Resumen

La ocurrencia del diagnóstico de fallas y su predicción precisa en las plantas nucleares es extremadamente importante para evitar consecuencias desastrosas. Las limitaciones inherentes de los métodos actuales de diagnóstico de fallas hacen que las técnicas de aprendizaje automático y sus metodologías híbridas sean posibles soluciones para remediar este desafío. Este estudio buscó desarrollar, examinar, comparar y contrastar tres metodologías robustas de aprendizaje automático: el sistema de inferencia neurodifuso adaptativo, la memoria a corto plazo de largo plazo y la red de función de base radial, modelando el evento de pérdida de agua de alimentación utilizando RELAP5. Los índices de rendimiento de los gráficos residuales, el error porcentual absoluto medio, el error cuadrático medio y el coeficiente de determinación se utilizaron para determinar los algoritmos más adecuados para diagnosticar con precisión las firmas transitorias de pérdida de agua de alimentación. El estudio descubrió que el modelo del sistema de inferencia neurodifuso adaptativo

• Materias:Seguridad nuclear Combustible nuclear Parámetros de neutrones Simulación secuencial Datos operativos
• Subjects:Nuclear safety Nuclear Fuel Neutron parameters Sequential simulation Operational data
• Palabras claves:Diagnóstico de fallos; Técnicas de aprendizaje automático; Sistema de inferencia neurofuzzy adaptativo; Memoria a largo plazo; Red de función de base radial; Pérdida de agua de alimentación.
• Keywords:Fault diagnosis; Machine learning techniques; Adaptive neurofuzzy inference system; Long short-term memory; Radial basis function network; Loss of feed water.