用于用在线计算DNBR来运行核反应堆的方法和对应的核反应堆

【技术领域】

本发明总体涉及保护和/或监测压水核反应堆的堆芯以防止沸腾危机(boilingcrisis)。

【背景技术】

维持第一安全屏障(燃料包壳)的完整性是核反应堆设计中的主要目标，并且是此外通过使用数值计算代码模拟反应堆在各种意外瞬变期间的行为来进行的安全论证的主题。

该分析全部记录在设施的最终安全报告中，该报告是核安全当局授予反应堆运行授权所需的。

燃料包壳的完整性通过在燃料芯块的中心没有融合(fusion)而且通过在包壳的表面上没有沸腾危机(偏离泡核沸腾Departure from Nuclear Boiling，DNB)来保证。这些条件必须在堆芯中的所有点处满足。

沸腾危机以一次回路的传热流体与燃料包壳的表面之间的热交换劣化为特征，该劣化可能导致热污染现象(calefaction phenomenon)和第一屏障的完整性的可能损失。

各个核反应堆配备有保护系统，该保护系统的作用是在一定数量的意外情况下保证反应堆的安全。保护系统通常包括称为低DNBR(Departure from Nuclear BoilingRatio偏离泡核沸腾比)的保护链。在具有四个一次回路的反应堆中，诸如1300MWe、N4和EPR，低DNBR保护链确保了保护核反应堆在2类意外瞬变期间免于沸腾危机现象，沸腾危机现象以具有适度动力学的反应性的插入(控制单元的不受控制的撤回、导致硼浓度的降低的一次流体的不合时宜的稀释、一次回路的不合时宜的冷却等)为特征。

为此，保护系统包括在1300MWe和N4反应堆上的信息处理单元(称为数字集成的保护和控制系统或DIPC)，该信息处理单元集成了称为“低DNBR算法”的功能单元。该算法在线计算关于沸腾危机的安全裕度。为此，该算法计算DNBR，并将计算值与考虑反应堆设计不确定性和DNBR值重建不确定性的极限值进行比较。如果重建值低于极限，则低DNBR保护链引起反应堆的自动停止。

偏离泡核沸腾比或DNBR被定义为临界热通量与局部热通量之间的比。局部热通量对应于由燃料棒穿过包壳发射的热通量。临界热通量是导致对燃料棒包壳的损坏的热通量的值，该值取决于流体的局部热工水力条件(local thermo-hydraulic conditions)。

低DNBR算法使用堆芯的简化热工水力模型，该模型在设计阶段通过作用于局部热工水力量的校正函数(偏置曲线)进行调节，以便确保对由3D热工水力参考代码计算的DNBR的保守响应。

该简化的热工水力建模使得能够根据表征反应堆的功率分布和允许临界热通量的评估的局部热工水力条件的测量量来计算局部热通量。

另外，低DNBR算法使用预定的临界通量相关性来计算临界热通量。该相关性根据实验数据凭经验确定。该相关性的设计示出复杂且昂贵的开发。该相关性的多维多项式型分析公式被先验假设，并且在开发过程期间的连续步骤中被手动调节，以便满足某些统计准则。

低DNBR计算算法不是非常精确，因此必须允许大的裕度来保证核反应堆运行期间的安全性。这对于反应堆控制是非常不利的。另外，尽管简化了，但热工水力建模需要使用微处理器系统的复杂的数值处理，这些微处理器系统允许算法随着与核反应堆保护兼容的时间而收敛。

在这个背景下，本发明的目的是提出一种用于运行核反应堆的方法，该方法不具有上述缺陷。

【发明内容】

为此，本发明涉及一种用于运行包括堆芯的核反应堆的方法，方法包括以下步骤：

-获取表征核反应堆的运行的多个量；

-使用深度神经网络计算至少一个偏离泡核沸腾比，深度神经网络的条目使用所获取的量来确定，深度神经网络包括至少两个隐藏层，各个隐藏层具有至少五个神经元；

-计算至少一个计算的偏离泡核沸腾比与多个预定参考阈值之间的偏差；

-使用所计算的偏差生成用于反应堆控制系统的控制信号，控制信号选自包含至少以下值的列表：

*反应堆自动停止或警报；

*不作任何事情；

-当生成的控制信号具有值“反应堆自动停止”时，由控制系统紧急停止核反应堆，或者当生成的控制信号具有值“警报”时，由控制系统发出警报信号。

低DNBR算法的主要缺陷是局部热工水力量是用简化的物理模型(单通道、单相模型)重建的，除了临界通量相关性(压降、孔隙率等)之外没有热工水力相关性。

深度神经网络的使用使得能够根据表征核反应堆运行的极限量的当前值确定偏离泡核沸腾比，比现今实施的低DNBR算法更精确且速度更快。

由深度神经网络预测的值更接近由参考热工水力代码计算的值。大大减小了DNBR重建误差。因此，核反应堆的运行裕度要好得多。

运行方法还可以具有单独或以任何技术上可能的组合考虑的以下特性中的一个或多个：

-所述所获取的量包括由中子通量检测器进行的中子通量测量，神经网络条目包含根据所获取的中子通量测量重建的核反应堆的堆芯中的轴向功率分布；

-轴向功率分布是具有多个分量的向量，各个分量对应于在给定轴向位置处的每个轴向切片的核反应堆的平均功率，各个分量定义深度神经网络的条目中的一个；

-中子通量检测器是布置在堆芯外部的堆芯外检测器；

-中子通量检测器是永久地插入在堆芯中的堆芯内检测器；

-核反应堆包括：压力容器，该压力容器包含堆芯和至少一个一次回路，一次回路包括直接流体连接到容器的热支路和冷支路；加压器，该加压器控制一次回路中的压力；以及主泵，该主泵确保一次回路中的一次流体的循环，对于一次回路或各个一次回路，所获取的量包括以下量中的一个或多个：加压器压力、一次回路中的一次流体流量、热支路和冷支路中的一次流体的温度；

-神经网络条目包括以下量中的一个或多个：加压器的压力、一次回路中的一次流体流量、冷支路中的一次流体的温度；

-神经网络条目包括由堆芯释放的热功率；

-通过至少使用针对至少一个一次回路获取的加压器压力、一次流体流量、热流体和冷支路中的一次流体的温度进行计算来确定释放的热功率；

-通过使用所获取的中子通量测量进行计算来确定所释放的热功率；

-神经网络的条目包括焓升因子；

-所获取的量包括堆芯反应性控制装置的当前插入位置，焓升因子通过实施以下操作来确定：

-使用所获取的当前插入位置来计算径向功率峰值因数；

-使用所计算的径向功率峰值因数、所重建的轴向功率分布和所确定的热功率输出来计算焓升因子；

-使用轴向功率分布来重建焓升因子；

-核反应堆包括多个一次回路，使用深度神经网络至少使用针对各个一次回路获取的所述量来针对一次回路计算偏离泡核沸腾比；

-检测器分布在若干组中，同一组的检测器在彼此的上方竖直交错，使用深度神经网络针对各组堆芯内中子通量检测器计算最小偏离泡核沸腾比，深度神经网络的条目至少使用由所述组的堆芯内中子通量检测器(31)进行的中子通量测量来确定；

-在偏差计算步骤中，计算各个所计算的偏离泡核沸腾比与多个预定参考值之间的一组偏差；

-在生成控制信号的步骤中，使用对应的一组偏差针对各个所计算的偏离泡核沸腾比生成临时控制信号，临时控制信号选自包括至少以下值的列表：

*反应堆自动停止或警报；

*不作任何事情；

通过使用至少几个临时控制信号来生成(elaborate)控制信号；

-偏离泡核沸腾比由深度神经网络使用以下公式计算：

其中，Y是计算的偏离泡核沸腾比；

X

nH是深度神经网络的隐藏层的数量；

A

σ

-A

-σ

-方法包括深度神经网络设计步骤，设计步骤包括以下子步骤：

-构建包括至少100000个反应堆堆芯状态的数据库，各个状态由表征核反应堆的运行的所述大小的一组值以及由使用该组值的参考3D热工水力计算代码计算的最小偏离泡核沸腾比值来定义，所述状态被选择为覆盖类别2的多个预定意外情况，反应堆控制系统被提供为处理所述意外情况；

-使用数据库的至少一部分来学习深度神经网络；

-通过使用独立于用于学习阶段的数据库的一部分来验证深度神经网络，并且测试通过与意外中子和热工水力代码耦合而获得的神经网络，这使得可以模拟需要控制系统的干预的意外瞬变。

根据第二方面，本发明涉及一种核反应堆，该核反应堆包括：

-堆芯；

-控制系统；

-信息处理单元，该信息处理单元被配置为实施具有上述特性的运行方法。

【附图说明】

其他特征和优点将参照附图从下面作为指示且非限制性地给出的详细描述显现，附图中：

图1是示出了本发明的方法的步骤图；

图2是旨在用于实施图1中的方法的核反应堆的简化示意图；

图3是本发明第一实施方式的图1中的方法的获取和计算步骤的示意图；

图4是在图1的方法中使用的深度神经网络的示意图；以及

图5是本发明第二实施方式的图1中的方法的获取和计算步骤的示意图。

【具体实施方式】

图1中示意性示出的运行方法旨在在图2中示出的类型的核反应堆中实施。

该核反应堆通常是压水堆(PWR)。

另选地，该反应堆旨在用于任何其它合适的核反应堆中。

核反应堆1具有堆芯3。

堆芯3通常由多个棱柱形核燃料组件构成，这些组件一个靠着另一个布置。各个核燃料组件包括多个核燃料棒，这些核燃料棒由格栅相对于彼此保持就位。

各个棒具有由诸如锆锡合金的金属制成的管状包壳，核燃料芯块堆叠在包壳内。

核反应堆1还包括包含堆芯3和至少一个一次回路7的压力容器5。

通常，核反应堆具有若干一次回路7，例如三个或四个一次回路7。

一次回路7或各个一次回路7包括直接流体连接到容器5的热支路和冷支路9、11、控制一次回路7中的压力的加压器13、以及提供一次回路7中的一次流体的循环的主泵15。加压器13通常为不同的一次回路所共用。

通常，一次回路7还具有位于主泵15上游的蒸汽发生器17。

热支路9将来自容器5的一次流体出口歧管流体连接到蒸汽发生器17的一次流体入口水箱。加压器13连接到热支路9。

一次回路的中间支路19，通常称为“U支路”，将蒸汽发生器17的一次流体出口水箱连接到主泵15的吸入部。冷支路11将主泵15的出口连接到容器5的一次流体入口。

核反应堆1还具有堆芯反应性控制装置21。

这些控制装置21通常被称为“控制束”，并且包括由中子吸收材料制成的多个棒。

核反应堆1还包括未示出的机构，这些机构被构造为选择性地使控制装置21在容器5内移动，以便将它们插入堆芯3或从堆芯中取出。

核反应堆1还具有控制系统23。

该控制系统23通常是保护系统，该保护系统被配置为在意外情况下引起核反应堆的紧急停止。

为了这样做，控制系统23被配置为向控制装置21的驱动机构发送自动反应堆停止命令。这种命令使得控制装置快速插入到核反应堆的堆芯3中。

另选地，控制系统23是监测系统，该监测系统被配置为当核反应堆接近其运行极限时生成警报。

根据另一变型，控制系统23既用作监测系统又用作保护系统。

核反应堆1还配备有多个传感器，这些传感器被配置为测量表征核反应堆1的运行的多个量。

由此，核反应堆1具有分别测量热支路9和冷支路11中的一次流体的温度的温度传感器23、25。

核反应堆1包括测量加压器13中的压力的传感器27。

核反应堆还具有测量主泵15的转速的传感器29。

核反应堆1还具有中子通量检测器31。

根据本发明的第一实施方式，这些检测器是布置在堆芯3外部的堆芯外检测器。

检测器31分布在容器5周围。

通常，它们是多堆芯外室，例如具有沿着容器的中心轴一个布置在另一个之上的6个部分。

检测器31用于测量由堆芯3在不同轴向水平发射的中子通量。

核反应堆1包括堆芯反应性控制装置21的位置的传感器33。

核反应堆还包括被配置为实施将在下面描述的运行方法的信息处理单元35。

信息处理单元是例如控制系统23的元件。它通常由处理器和与处理器相关的存储器构成。另选地，数据处理单元以诸如FPGA(现场可编程门阵列)的可编程逻辑部件的形式实现，或者以诸如ASIC(专用集成电路)的专用集成电路的形式实现。

各种传感器23、25、27、29、31、33向数据处理单元35提供信息。

现在将参照图1、图3和图4描述根据第一实施方式的用于运行核反应堆1的方法。

方法包括以下步骤：

-步骤S10：获取表征核反应堆1的运行的多个量；

-步骤S12：使用图4所示的深度神经网络37计算至少一个偏离泡核沸腾比(DNBR)，深度神经网络37的条目使用所获取的量来确定，深度神经网络37包括至少两个隐藏层，各个隐藏层具有至少五个神经元；

-步骤S14：计算至少一个计算的偏离泡核沸腾比(DNBR)与多个预定参考值之间的偏差；

-步骤S16：使用计算的偏差，制订用于反应堆23的控制系统的控制信号，该控制信号选自包括至少以下值的列表：

*反应堆自动停止或警报；

*不作任何事情；

-步骤S18：当生成的(elaborated)控制信号具有值“反应堆自动停止”时，由控制系统23紧急停止反应堆，或者当生成的控制信号具有值“警报”时，由控制系统23发出警报信号。

所获取的量至少包括由中子通量检测器31进行的中子通量测量，这允许重建堆芯3中的轴向功率分布P(z)，如下所述。

对于单个或各个一次回路7，所获取的量还包括以下量中的一个或多个：加压器的压力p、一次回路中的一次流体流量Q、热支路和冷支路中的一次流体温度T

通常，获取所有上述量。

加压器压力p以及热支路和冷支路中的一次流体温度T

一次流体流量Q使用由传感器29测量的主泵的转速来重建。例如使用直接从转速指示一次流体流量的关系通过计算确定。

所获取的量还包括由传感器33提供的堆芯反应性控制装置21的当前插入位置。

由此，如图1和图3例示，获取步骤S10通常包括子步骤S20，该子步骤读取由传感器23、25、27、29、31、33提供的值，其中，表征反应堆的运行的某些量直接从这些传感器读取。这些量具体是加压器的压力p、以及热支路温度T

获取步骤S10还包括子步骤S22，在该子步骤期间，通过根据测量值进行计算来确定表征核反应堆的运行的至少一个其它量。这通常涉及重建一次流体流量Q、或对步骤S20中获取的量应用滤波器。

计算至少一个DNBR的步骤S12包括使用所获取的量确定深度神经网络37的条目的子步骤S24、以及通过使用在子步骤S24中确定的条目使用深度神经网络37计算至少一个DNBR的子步骤S25。

神经网络37的条目至少包括从所获取的中子通量测量重建的核反应堆堆芯3中的轴向功率分布P(z)。

轴向功率分布P(z)是具有多个分量的向量，各个分量对应于核反应堆在给定轴向位置处的平均功率水平。各个分量定义深度神经网络的一个条目。

分量的数量取决于重建功率分布所需的准确度，由此取决于DNBR计算的期望准确度。例如，轴向功率分布具有与各个检测器31中的部分一样多的分量：来自不同检测器部分的信号定义深度神经网络条目。

另选地，轴向功率分布具有比各个检测器31中的部分的数量更多的分量。用于根据来自检测器的不同部分的值来重建轴向功率分布的模块根据专用算法处理(诸如多项式插值)提供更精细网格化的轴向功率分布，其各个分量定义一个深度神经网络条目。

由此，在子步骤S24中，使用例如直接给出作为如下所述重建的中子通量和由堆芯释放的热功率Pth的函数的功率水平的分析关系，从测量的中子通量计算在给定轴向水平的核反应堆1的功率。

神经网络37的条目还包括由堆芯释放的热功率Pth。

在子步骤S24中，通过至少使用加压器压力p、一次流体流量Q以及热支路和冷支路中的一次流体温度T

计算方法是已知的，在此将不再详述。

通常，使用针对所述一次回路7获取的量来执行针对各个一次回路7释放的热功率Pth的计算。

神经网络37的条目还包括焓升因子FΔH。

在子步骤S24中，通过实施以下操作确定焓升因子FΔH：

-使用所获取的堆芯21反应性控制装置的当前插入位置，计算径向功率峰值因数Fxy(z)；

-使用所计算的径向功率峰值因数Fxy(z)、所重建的轴向功率分布P(z)和所确定的热功率释放Pth来计算焓升因子FΔH。

径向功率峰值因数Fxy(z)和焓升因子FΔH使用已知的公式计算，在此将不再详述。

优选地，使用针对各个一次回路7计算的释放热功率Pth，针对所述一次回路7执行焓升因子计算FΔH。

当核反应堆1包括多个一次回路7时，优选地，在子步骤S25中使用深度神经网络37针对各个一次回路7计算偏离泡核沸腾比DNBR。为此，深度神经网络37使用至少利用对应一次回路7的获取量确定的条目。

另选地，使用深度神经网络37计算单个偏离泡核沸腾比DNBR。例如，使用通过适于DNBR评估的、针对一次回路的获取量的任何处理确定的条目来计算它。

如图4中可以看到的，深度神经网络37包括位于图4左侧的输入层39、位于图4右侧的输出层41、以及也称为隐藏层的多个中间层43。中间层43的数量nH大于或等于二，优选大于或等于五，并且优选大于或等于十。

这使得可以考虑核反应堆中的大量不同情况。

各个隐藏层43包括至少五个神经元45，优选地至少七个神经元45，并且优选地至少十个神经元45。

输入层39具有与条目一样多的输入神经元。

例如，输入层39具有用于各个条目p、Q、T

例如，如果轴向功率分布P(z)是六分量向量，则输入层39具有十一个输入神经元。

输出层41具有单个输出神经元，该输出神经元对应于针对对应的一次回路计算的PCR的最小值。

有利地，在图1的步骤S22中，在将条目引入神经网络37之前，对条目进行第一后处理。

第一后处理包括例如应用动态补偿项，通常是提前延迟滤波器，这允许各个所获取的量是对应物理参数的图像。该后处理补偿了仪器响应时间(容器的冷支路和热支路温度测量)、堆芯反应性控制装置的下降时间、以及过程和处理算法的响应时间。与常规算法相比，由神经网络37进行的信息处理的功能特性允许显著降低对使用滤波器的需要。

这些条目优选地是在被引入神经网络之前通过对各个量或分量进行归一化而进行的第二后处理的对象。

条目构成向量，称为输入向量并注释为X

由此，对于各个隐藏层i，i在1至nH之间，

X

其中，A

σ

换言之，偏离泡核沸腾比由深度神经网络37使用以下公式计算：

其中，Y是所计算的偏离泡核沸腾比。

各个矩阵A

A

其中，W

对于最后一层，我们注意到矩阵AnH+1具有维数1xNnH，并且σnH+1＝1：没有应用非线性传递函数来建立最后一层的Y信号。

非线性算子σ

其中，l是特别参数化的常数。

在步骤S14中，对于各个一次回路，计算在针对所述一次回路计算的偏离泡核沸腾比与多个预定参考值之间的一组偏差。由此，执行与一次回路一样多的偏差计算。

这些值是运行参考阈值，称为保护(或监测)阈值，这些阈值并入了方法的不确定性，即测量不确定性和计算不确定性。

通常，计算的偏差以字母数字或图形方式显示在至少一个屏幕上，用于实时监测各个一次回路的单元的保护和运行裕度。

当计算单个DNBR时，在步骤S14中计算单组偏差。

步骤S16用于解释在步骤S14中找到的偏差组。

为了这样做，使用为各个一次回路计算的该组偏差为该回路生成临时控制信号。

当控制系统是保护系统时，临时控制信号从至少包含以下值的列表中选择：反应堆自动停止、不做任何事情。

当控制系统是监测系统时，临时控制信号从至少包含以下值的列表中选择：警报、什么也不做。

当控制系统是保护和监测系统时，临时控制信号从包含至少以下值的列表中选择：反应堆自动停止、警报、不做任何事情。

使用所有一次回路的临时控制信号来生成发送到反应堆23的控制系统的控制信号。

在解释了步骤S14中注释的偏差之后，步骤S16包括对为反应堆的各个回路生成的信号应用表决逻辑。例如，如果大多数临时控制信号具有值“反应堆自动停止”，那么发送到控制系统23的控制信号是“反应堆自动停止”。

在步骤S18中，控制系统23接收在步骤16中形成的控制信号，并相应地动作。例如，如果控制信号是“反应堆自动停止”，则控制系统通过插入堆芯21的反应性控制装置来触发反应堆1的自动停止，或者如果生成的控制信号具有值“警报”，则控制系统触发警报信号的发射。

优选地，方法还包括设计深度神经网络37的步骤S26。设计步骤S26包括以下子步骤：

-S28：创建包含至少100000个反应堆状态的数据库；

-S30：使用数据库的至少一部分来学习深度神经网络。

有利地，数据库包括至少500000个反应堆状态，优选至少1000000个反应堆状态。

各个状态由表征核反应堆运行的量的一组值和偏离泡核沸腾比值来定义。所述偏离泡核沸腾比值是通过3D热工水力参考代码使用表征核反应堆运行的量的对应的一组值来计算。

3D堆芯热工水力计算代码是高精度代码，例如FLICA代码。通常，蒙特卡罗采样技术用于生成数据库。

状态被选择为覆盖导致触发反应堆的通用低水平DNBR保护链的干预的多个预定意外情况。

预定意外情况例如是在核反应堆安全报告中称为类别2的那些情况，这些情况需要通用低水平DNBR保护链的干预。

表征核反应堆运行的量的变化范围也以以下这种方式选择：它们覆盖偏离泡核沸腾比的有效范围。

数据以以下这种方式生成：它们在学习阶段期间通过神经网络优化物理对称性的检测。

优选地，输入变量被归一化。

仅对子步骤S28中创建的数据库的一部分执行学习子步骤S30。例如，该子步骤使用50％至90％(通常为80％)的数据库。

学习阶段包括以下操作：

i)通过进行专用于模型超参数选择的敏感度研究来确定最佳神经元结构，该步骤可能需要使用(遗传算法类型的)优化算法：隐藏层的数量、各层神经元的数量、由沸腾危机现象的现象学所强加的传递函数的选择(例如，由于临界通量相关性的分析表达而可推导并且必须呈现强非线性性质)；

ii)开发专门针对所生成的数据库优化的学习算法，这允许加速和稳定收敛过程，并且通过避免局部极小来改进朝向更鲁棒的解的收敛。这提高了神经网络的泛化能力，由此提高了其肯定响应下面描述的验证和测试阶段的能力。

这例如通过开发自适应批量随机梯度下降算法来实现。通过扫描由循环数参数化的整个学习库，对演变尺寸的数据批次执行各个循环的突触权重和偏置张量学习的更新。

另外，有利地使用关于学习算法的适应步骤的惯性方法，以便提高学习阶段的效率和鲁棒性。

优选地，步骤S26还包括在子步骤S30中确定的深度神经网络的验证的子步骤S32。该验证阶段在子步骤S30中未使用的数据库的第二部分上执行。通常，在步骤S32中使用在步骤S30中未使用的数据库的整个部分。这使得能够通过与利用参考代码生成的预测进行比较来验证在步骤S30结束时开发的深度神经网络预测，并且表征由此开发的预测模型的普遍性。敏感度研究优选在子步骤S32期间进行。如果验证阶段不令人满意，则返回到子步骤S30，然后修改神经元结构(即，隐藏层的数量、每层的神经元的数量)或学习算法的超参数，以便重新开始旨在确定神经网络的突触权重和偏置向量的矩阵的学习步骤，由此定义先前定义的矩阵A

优选地，步骤S26还包括子步骤S34，该子步骤在子步骤S28中确定的数据库无关数据上对深度神经网络进行现象验证(测试)。

在子步骤S34期间，与模拟意外瞬变的计算代码结合实施深度神经网络。这些意外瞬变通常是在核反应堆安全报告中定义的那些。

如果该最终测试阶段不令人满意，则重复子步骤S30。

由此，上述方法特别适于通过上述类型的反应堆来实施。

相反，上述核反应堆1特别适于实施刚刚描述的方法。

具体地，如图2所示，信息处理单元35包括：

-模块47，该模块用于获取表征核反应堆的运行的多个量；

-模块49，该模块用于使用深度神经网络37来计算至少一个偏离泡核沸腾比，被配置为使用所获取和确定的量来确定深度神经网络37的条目，深度神经网络37包括至少两个隐藏层，各个隐藏层具有至少五个神经元；

-模块51，该模块用于计算至少一个计算的偏离泡核沸腾比与多个预定参考值之间的偏差；

-模块53，该模块用于使用所计算的偏差来生成用于反应堆控制系统的控制信号，该控制信号选自包括至少以下值的列表：

*反应堆自动停止或警报；

*不作任何事情。

反应堆控制系统23被配置为当所生成的控制信号具有“反应堆自动停止”值时，使反应堆自动停止。反应堆控制系统23被配置为当处理的控制信号具有值“警报”时生成警报。

换言之，模块47被配置为实施上述方法的步骤S10。模块49被配置为执行上述方法的步骤S12。模块51被配置为执行上述方法的步骤S14，并且模块53被配置为执行上述方法的步骤S16。

现在将参照图5描述本发明的第二实施方式。下面将仅详述该第二实施方式与第一实施方式的不同点。相同的元件或执行相同功能的元件将通过相同的附图标记表示。

在第二实施方式中，中子通量检测器31不是布置在堆芯3外部的堆芯外检测器，中子通量检测器31是永久地插入堆芯3中的堆芯内检测器。

它们分布在若干组中，同一组的检测器在彼此上方竖直交错。

检测器是例如竖直地布置在堆芯中的棒上的中子探测器(colons)。各个电子棒允许在堆芯中的若干轴向高度(诸如对于6个电子的竖直布置的六个轴向高度)处测量中子通量。核反应堆通常配备有12个棒，各个棒具有6个电子，这些棒分布在堆芯中。

通过使用所获取的中子通量测量进行计算来确定所释放的热功率Pth。该计算不再使用加压器压力p、一次流体流量Q、热支路和冷支路中的一次流体的温度T

焓升因子FΔH使用轴向功率分布P(z)来重建。不必从由传感器33提供的堆芯21的反应性控制装置的位置的测量来重建因子Fxy(z)。

在步骤S12中，使用深度神经网络37针对各组堆芯内中子通量检测器31计算偏离泡核沸腾比DNBR，其中使用由所述堆芯内中子通量检测器31进行的中子通量测量来确定条目。

根据由检测器组提供的在几个轴向高度处的中子通量测量，确定对于该检测器组特定的一组参数P(z)、Pth和FΔH。这些参数被用作神经网络37的条目。

也使用其它条目，诸如加压器压力p、一次流体流量Q、冷支路中的一次流体温度T

在偏差计算步骤S14中，计算各个先前确定的偏离泡核沸腾比与多个预定参考值之间的一组偏差。

在控制信号生成步骤S16中，使用对应的一组偏差为各个计算的偏离泡核沸腾比生成临时控制信号。

根据上述表决逻辑，使用至少几个临时控制信号来生成控制信号。

现在将简要描述本发明的第三实施方式。下面将仅详述该第三实施方式与第二实施方式的不同点。相同的元件或执行相同功能的元件将通过相同的附图标记表示。

在第三实施方式中，数据处理单元35具有反应堆堆芯中的功率的连续3维映射。

该映射是表征反应堆运行的一个量。与第一和第二模式中相同，获取其它量，例如T

深度神经网络37的一些条目通过使用堆芯中的功率分布的3D映射进行计算来确定，由此代替先前针对本发明的第一实施方式描述的量P(z)、pth和FΔH。

有利地，3D功率分布的分量构成称为卷积层的专用神经结构的条目，这使得能够优化功率分布的特性的提取，以便生成深度神经网络，并且特别地优化其结构以用于硬件实施方案。该卷积层的输出定义了深度神经网络37的部分条目。特别地，该输出代替了深度神经网络37的输入处的轴向功率分布的分量的向量、以及尺寸FΔH。适于处理空间结构化数据的该神经结构通过结构的输入功率分布与一系列自由度在步骤S30的训练期间被调节的核(或滤波器)之间的数学卷积运算来代替矩阵乘法。卷积层还包括通过非线性传递函数对卷积输出的非线性处理、以及允许在局部几何变换(诸如平移)下引入不变量的第三步骤。在最佳神经元结构的生成中可以重复这些步骤。

用于利用本发明的方法可以呈现多个变型。

在步骤S10中获取的表征核反应堆的运行的量以及深度神经网络的条目可能不与上述列表确切对应。可以获取其它量。可以不获取某些量。可以不使用某些条目。可以添加其他条目。

在任何情况下，功率分布对堆芯中的位置和DNBR的最小裕度的值具有重要影响。

考虑到这一点，提高了DNBR重建的准确度。表征核反应堆运行的量不一定以上述和图2、图3和图5所示的方式获取。一些量可能不由配备核反应堆的传感器直接读取。它们可以从来自核反应堆的操作系统的其它测量的量或值导出。

在第三实施方式中描述的卷积层也可以在前两种实现方式中实施，以便处理神经元结构中的轴向功率分布P(z)。神经网络的其他条目不变。

上述方法具有多个优点。

响应时间非常短，例如在毫秒范围内。这是特别获得的，因为该方法不需要实施收敛循环，仅深度神经网络所特有的参数是必需的，如果硬件解决方案允许，则单元计算操作是简单的并且容易可并行。

因此，该方法释放了用于核反应堆控制和仪表系统的其它部分的计算能力。

该性能通过以下事实获得：基础物理的复杂性通过来自数据库的深度神经网络的参数化来编码。这允许深度神经网络通过简单地使用神经结构的突触权重和传递函数来重建热工水力参考代码的DNBR值。

由深度神经网络提供的DNBR计算非常可靠，并且响应接近由3D热工水力参考代码(在此为FLICA)提供的响应。响应的保守性是可调节的。

由深度神经网络提供的响应的质量显著地归因于在没有精细物理建模的情况下不执行中间局部热工水力变量的重建的事实。所提供的响应的可靠性是用于学习神经网络的数据库的网格的精细度的函数。这仅花费在核反应堆中试运行之前的计算时间。该方法对于输入数据上的不确定性传播(由来自堆芯仪器的测量中的随机波动发起)也更鲁棒，这改进了验证和硬件鉴定阶段。