Resumen

El enfoque habitual para la optimización de patrones de carga implica un alto grado de juicio de ingeniería, un conjunto de reglas heurísticas, un algoritmo de optimización y un código informático utilizado para evaluar los patrones de carga propuestos. La velocidad del proceso de optimización depende en gran medida del código informático utilizado para la evaluación. En este documento, investigamos la aplicabilidad de un modelo de aprendizaje automático que podría ser utilizado para una evaluación rápida de patrones de carga. Empleamos una técnica de aprendizaje automático recientemente introducida, la regresión de vectores de soporte (SVR), que es un paradigma de modelado no lineal basado en núcleos y basado en datos, en el que los parámetros del modelo se determinan automáticamente resolviendo un problema de optimización cuadrática. El objetivo principal del trabajo reportado en este documento fue evaluar la posibilidad de aplicar el método SVR para el modelado de patrones de carga del núcleo del reactor. Ilustramos el rendimiento de la solución y discutimos su aplicabilidad

• Materias:Núcleo del reactor Simulación numérica Residuos por Transmutación Dinámica de reactores Seguridad en reactor
• Subjects:Reactor Core Numerical simulation Transmutation Residues Reactor Dynamics Reactor Safety
• Palabras claves:Optimización de patrones de carga; Juicio de ingeniería; Reglas heurísticas; Algoritmo de optimización; Código informático; Modelo de aprendizaje automático.
• Keywords:Loading pattern optimization; Engineering judgment; Heuristic rules; Optimization algorithm; Computer code; Machine learning model