنی و اطلاعات حیاتی را طی دوره فوق العاده کوتاه بعد از حادثه از دست دادن سردکن یا LOCA و خرابی لوله ژنراتور بخار یا SGTR تعیین نمود. این کار تایید وضعیت NPP و تعیین عملکرد تصحیح کننده مناسب را قادر می سازد.
در صورت حوادث شدید، اپراتورهای NPP درباره انفجار هیدروژن به دلیل تجمع هیدروژن در درون داره نگرانند. هیدروژن در درون داره با تراوش از مرز فشار اولیه تجمع می یابد.
ازاینرو، این کار حوادث شدیدی را درنظر گرفته که توسط LOCAها ایجاد شده که با استفاده از داده های حاصل از راکتور نیروی بهینه ۱۰۰۰ یا OPR1000 تحلیل گردیده است. این کار با هدف پیشگویی غلظت هیدروژن در رویداد یک حادثه شدید صورت گرفت. افزایش در غلظت هیدروژن یکی از عوامل تهدید کننده انسجام درون داره است. هیدروژن داخل درون داره با رادیواکتیوسازی آب موجود در جو، فرسایش ماده داخلی درون داره توسط اسپری درون داره، و واکنش بخار با روکش آبکاری شده زیروکونیوم تولید می شود. حفظ انسجام درون داره با پیشگیری از انفجار هیدروژن درونی نیاز به این دارد که غلظت هیدروژن زیر ۴ درصد نگه داشته شود.
از اینرو، در این مطالعه، انواع روشهای هوش مصنوعی یا AI برای پیشگویی تغییرات در غلظت هیدروژن بررسی گردید. تعیین گردیده که یک روش با استفاده از یک شبکه عصبی فازی یا FNN مناسب ترین نوع برای پیشگویی غلظت هیدروژن بوده است. یک تعداد تکنیک های AI به طور موفقیت آمیزی برای انواع عرصه های تحقیقاتی مهندسی هسته ای، مانند روایی سازی سیگنال، تشخیص کارخانه، شناسایی رویداد، و حسگر هوشمند (یا تخمین عملکر) بکار بسته شده است. بسیاری از کارهای قبلی با استفاده از سیستم استنباطی فازی یا FISها و شبکه های عصبی یا NN ها بوده است. Jang & Sun تعادل عملیاتی میان NNها و FISها را در مواردی نشان داده اند که توابع فعالسازی NNها و تابع عضویت FIS یکسان بوده اند.
یک FNN یک مدل مبتنی بر داده هاست که نیازمند داده ها برای تدوین و تایید آن است. چون داده های حوادث شدید واقعی در دست نیست، لازم است از شبیه سازی های عددی برای کسب داده های لازم برای مدل مطرح شده استفاده کنیم. مدلFNN براساس داده های شبیه سازی NPP که استفاده از کد MAPP4 را ملزم می سازد تایید شده است. مدیریت موفقیت آمیز NPPها در نتیجه توانایی پیشگویی سریع پارامترهای حیاتی-ایمنی طی حوادث واقعی می تواند منجر به حفاظت از NPPها گردد.

 

بخشی از مقاله انگلیسی

Abstract

Recently, severe accidents in nuclear power plants (NPPs) have become a global concern. The aim of this paper is to predict the hydrogen buildup within containment resulting from severe accidents. The prediction was based on NPPs of an optimized power reactor 1,000. The increase in the hydrogen concentration in severe accidents is one of the major factors that threaten the integrity of the containment. A method using a fuzzy neural network (FNN) was applied to predict the hydrogen concentration in the containment. The FNN model was developed and verified based on simulation data acquired by simulating MAAP4 code for optimized power reactor 1,000. The FNN model is expected to assist operators to prevent a hydrogen explosion in severe accident situations and manage the accident properly because they are able to predict the changes in the trend of hydrogen concentration at the beginning of real accidents by using the developed FNN model.

۱ Introduction

Recently, severe accidents in nuclear power plants (NPPs) have become a global concern. In the event of severe accidents, the major safety parameters of nuclear reactors change rapidly during the initial stages, leaving operators with insufficient time to devise an appropriate response. The efficient management of a serious accident requires observation of the key parameters during the very brief duration of initial events by establishing scenarios and initial events leading up to the accident. In particular, it is extremely important to determine safety-related parameters and critical information during the extremely short period following a loss of coolant accident (LOCA) and steam generator tube rupture (SGTR). This would enable verification of NPP status and determination of appropriate corrective action.

In case of severe accidents, the NPP operators are concerned about hydrogen explosion due to hydrogen accumulation in containment. Hydrogen is accumulated in containment by leakage from the primary pressure boundary Therefore, this work considered severe incidents that were caused by LOCAs, which were analyzed by using data from optimized power reactor 1,000 (OPR1000). The work aimed to predict the hydrogen concentration in the event of a severe accident. The increase in the hydrogen concentration is one of the factors threatening the integrity of the containment. The hydrogen inside the containment is generated by the radioactivation of water in the atmosphere, corrosion of the inner material of the containment by containment spray, and reaction of steam with the zirconium cladding. Maintaining the integrity of the containment by preventing the hydrogen within from exploding would require the local hydrogen concentration to be retained below 4%.

Therefore, in this study, various artificial intelligence (AI) methods were examined to predict changes in the hydrogen concentration. It was determined that a method using a fuzzy neural network (FNN) was the most suitable for predicting the hydrogen concentration. A number of AI techniques have been applied successfully to a variety of research fields of nuclear engineering, such as signal validation [1e3], plant diagnostics [4e7], event identification [8e10], and smart sensing (or function approximation) [11e13]. Many of the previous works used fuzzy inference systems (FISs) and neural networks (NNs). Jang and Sun [14] demonstrated the functional equivalence between NNs and FISs in cases when the activation functions of the NNs and the membership function of the FIS are the same.

An FNN is a data-based model that requires data for its development and verification. As data from real severe accidents do not exist, it is necessary to use numerical simulations to obtain the required data for the proposed model. The FNN model was verified based on the NPP simulation data acquired using MAAP4 code [15]. The successful management of NPPs as a result of the ability to rapidly predict safetycritical parameters during real accidents could lead to the safekeeping of NPPs.

 

 

 

دانلود رایگان مقاله انگلیسی + خرید ترجمه فارسی
عنوان فارسی مقاله:

پیش بینی غلظت هیدروژن در مهار حوادث شدید با استفاده از شبکه عصبی فازی

عنوان انگلیسی مقاله:

Prediction of hydrogen concentration in containment during severe accidents using fuzzy neural network

 
 
 
 
 

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *