The Use of neural networks togetler with fuzzy logic techniques in nüclear applications

Abstract

Özet Yapay Sinir ağları (neural network), nükleer reaktörlerin kontrolünde reaktör o- peratörlerine yardımcı olmak veya doğrudan bu işlevi gerçekleştirmek amacı ile kul lanılma potansiyeline sahip önemli araçlardan biridir. Henüz yeni bir araştırma alanı olan bu konuda hazırlanan bu çalışma yapay sinir ağlarıyla elde edilen değerlerde ki hata payını azaltma yönünde bir tekniği hedef almıştır. Bu amaçla, biri fuzzy sayılar üzerinde çalışan, yapay sinir ağı benzeşimi yapan iki program hazırlanmıştır. Fuzzy sayıların belirsizlikler üzerindeki başarısından yola çıkan bu teknik ile ağlardan elde edilen değerlerde hata miktarının azaldığı göster ilmiştir. Burada kullanılan yapay sinir ağlarının eğitilmesi için gerekli örnek giriş ve çıkış değerlerini elde edebilmek için bir reaktörü gözlemek ve kontrol etmekte kullanılan en önemli parametreler arasındaki ilişkiyi belirleyen denklemler uyarlayıcı (adaptive) bir teknikle çözülmüş, çıkış parametresi (reaktör gücü) hesaplanmıştır. iyi bir şekilde eğitilen bir yapay sinir ağı belirsizliklerde daha iyi sonuçlar vermekte, bunun yanında, operatörler reaktörü gözlemek için gerekli değerleri daha önceden görebilmekte ve gerekli önlemleri alabilmektedirler. Bu çalışmanın amacı doğrultusunda üç tane bilgisayar programı hazırlanmıştır. Bunlardan ilki giriş ve çıkış değerleri olarak `üçgensel fuzzy sayılar` almakta ve sonucu `kütle merkezi yöntemi` ile fuzzy olmayan sayılara çevirmektedir. İkinci program reaktör parametrelerini doğrudan kullanan bir yapay sinir ağı benzetmesi yapmaktadır. Öğrenme için gerekli veriler uyarlayıcı kontrol programı tarafından üretilmektedir.

Abstract Neural networks are important devices to provide nuclear reactor operators with a method that helps predicting reactor behavior and controlling or functioning di rectly as a reactor controller. In spite of being a new research area, neural network methods have been successfully applied to nuclear reactor diagnostics and control. The aim of this work is to search a technique to reduce the amount of error in the neural network outputs. To show this technique, two neural networks were used. One of them simulates a neural network with fuzzy input and output data. It was attempted to reduce the difference between the neural network and actual output by means of the success of the fuzzy numbers on uncertainties. In this case, the sample input and output data, i.e., the reactor and control (reactor power) variables, which are required to train the neural networks were calculated by an adaptive technique which consists of solving the relationships between the reactor variables for certain reactor conditions. A well-trained neural network can produce better estimates of the actual output in case of uncertainties due to unreliable sensor input or noise than the traditional methods do. These output values are used by the operators to predict reactor malfunctions for corrective actions. Three computer programs were prepared to show the technique. The first program takes triangular fuzzy numbers as input and output and defuzzifies the output by the `center of weight` method. The second program uses direct reactor variables as input and output. The required data to train the neural networks are produced by the third program.