BP神经网络反演核事故源项中重要参数的研究

核事故发生时,可靠、准确的源项信息能为应急防护行动措施决策提供数据支持。采用Matlab软件神经网络工具箱可以实现基于BP神经网络的核事故源项反演,为提高核事故源项反演计算的准确度,针对反演时的几个重要参数进行研究,包括隐含层节点数、训练函数、学习率和隐含层数。研究结果表明,在单隐含层神经网络结构情况下,存在着最优隐含层节点数,综合考虑训练时间和误差,本文选取隐含层节点数为50来对其他参数影响进行进一步研究;在相同参数设置条件下,训练函数Trainlm比Traingdm更适合数据量较小时的核事故源项反演,反演计算准确度更高,在节点数为50时训练时间缩短了近35%;高学习率以及双隐含层能有效地提高核事故源项反演的精度,但训练时间相对增加。     

基于BP神经网络的核事故多核素源项反演方法

核事故发生后，为快速评估事故严重程度，需要对源项释放率进行估算。本文选取I-131，Cs-137，Xe-133和Kr-85四种核素的释放率为目标信号，利用Matlab建立基于BP神经网络的核事故四核素源项反演模型。计算结果表明，在单隐层节点数为5~60范围内，训练均方差 随节点数增加先减小后增大，在节点数为25时达到最小值41.1%。学习速率在0.01~0.2范围内时，增大学习率可减小训练均方差与各核素相对误差。对单隐层节点数为25，学习速率为0.2的训练结果进行测试，4种核素的源项估计相对误差分别为56.7%，49.1%，92.4%和92.0%。