-
公开(公告)号:CN119918534A
公开(公告)日:2025-05-02
申请号:CN202411834875.1
申请日:2024-12-13
Applicant: 中核武汉核电运行技术股份有限公司
IPC: G06F40/253 , G06F40/16 , G06F40/205 , G06F16/31
Abstract: 本申请属于Modelica语言语法解析技术领域,旨在解决现有Modelica语言使用文本形式存储模型存在着的模型传输及模型细节难以读取识别的问题。本申请公开了一种针对Modelica语言的语法解析系统和方法,该系统包括ANTLR4语法解析模块、Modelica文本代码生成模块、数据序列和反序列化模块;该方法将Modelica对象中的不同模型元素转换成文本格式的字符串,并将文本格式的字符串合并生成完整的文本格式的Modelica模型文件。本申请实现基于Modelica语言的仿真模型的文本格式和结构化JSON格式的相互转换,在满足Modelica模型仿真必需文本格式的前提下,使Modelica模型能够以结构化形式进行传输存储,有效地支撑基于Modelica语言的大规模协同建模和模型版本追踪管理。
-
公开(公告)号:CN114386250A
公开(公告)日:2022-04-22
申请号:CN202111577842.X
申请日:2021-12-22
Applicant: 中核武汉核电运行技术股份有限公司
IPC: G06F30/20 , G06F119/02
Abstract: 本发明提供了一种热管反应堆虚拟仿真系统,包括:通信模块,用于获取外部系统传递的数据;数据处理模块,用于依据数据类型执行不同处理步骤以优化所述数据;实时交互模块,用于接受所述数据处理模块或设计对比验证模块驱动,导入所述原始3D模型数据/设计数据,并以多维形式直观呈现原始3D模型或所述设计数据;设计对比验证模块,用于根据用户指令对优化后的所述原始3D模型数据或设计数据进行对比验证。本发明提供的热管反应堆虚拟仿真系统增强了实施过程中的可视化环节,降低了研发难度,且耗资少。
-
公开(公告)号:CN116341399B
公开(公告)日:2025-04-11
申请号:CN202111526480.1
申请日:2021-12-14
Applicant: 中核武汉核电运行技术股份有限公司
IPC: G06F30/28 , G06F18/214 , G06F18/2135
Abstract: 本发明属于核电站热工水力仿真领域,具体涉及一种基于物理约束神经网络的热工水力换热系数预测方法。包括如下步骤:S1获取训练集和测试集;S2构建物理约束约束神经网络模型,所述物理约束神经网络模型包括神经网络模型本体以及基于自动微分机制构建PDE守恒方程,并分别基于所述神经网络模型本体构建第一类损失函数、基于所述PDE守恒方程构建第二类损失函数;S3基于所述训练集和测试集训练所述物理约束神经网络模型;S4基于训练完毕的所述物理约束神经网络模型预测热工水力换热系数。其优点是:有效地耦合基于物理定律的PDE方程,使得在相对更少的训练集获得更好的训练精度;同时,也提高了训练模型的泛化性,普适性更强。
-
公开(公告)号:CN117828830A
公开(公告)日:2024-04-05
申请号:CN202311649737.1
申请日:2023-12-01
Applicant: 中核武汉核电运行技术股份有限公司
IPC: G06F30/20 , G06F30/28 , G21D3/00 , G06F113/08 , G06F119/08
Abstract: 本发明提供了一种核电厂多回路热工水力系统混合阶次一体化仿真方法,包括:以多回路热工水力系统为建模对象,划分各子系统的模型阶次;建立多回路热工水力系统的高阶次仿真模型;构造多阶混合的一体化大型水力计算矩阵;并行求解一体化计算矩阵。本发明提供的仿真方法将复杂热力系统并入多阶混合的一体化大型水力网中进行仿真,避免了因人为引入仿真边界导致的系统刚性降低和数据延迟,在保障复杂热力系统的仿真精度和计算稳定性的同时,利用并行技术使计算效率最大化,为核电厂多回路热力系统联合运行仿真研究提供高效、高精度、稳定性强的仿真方法。
-
公开(公告)号:CN116341399A
公开(公告)日:2023-06-27
申请号:CN202111526480.1
申请日:2021-12-14
Applicant: 中核武汉核电运行技术股份有限公司
IPC: G06F30/28 , G06F18/214 , G06F18/2135
Abstract: 本发明属于核电站热工水力仿真领域,具体涉及一种基于物理约束神经网络的热工水力换热系数预测方法。包括如下步骤:S1获取训练集和测试集;S2构建物理约束约束神经网络模型,所述物理约束神经网络模型包括神经网络模型本体以及基于自动微分机制构建PDE守恒方程,并分别基于所述神经网络模型本体构建第一类损失函数、基于所述PDE守恒方程构建第二类损失函数;S3基于所述训练集和测试集训练所述物理约束神经网络模型;S4基于训练完毕的所述物理约束神经网络模型预测热工水力换热系数。其优点是:有效地耦合基于物理定律的PDE方程,使得在相对更少的训练集获得更好的训练精度;同时,也提高了训练模型的泛化性,普适性更强。
-
-
-
-