РАЗРАБОТКА КОМБИНИРОВАННОЙ МОДЕЛИ УПРАВЛЕНИЯ ОСТЕКЛОВЫВАНИЕМ РАДИОАКТИВНЫХ ОТХОДОВ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

И. С. Надеждин, А. М. Емельянов, Ю. М. Козлова, С. Н. Ливенцов

Аннотация


Разработана обучающая выборка и проведено обучение двух искусственных нейронных сетей комбинированной модели остекловывания высокоактивных отходов АЭС в индукционной печи с холодным тиглем, которые включают в себя рекуррентную нейронную сеть для описания динамики температуры стекломассы и алгоритм на основе сети прямого распространения для прогнозирования времени плавления шихты. Верификация показала высокую точность искусственных нейтронных сетей — относительная погрешность составила менее 1%. Реализация на языке программирования C подтвердила возможность применения модели для отработки и тестирования алгоритмов в системах управления остекловыванием в целях поддержания оптимальных параметров, а также интеграции в цифровые двойники. Рис. 4, список лит. 10 назв.

Ключевые слова


остекловывание, искусственные нейронные сети, индукционная печь с холодным тиглем, математическое моделирование

Литература


Белоногова Е.А., Бочкарева А.А., Макеева И.Р. и др. Численное моделирование индукционной печи с холодным тиглем для остекловывания высокоактивных отходов. — Вопросы атомной науки и техники. Сер. Материаловедение и новые материалы, 2020, № 3(104), с. 54—69.

Полуэктов П.П., Суханов Л.П., Матюнин Ю.И. Научные подходы и технические решения в области обращения с жидкими высокоактивными отходами. — Рос. хим. журн., 2005, т. XLIX, № 4, с. 29—41.

Петров Ю.Б. Индукционная плавка окислов. М.: Энергоатомиздат, Ленингр. отд., 1983.

Хоршев А.А., Вавилов А.В., Скриган И.Н. и др. Численное моделирование варки стекла с имитаторами радиоактивных отходов в индукционных печах с холодным тиглем и донным нагревом. — Изв. СПбГЭТУ ЛЭТИ, 2024, т. 17, № 10, с. 113—127.

Sauvage E., Schuller S., Nabyl Z. e.a. Liquid feed vitrifi-cation of high-level nuclear waste: description and modeling of chemical reactions. — J. Nucl. Mater., 2025, v. 607, p. 155688.

Matyas J., Gervasio V., Sannoh S., Kruger A. Predictive modeling of crystal accumulation in high-level waste glass melters processing radioactive waste. — Ibid., 2017, v. 495, p. 322—331.

Lu X., Weller Z., Gervasio V., Vienna J. Glass design using machine learning property models with prediction uncertainties. Nuclear waste glass formulation. — Non-Crystal. Sol., 2024, v. 631, p. 122907.

Hu G., Pfingsten W. Data-driven machine learning for disposal of high-level nuclear waste: A review. — Ann. Nucl. Energy, 2023, v. 180, p. 109452.

Lillington J., Gout T., Harrison M., Farnan I. Predicting radioactive waste glass dissolution with machine learning. — Non-Crystal. Sol., 2024, v. 533, p. 119852.

Надеждин И.С., Емельянов А.М., Ливенцов С.Н. Разработка искусственной нейронной сети для комбинированной модели процесса экстракции урана. — Атомная энергия, 2023, т. 135, № 5—6, с. 183—187.


Ссылки

  • На текущий момент ссылки отсутствуют.