|
Résumé :
|
La conception des réacteurs nucléaires, repose sur un assemblage complexe de systèmes thermodynamiques interconnectés de façon à générer une grande quantité de chaleur, produite par le phénomène de fission de noyaux lourds du combustible nucléaire dans le cur du réacteur. Cette chaleur alimentera un autre usage à savoir la production de vapeur pour un travail mécanique, production de lélectricité, production de radio-isotope ou production deau douce par dessalement ou son évacuation vers lenvironnement à travers les tours de refroidissement dans le cas des réacteurs de recherches. Il est indispensable, lors de la conception des systèmes thermohydraulique des installations nucléaires tels que les échangeurs de chaleur et les assemblages combustibles de prendre en compte tous les phénomènes possibles pouvant affecter le transfert de chaleur, en considérant tous les régimes de fonctionnement. L'objectif principal de cette étude est dapporter notre contribution à la modélisation de lencrassement des échangeurs de chaleur. Une contribution préliminaire consiste à la modélisation qui traite dune façon détaillée la méthodologie doptimisation du modèle neuronal et un modèle de machine à vecteur de support pour la prédiction de la résistance à lencrassement dans un échangeur à contre-courant. Les deux modèles basés sur le phénomène dencrassement ont été comparés et sélectionné le meilleure modèle entre eux. Les résultats obtenus ont montré que le modèle neuronale (RNA) donne un bon accord entre les valeurs estimées et expérimental es, avec un coefficient de régression R dépassant 99.999 %. Dans la deuxième contribution, nous avons abordé la modélisation par la technique neuronale basée sur un réseau de neurones artificiels direct et inverse de loptimisation du modèle RNA pour prédire la résistance à lencrassement dans léchangeur-condenseur qui a été développée et appliquée en utilisant une base de données expérimentale dun échangeur de chaleur-condenseur dune centrale nucléaire. Cette méthodologie est basée sur la sélection des paramètres adimensionnelle de lentrée et de sortie, la sélection de la structure du RNA, lalgorithme dapprentissage, la technique de normalisation et larchitecture du réseau. Cela nous a permis datteindre un modèle neuronal e direct et inverse optimal. Après une comparaison de ce modèle avec des résultats à d'autres recherches dans le même contexte, nous pouvons dire que notre modèle donne de meilleures performances en terme d'erreurs et de coefficient de corrélation avec un MAPE de 0.1295 %, un RMSE de3.6588× 10-07et une précision des sorties allant de 99.998 %. Lobjectif de la troisième contribution, est le développement dun modèle de RNA-MLP valable pour la prédiction de la résistance à lencrassement dans l'échangeur de chaleur aux nano-fluides (MgO-eau et CuO-eau) à partir de données expérimentales de léchangeur de chaleur en fonction du temps, de la concentration volumétrique, du flux thermique, du débit massique et de la Température d'entrée du fluide. La détermination de l'effet de chacun des paramètres d'entrée sur l a résistance à l'encrassement, en particulier l'effet des différentes concentrations de particules, d'une part. Et d'autre part, c'est l a plus haute précision du modèle RNA-MLP développé par rapport aux corrélations proposées pour la prédiction de la résistance à l'encrassement. Les résultats obtenus sont très satisfaisants et très précis avec un coefficient de détermination de 99,77% et une MSE de 6.2119× 10-04.
|
