Розробка інтегрованої моделі цифрового двійника для ефективної експлуатації енергоблоків АЕС
DOI:
https://doi.org/10.26642/ten-2025-2(96)-58-67Ключові слова:
цифровий двійник, атомна електростанція, ядерний реактор, математичне моделювання, нейтронно-фізичний розрахунок, теплофізичні процеси, гідродинамікаАнотація
У статті представлено результати дослідження з розробки та впровадження інтегрованої моделі цифрового двійника енергоблоку атомної електростанції. Актуальність дослідження обумовлена потребою підвищення ефективності, безпеки та надійності експлуатації ядерних енергетичних установок в умовах цифровізації енергетики. Запропонована модель реалізує комплексне моделювання взаємопов’язаних фізичних процесів, що включає нейтронно-фізичні процеси ланцюгової реакції поділу, теплофізичні процеси теплопередачі та тепловиділення, а також гідродинамічні процеси циркуляції теплоносія. Математична основа моделі базується на системі диференціальних рівнянь у приватних похідних, що описують динаміку ключових параметрів реакторної установки. Для чисельної реалізації застосовано методи скінченних різниць та Рунге – Кутта четвертого порядку, що забезпечило високу точність розрахунків. Програмна реалізація виконана в середовищі MATLAB з використанням бібліотек Simulink для моделювання динамічних систем та Matplotlib для візуалізації результатів. Розроблений інтерактивний графічний інтерфейс дозволяє здійснювати оперативне керування параметрами моделювання та візуалізацію результатів у режимі реального часу. Валідація моделі проведена шляхом порівняння результатів моделювання з експлуатаційними даними діючих енергоблоків. Результати демонструють високу точність моделі – середнє відхилення розрахункових значень ключових параметрів не перевищує 2–3 %. Особливу цінність становить можливість моделювання аварійних ситуацій та перехідних режимів, що робить розроблений цифровий двійник ефективним інструментом для оптимізації експлуатаційних режимів, прогнозування поведінки реакторної установки, підготовки оперативного персоналу, відпрацювання дій у аварійних ситуаціях та проведення віртуальних експериментів. Розроблена модель може бути інтегрована з існуючими автоматизованими системами управління для створення єдиного інформаційно-керуючого простору енергоблоків атомних електростанцій.
Посилання
Song, H., Song, M. and Liu, X. (2022), «Online autonomous calibration of digital twins using machine learning with application to nuclear power plants», Applied Energy, Vol. 326, doi: 10.1016/j.apenergy.2022.119995.
Hui, J., Ling, J., Gu, K. and Yuan, J. (2021), «Adaptive backstepping controller with extended state observer for load following of nuclear power plant», Progress in Nuclear Energy, Vol. 137, doi: 10.1016/j.pnucene.2021.103745.
Zhong, W., Wang, M., Wei, Q. and Lu, J. (2022), «A New Neuro-Optimal Nonlinear Tracking Control Method via Integral Reinforcement Learning with Applications to Nuclear Systems», Neurocomputing, Vol. 483, pp. 361–369, doi: 10.1016/j.neucom.2022.01.034.
Lu, Q., Yuan, Y., Li, F. et al. (2021), «Prediction method for thermal-hydraulic parameters of nuclear reactor system based on deep learning algorithm», Applied Thermal Engineering, Vol. 196, doi: 10.1016/j.applthermaleng.2021.117272.
Song, H., Liu, X. and Song, M. (2023), «Comparative study of data-driven and model-driven approaches in prediction of nuclear power plants operating parameters», Applied Energy, Vol. 341, doi: 10.1016/j.apenergy.2023.121077.
Koraniany, A. and Ansarifar, G.R. (2025), «Neutronic design and optimizing the mixed core of VVER-1000 nuclear reactor via ANN-GA approach as machine learning method», Nuclear Engineering and Design, Vol. 432, doi: 10.1016/j.nucengdes.2025.113827.
El-Sefy, M., Yosri, A., El-Dakhakhni, W. et al. (2021), «Artificial neural network for predicting nuclear power plant dynamic behaviors», Nuclear Engineering and Technology, Vol. 53, No. 10, pp. 3275–3285, doi: 10.1016/j.net.2021.05.003.
Budanov, P., Oliinyk, Yu., Cherniuk, A. and Brovko, K. (2024), «Fractal approach for the researching of information emergency features of technological parameters», AIP Conference Proceedings, Al-Furat Al-Awsat Technical University, Al-Samawa, Iraq, doi: 10.1063/5.0191648.
Budanov, P., Khomiak, E., Kyrysov, I. et al. (2022), «Building a model of damage to the fractal structure of the shell of the fuel element of a nuclear reactor», Eastern-European Journal of Enterprise Technologies, Vol. 8, No. 118, pp. 60–70, doi: 10.15587/1729-4061.2022.263374.
Budanov, P., Oliinyk, Yu., Cherniuk, A. and Brovko, K. (2024), «Dynamic Fractal Cluster Model of Informational Space Technological Process of Power Station», Lecture Notes on Data Engineering and Communications Technologies, Vol. 221, pp. 141–155, doi: 10.1007/978-3-031-71801-4_11.
Gong, H., Zhu, T., Chen, Z. et al. (2023), «Parameter identification and state estimation for nuclear reactor operation digital twin», Annals of Nuclear Energy, Vol. 180, doi: 10.1016/j.anucene.2022.109497.
Cancemi, S.A., Lo Frano, R., Santus, C. and Inoue, T. (2023), «Unsupervised anomaly detection in pressurized water reactor digital twins using autoencoder neural networks», Nuclear Engineering and Design, Vol. 413, doi: 10.1016/j.nucengdes.2023.112502.
Hou, G., Xiong, J., Zhou, G. et al. (2021), «Coordinated control system modeling of ultra-supercritical unit based on a new fuzzy neural network», Energy, Vol. 234, doi: 10.1016/j.energy.2021.121231.
Wu, X., Zhang, Y., Shi, M. et al. (2022), «An adaptive federated learning scheme with differential privacy preserving», Future Generation Computer Systems, Vol. 127, pp. 362–372, doi: 10.1016/j.future.2021.09.015.
Racheal, S., Liu, Y. and Ayodeji, A. (2022), «Evaluation of optimized machine learning models for nuclear reactor accident prediction», Progress in Nuclear Energy, Vol. 149, doi: 10.1016/j.pnucene.2022.104263.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Костянтин Юрійович Бровко, Павло Феофанович Буданов, Наталія Дмитріївна Винокурова, Олег Володимирович Великогорський
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Автор, який подає матеріали до друку, зберігає за собою всі авторські права та надає відповідному виданню право першої публікації, дозволяючи розповсюджувати даний матеріал із зазначенням авторства та джерела первинної публікації, а також погоджується на розміщення її електронної версії на сайті Національної бібліотеки ім. В.І. Вернадського.
