基于时序深度学习模型的安全壳关键参数快速预测研究

主蒸汽管道断裂（MSLB）事故威胁核电厂安全运行。本文基于时序深度学习模型预测核电厂非能动安全壳冷却系统（PCCS）在MSLB事故下关键安全参数随时间变化的瞬态响应。以瞬态安全参数为研究对象,数据通过线性归一化、特征标签分割预处理,使用短期数据集训练,采用长短时记忆网络（LSTM）和循环神经网络（RNN）建立单参量与多参量协同的时序深度学习模型;由多参量协同模型预测未经训练的长期数据集。研究表明:在同类事故、不同工况下,基于时序深度学习模型的预测具有适用性;基于训练短期数据来预测长期数据方法可行;使用LSTM的单参量模型或多参量协同模型的预测精度比RNN更高,基于LSTM深度学习模型能够有效、高精度快速预测MSLB事故下PCCS瞬态安全参数响应特性, 可为事故安全分析提供快速预测分析。