• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于KNN方法的熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型開(kāi)發(fā)及分析

    2023-12-27 02:59:32周天澤虞凱程程懋松戴志敏
    核技術(shù) 2023年11期
    關(guān)鍵詞:模型系統(tǒng)

    周天澤 虞凱程 程懋松 戴志敏,3

    1(上??萍即髮W(xué) 上海 201210)

    2(中國(guó)科學(xué)院上海應(yīng)用物理研究所 上海 201800)

    3(中國(guó)科學(xué)院大學(xué) 北京 100049)

    熔鹽堆是第四代先進(jìn)核能系統(tǒng)之一,其利用熔鹽作為燃料與冷卻劑,其研究始于20世紀(jì)40年代末的美國(guó)[1-2],美國(guó)橡樹(shù)嶺國(guó)家實(shí)驗(yàn)室(Oak Ridge National Laboratory,ORNL)于1954年建造了2.5 MW空間動(dòng)力試驗(yàn)反應(yīng)堆(Aircraft Reactor Experiment,ARE),展示了很好的穩(wěn)定性以及易控制性[3]。熔鹽堆具備高溫、低壓、高化學(xué)穩(wěn)定性等特性,可被應(yīng)用于高溫制氫、放射性同位素制備、內(nèi)陸地區(qū)發(fā)電等場(chǎng)景[4-6]。在熔鹽堆運(yùn)行過(guò)程中,需要及時(shí)識(shí)別可能的事故瞬態(tài)并采取措施,以防止事故瞬態(tài)進(jìn)一步惡化,確保反應(yīng)堆安全。目前,核電站采用的瞬態(tài)識(shí)別方法主要依靠操作員根據(jù)監(jiān)測(cè)數(shù)據(jù)進(jìn)行人為識(shí)別,這種方法存在著較大的人為因素[7]。為了盡量減少人為因素的引入,確保核電安全,可以采用機(jī)器學(xué)習(xí)方法建立核反應(yīng)堆系統(tǒng)瞬態(tài)識(shí)別模型,在較少的人為因素下對(duì)核反應(yīng)堆系統(tǒng)瞬態(tài)工況進(jìn)行快速、準(zhǔn)確地識(shí)別。

    目前,國(guó)內(nèi)外已有許多團(tuán)隊(duì)進(jìn)行了基于機(jī)器學(xué)習(xí)核電站系統(tǒng)瞬態(tài)識(shí)別模型的開(kāi)發(fā)。哈爾濱工程大學(xué)Wang等[8]利用卷積神經(jīng)網(wǎng)絡(luò)提取輸入?yún)?shù)特征后再利用遷移學(xué)習(xí)降低不同功率水平下的特征分布差異,實(shí)現(xiàn)不同功率水平下的核電站系統(tǒng)瞬態(tài)識(shí)別。來(lái)自東北大學(xué)的Li等[9]提出了一種無(wú)監(jiān)督聚類(lèi)方法,能夠自動(dòng)準(zhǔn)確地匹配運(yùn)行瞬態(tài)與預(yù)先設(shè)計(jì)的瞬態(tài),從而減少操作員主觀(guān)判斷瞬態(tài)類(lèi)型帶來(lái)的誤差。Ramezani等[10]采用多種特征過(guò)濾方法以確定核電站瞬態(tài)識(shí)別的重要輸入?yún)?shù),以降低訓(xùn)練系統(tǒng)瞬態(tài)識(shí)別模型所帶來(lái)的計(jì)算成本,結(jié)果表明,采用鄰成分分析濾波方法進(jìn)行特征過(guò)濾的系統(tǒng)瞬態(tài)識(shí)別模型擁有最好的性能,并確定了模型達(dá)到90%識(shí)別準(zhǔn)確率所需的最少輸入?yún)?shù)類(lèi)型。dos Santos等[11]開(kāi)發(fā)了一種基于5層深度整流神經(jīng)網(wǎng)絡(luò)的系統(tǒng)瞬態(tài)識(shí)別模型,用于巴西壓水堆瞬態(tài)事故識(shí)別,在識(shí)別12種瞬態(tài)事故與穩(wěn)態(tài)運(yùn)行工況時(shí)的準(zhǔn)確率達(dá)到99.03%。Mendoza和Tsvetkov[12]利用主成分分析和支持向量機(jī)、深度神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)了故障檢測(cè)與診斷監(jiān)控系統(tǒng)FDDMS(Fault Detection and Diagnosis Monitoring System),可用于核電站功率調(diào)節(jié)瞬態(tài)識(shí)別,卷積神經(jīng)網(wǎng)絡(luò)在Raw類(lèi)型的數(shù)據(jù)中可以達(dá)到99%以上的識(shí)別準(zhǔn)確率。Mena等[13]使用AutoML和TPOT等工具,基于6種機(jī)器學(xué)習(xí)方法建立了6種不同的系統(tǒng)瞬態(tài)識(shí)別模型,用于識(shí)別APR1400的系統(tǒng)瞬態(tài),并且6種模型均達(dá)到95%以上的識(shí)別準(zhǔn)確率,其中基于邏輯回歸的系統(tǒng)瞬態(tài)識(shí)別模型達(dá)到了98%以上的識(shí)別準(zhǔn)確率。目前,國(guó)內(nèi)外的相關(guān)研究主要集中在壓水堆、沸水堆等堆型,缺乏針對(duì)熔鹽堆的系統(tǒng)瞬態(tài)識(shí)別模型研究,鑒于熔鹽堆獨(dú)特的設(shè)計(jì)和運(yùn)行方式,需要基于機(jī)器學(xué)習(xí)方法開(kāi)發(fā)適用于熔鹽堆的系統(tǒng)瞬態(tài)識(shí)別模型。

    為了減少熔鹽堆運(yùn)行過(guò)程中人為因素,提高熔鹽堆運(yùn)行安全,基于K近鄰(K-nearest Neighbor,KNN)機(jī)器學(xué)習(xí)方法,建立了熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型,并對(duì)系統(tǒng)瞬態(tài)識(shí)別模型在噪聲下的魯棒性進(jìn)行詳細(xì)分析和優(yōu)化。

    1 基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型

    基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型的開(kāi)發(fā)流程主要包括兩個(gè)部分:數(shù)據(jù)集生成和系統(tǒng)瞬態(tài)識(shí)別模型的建立,如圖1所示。使用熔鹽堆系統(tǒng)分析程序RELAP5-TMSR進(jìn)行建模與仿真,獲得對(duì)應(yīng)瞬態(tài)工況的運(yùn)行數(shù)據(jù),生成數(shù)據(jù)集并劃分為訓(xùn)練集與測(cè)試集。而系統(tǒng)瞬態(tài)識(shí)別模型的建立過(guò)程則基于前一過(guò)程中所得到的訓(xùn)練集與測(cè)試集。這一過(guò)程主要包含對(duì)系統(tǒng)瞬態(tài)模型的訓(xùn)練、優(yōu)化與測(cè)試:通過(guò)訓(xùn)練集訓(xùn)練及優(yōu)化基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型的超參數(shù),然后使用測(cè)試集數(shù)據(jù)對(duì)優(yōu)化好的系統(tǒng)瞬態(tài)識(shí)別模型進(jìn)行測(cè)試,并對(duì)系統(tǒng)瞬態(tài)識(shí)別模型的泛化能力進(jìn)行評(píng)估。

    圖1 熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型開(kāi)發(fā)流程Fig.1 Development process of the system transient identification model

    1.1 KNN方法

    KNN是一種基于實(shí)例的監(jiān)督學(xué)習(xí)算法,可以用于分類(lèi)和回歸問(wèn)題[14];同樣是一種懶惰學(xué)習(xí)方法[15],它不需要訓(xùn)練階段,只需存儲(chǔ)訓(xùn)練數(shù)據(jù)集。

    對(duì)于分類(lèi)問(wèn)題,KNN根據(jù)未知類(lèi)別的樣本點(diǎn)的K個(gè)最近鄰樣本點(diǎn)中出現(xiàn)最多的類(lèi)別來(lái)確定未知樣本點(diǎn)的類(lèi)別。因此,在KNN算法中,K這一超參數(shù)的選取至關(guān)重要。通常情況下,如果K值過(guò)小,識(shí)別結(jié)果對(duì)近鄰點(diǎn)非常敏感,容易過(guò)擬合;如果K值過(guò)大,模型容易受到樣本分布的影響,導(dǎo)致欠擬合。KNN的優(yōu)點(diǎn)是可以快速對(duì)新的測(cè)試樣本進(jìn)行分類(lèi);缺點(diǎn)是對(duì)于大規(guī)模數(shù)據(jù)集,計(jì)算距離的復(fù)雜度較高。如果采用暴力搜索(Brute Force)計(jì)算數(shù)據(jù)所有點(diǎn)之間的距離,在面對(duì)大量的高維數(shù)據(jù)時(shí),將耗費(fèi)大量時(shí)間和計(jì)算資源。采用K-D樹(shù)或球數(shù)等算法[16-17]可以解決暴力搜索的低效率問(wèn)題。同時(shí),在KNN方法中,近鄰點(diǎn)距離的計(jì)算方法也很重要[18]。歐氏距離和曼哈頓距離是兩種距離計(jì)算方法,n維空間點(diǎn)a(x11,x12,…,x1n)與b(x21,x22,…,x2n)之間的兩種距離數(shù)學(xué)表達(dá)d12E和d12M分別如式(1)和(2)所示:

    1.2 熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型

    在熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型中(圖2),KNN方法依據(jù)待識(shí)別瞬態(tài)樣本在多維空間中的K個(gè)最近鄰瞬態(tài)樣本,按照少數(shù)服從多數(shù)原則,確定待識(shí)別瞬態(tài)樣本的瞬態(tài)類(lèi)型。

    圖2 基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型Fig.2 KNN-based system transient identification model for the MSR system

    基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型的超參數(shù)選取也大致圍繞這幾方面進(jìn)行展開(kāi),如表1所示,待優(yōu)化的超參數(shù)包含鄰近點(diǎn)數(shù)K(N_neighbors)、鄰近點(diǎn)查找方法(Algorithm)、距離計(jì)算方法(P)和鄰近點(diǎn)權(quán)重方式(Weights)。

    基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型框架如圖3所示。模型的輸入為N種熔鹽堆內(nèi)的系統(tǒng)運(yùn)行參數(shù),如反應(yīng)堆功率、溫度、壓力和質(zhì)量流量等。模型的輸出是P種瞬態(tài)工況在對(duì)應(yīng)N種運(yùn)行參數(shù)下的概率,最終模型從這些瞬態(tài)工況中選取概率最大的瞬態(tài)作為最終的識(shí)別結(jié)果。

    圖3 基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型框架Fig.3 Framework of the KNN-based system transient identification model

    2 系統(tǒng)瞬態(tài)識(shí)別模型訓(xùn)練、優(yōu)化及測(cè)試

    2.1 數(shù)據(jù)集產(chǎn)生

    20世紀(jì)60年代,美國(guó)橡樹(shù)嶺國(guó)家實(shí)驗(yàn)室設(shè)計(jì)并建造了熔鹽實(shí)驗(yàn)堆(Molten Salt Reactor Experiment,MSRE),并于1965年成功運(yùn)行。本文以MSRE為對(duì)象,建立和訓(xùn)練熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型。由于相關(guān)報(bào)告中的瞬態(tài)實(shí)驗(yàn)數(shù)據(jù)不足,因此使用由中國(guó)科學(xué)院上海應(yīng)用物理研究所團(tuán)隊(duì)[19-21]擴(kuò)展開(kāi)發(fā)的RELAP5-TMSR系統(tǒng)分析程序?qū)SRE的瞬態(tài)工況進(jìn)行建模與仿真,產(chǎn)生所需數(shù)據(jù)集。MSRE的RELAP5-TMSR模型節(jié)點(diǎn)圖如圖4所示。

    圖4 MSRE的RELAP5-TMSR節(jié)點(diǎn)圖Fig.4 RELAP5-TMSR nodalization of the MSRE

    為了開(kāi)展系統(tǒng)瞬態(tài)識(shí)別研究,參考ORNL的MSRE相關(guān)報(bào)告[22],選擇了表2中所列的瞬態(tài)工況,并使用RELAP5-TMSR程序進(jìn)行建模與仿真。除了考慮瞬態(tài)工況的選擇,還需要選擇合適的熔鹽堆系統(tǒng)運(yùn)行參數(shù)作為系統(tǒng)瞬態(tài)識(shí)別模型的輸入特征。在選取輸入特征時(shí),參考實(shí)際熔鹽堆中操作人員容易獲得的一些參數(shù),選取了表3中所列的功率、堆芯出入口溫度、回路壓力和質(zhì)量流量等11種熔鹽堆運(yùn)行參數(shù)。為了更好地測(cè)試系統(tǒng)瞬態(tài)識(shí)別模型的泛化能力,將熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型的數(shù)據(jù)集劃分為訓(xùn)練集與測(cè)試集,兩者獨(dú)立生成。為確保模擬結(jié)果的穩(wěn)定性和可靠性,相應(yīng)的瞬態(tài)工況在MSRE穩(wěn)態(tài)運(yùn)行100 s后引入。訓(xùn)練集在1~8 MW的熱功率下均勻分成8種功率水平,在每個(gè)功率水平下對(duì)瞬態(tài)工況進(jìn)行建模與仿真,每隔1 s提取對(duì)應(yīng)時(shí)刻的11種熔鹽堆運(yùn)行參數(shù)作為熔鹽堆系統(tǒng)識(shí)別的特征參數(shù)。最終,獲取的訓(xùn)練數(shù)據(jù)集由72 356個(gè)數(shù)據(jù)點(diǎn)組成。測(cè)試數(shù)據(jù)集在1~8 MW的隨機(jī)反應(yīng)堆功率下的11種不同運(yùn)行狀態(tài)生成,由25 055個(gè)數(shù)據(jù)點(diǎn)組成,以更全面地評(píng)估系統(tǒng)瞬態(tài)識(shí)別模型的性能和識(shí)別能力。

    表2 MSRE運(yùn)行工況類(lèi)型Table 2 MSRE operation condition type

    表3 熔鹽堆系統(tǒng)識(shí)別特征參數(shù)Table 3 Feature parameters of identification in MSR system

    2.2 系統(tǒng)瞬態(tài)識(shí)別模型訓(xùn)練及優(yōu)化

    本節(jié)利用生成的數(shù)據(jù)集訓(xùn)練和優(yōu)化基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型,進(jìn)一步提高系統(tǒng)瞬態(tài)識(shí)別模型的識(shí)別準(zhǔn)確率和泛化能力。

    2.2.1 超參數(shù)優(yōu)化

    通過(guò)對(duì)超參數(shù)優(yōu)化,從超參數(shù)組合中尋找到最優(yōu)的超參數(shù)組合,使得基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型在驗(yàn)證集的性能最佳。采用5折交叉法和隨機(jī)搜索相結(jié)合的方式對(duì)超參數(shù)組合進(jìn)行篩選。

    在超參數(shù)優(yōu)化中,需要確定優(yōu)化指標(biāo)以評(píng)估不同超參數(shù)組合下的系統(tǒng)瞬態(tài)識(shí)別模型性能。在機(jī)器學(xué)習(xí)中,基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型是一種分類(lèi)模型,通常用表4的形式來(lái)表述二分類(lèi)結(jié)果。真正例(True Positive,TP)是模型正確地將正例預(yù)測(cè)為正例的數(shù)量。假正例(False Positive,F(xiàn)P)是模型錯(cuò)誤地將負(fù)例預(yù)測(cè)為正例的數(shù)量。真反例(True Negative,TN)是模型正確地將負(fù)例預(yù)測(cè)為負(fù)例的數(shù)量。假反例(False Negative,F(xiàn)N)是模型錯(cuò)誤地將正例預(yù)測(cè)為負(fù)例的數(shù)量。這4個(gè)二分類(lèi)指標(biāo)可以進(jìn)一步組成不同的性能指標(biāo)。在熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型的超參數(shù)優(yōu)化中選用最常用的準(zhǔn)確率(Accuracy)作為評(píng)估指標(biāo),其數(shù)學(xué)表達(dá)形式如式(3)所示。

    表4 二分類(lèi)結(jié)果Table 4 Binary classification results

    2.2.2 系統(tǒng)瞬態(tài)識(shí)別模型優(yōu)化結(jié)果

    對(duì)表1所選取的超參數(shù)組合進(jìn)行優(yōu)化,優(yōu)化結(jié)果如圖5所示。鄰近點(diǎn)查找方法、鄰近點(diǎn)數(shù)K、距離計(jì)算方法對(duì)于基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型準(zhǔn)確率影響不明顯。但在鄰近點(diǎn)權(quán)重方式中,采用“distance”方式進(jìn)行鄰近點(diǎn)權(quán)重略?xún)?yōu)于采用“uniform”方式進(jìn)行鄰近點(diǎn)權(quán)重。其中最優(yōu)超參數(shù)組合列于表5中。

    表5 基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型超參數(shù)優(yōu)化結(jié)果Table 5 Hyper-parameters optimization results of KNN-based system transient identification model

    圖5 基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型超參數(shù)優(yōu)化結(jié)果Fig.5 Hyper-parameter optimization results of the KNN-based system transient identification model

    2.3 系統(tǒng)瞬態(tài)識(shí)別模型測(cè)試及評(píng)估

    在評(píng)估系統(tǒng)瞬態(tài)識(shí)別模型時(shí)需要選擇評(píng)估指標(biāo),在上一小節(jié)的模型優(yōu)化過(guò)程中采用了準(zhǔn)確率,但是在某些情況下,單純依賴(lài)準(zhǔn)確率并不能完全反映系統(tǒng)瞬態(tài)識(shí)別模型的性能。在類(lèi)別不平衡的情況下,即某一類(lèi)別的樣本數(shù)量明顯少于另一類(lèi)別時(shí),僅使用準(zhǔn)確率評(píng)估分類(lèi)器的性能會(huì)產(chǎn)生偏差,因?yàn)榇藭r(shí)分類(lèi)器可能會(huì)傾向于預(yù)測(cè)樣本數(shù)量較多的類(lèi)別。在評(píng)估熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型時(shí),需要引入其他指標(biāo)來(lái)更全面地對(duì)系統(tǒng)瞬態(tài)識(shí)別模型的性能進(jìn)行評(píng)估。除準(zhǔn)確率外,額外選取了在機(jī)器學(xué)習(xí)分類(lèi)方法中常用的其他三個(gè)評(píng)估指標(biāo):精確率(Precision)、召回率(Recall)和F1分?jǐn)?shù)(F1-score)[23],它們的具體數(shù)學(xué)表達(dá)形式如下:

    精確率反映了被模型正確識(shí)別的正樣本數(shù)量占模型識(shí)別的所有正樣本數(shù)量的比例,精確率越高,說(shuō)明模型正確識(shí)別出的正樣本數(shù)量越多。召回率反映了被模型正確識(shí)別的正樣本數(shù)量占總正樣本數(shù)量的比例,召回率越高,說(shuō)明模型正確識(shí)別出的正樣本數(shù)量越接近于總正樣本數(shù)量。而F1分?jǐn)?shù)綜合考慮精確率和召回率,是精確率和召回率的調(diào)和平均數(shù)。

    采用混淆矩陣(Confusion Matrix)評(píng)估系統(tǒng)瞬態(tài)識(shí)別模型在測(cè)試集上的識(shí)別性能?;旌暇仃噲D中的數(shù)字為樣本數(shù),橫坐標(biāo)為系統(tǒng)瞬態(tài)識(shí)別模型對(duì)瞬態(tài)的識(shí)別類(lèi)別,縱坐標(biāo)為真實(shí)瞬態(tài)類(lèi)別,位于對(duì)角線(xiàn)上的樣本為系統(tǒng)瞬態(tài)識(shí)別模型正確識(shí)別的樣本?;贙NN的熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型的測(cè)試結(jié)果如圖6所示。

    圖6 基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型混淆矩陣圖Fig.6 Confusion matrix for the KNN-based system transient identification model

    基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型的準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)均為99.99%,如表6所示?;贙NN的系統(tǒng)瞬態(tài)識(shí)別模型正確識(shí)別了25 055個(gè)瞬態(tài)工況樣本中的25 054個(gè)瞬態(tài)工況,只有一例3根控制棒誤提升樣本被誤識(shí)別為2根控制棒誤提升。此外,單獨(dú)瞬態(tài)的F1分?jǐn)?shù)結(jié)果列于表7中,基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型在測(cè)試集上表現(xiàn)出極佳的識(shí)別性能。這表明了本文建立的基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型能夠高效、準(zhǔn)確地識(shí)別MSRE中的多種瞬態(tài)工況。

    表6 基于KNN識(shí)別模型測(cè)試結(jié)果Table 6 Test results of KNN-based identification models

    表7 單獨(dú)瞬態(tài)的F1分?jǐn)?shù)Table 7 F1-score of individual transient

    3 系統(tǒng)瞬態(tài)識(shí)別模型魯棒性分析及優(yōu)化

    3.1 高斯白噪聲魯棒性分析

    在熔鹽堆實(shí)際運(yùn)行過(guò)程中,測(cè)量?jī)x表的測(cè)量數(shù)值會(huì)受到不同程度的噪聲干擾。因此,在系統(tǒng)瞬態(tài)識(shí)別模型對(duì)熔鹽堆系統(tǒng)瞬態(tài)進(jìn)行識(shí)別的過(guò)程中,需要考慮系統(tǒng)瞬態(tài)識(shí)別模型的輸入?yún)?shù)在實(shí)際應(yīng)用時(shí)的噪聲干擾,開(kāi)展對(duì)熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型在噪聲下的魯棒性分析。測(cè)量?jī)x表在t時(shí)刻測(cè)得的運(yùn)行參數(shù)數(shù)值X(t)可以表示為[24]:

    式中:S(t)是運(yùn)行參數(shù)在t時(shí)刻的真實(shí)數(shù)值;D(t)是t時(shí)刻噪聲對(duì)測(cè)量?jī)x表的干擾。這些噪聲干擾通常來(lái)自多個(gè)不同噪聲源,并且具有一定的隨機(jī)性。隨著噪聲源數(shù)量的增加,這些噪聲之和近似服從高斯分布,通過(guò)假設(shè)噪聲干擾的總和為高斯白噪聲以模擬未知的真實(shí)噪聲[25]。

    噪聲的大小通常采用信噪比(Signal to Noise Ratio,SNR)來(lái)衡量[26],表示為:

    式中:Psignal代表信號(hào)功率;Pnoise代表噪聲功率;Asignal代表信號(hào)幅度;Anoise代表噪聲幅度。在核電站內(nèi),測(cè)量?jī)x表受到的噪聲干擾不會(huì)太大,最大噪聲干擾的SNR在30 dB左右[27]。本文通過(guò)在測(cè)試集中添加20~50 dB的高斯白噪聲干擾,分析基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型的魯棒性。

    基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型在含噪聲測(cè)試集中的測(cè)試結(jié)果如圖7所示。4種評(píng)估指標(biāo)呈現(xiàn)出隨著SNR的增長(zhǎng)而不斷上升的趨勢(shì),在低SNR下較低,并在40 dB左右基本達(dá)到一致水平。其中準(zhǔn)確率在不同SNR下均高于其他三個(gè)評(píng)估指標(biāo);而精確率在低SNR時(shí)和準(zhǔn)確率保持一致,但是其上升趨勢(shì)較慢;召回率與F1分?jǐn)?shù)在不同SNR下基本保持一致,但均低于準(zhǔn)確率與精確率的數(shù)值。

    圖7 魯棒性測(cè)試結(jié)果Fig.7 Robustness test results

    對(duì)基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型在30 dB SNR下的魯棒性進(jìn)一步分析?;贙NN的系統(tǒng)瞬態(tài)識(shí)別模型在30 dB SNR下識(shí)別準(zhǔn)確率為97.41%,精確率達(dá)到94.47%,召回率和F1分?jǐn)?shù)也分別達(dá)到94.61%和94.31%,如表8所示,4項(xiàng)評(píng)估指標(biāo)均高于94%,具有較好的魯棒性。但是準(zhǔn)確率明顯高于精確率、召回率和F1分?jǐn)?shù),準(zhǔn)確率作為綜合指標(biāo),可能會(huì)忽略某幾種瞬態(tài)帶來(lái)的影響,而精確率、召回率和F1分?jǐn)?shù)考慮了單一瞬態(tài)帶來(lái)的影響,可以推斷是因?yàn)檎`識(shí)別瞬態(tài)分布集中導(dǎo)致。相比較在無(wú)噪聲下達(dá)到99.99%的識(shí)別結(jié)果,在30 dB噪聲下的識(shí)別結(jié)果較低,需要進(jìn)一步優(yōu)化系統(tǒng)瞬態(tài)識(shí)別模型的魯棒性。

    表8 系統(tǒng)瞬態(tài)識(shí)別模型在30 dB SNR下的識(shí)別結(jié)果Table 8 Results of system transient identification model under 30 dB SNR

    3.2 魯棒性?xún)?yōu)化

    3.2.1 含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型

    含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型通過(guò)在數(shù)據(jù)集中加入噪聲,使用含噪聲數(shù)據(jù)對(duì)基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型重新訓(xùn)練,從而進(jìn)一步優(yōu)化系統(tǒng)瞬態(tài)識(shí)別模型在噪聲下的魯棒性。在數(shù)據(jù)集中添加SNR為30 dB的噪聲,使得訓(xùn)練集中的數(shù)據(jù)含有噪聲,從而增加系統(tǒng)瞬態(tài)識(shí)別模型在噪聲下對(duì)瞬態(tài)工況的識(shí)別能力。

    3.2.2 含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型優(yōu)化

    與基于KNN的系統(tǒng)瞬態(tài)識(shí)別模型超參數(shù)優(yōu)化過(guò)程一樣,通過(guò)5折交叉法和隨機(jī)搜索相結(jié)合的方式對(duì)表1中的超參數(shù)組合進(jìn)行篩選。含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型優(yōu)化結(jié)果如圖8所示,最優(yōu)超參數(shù)組合列于表9中。

    表9 含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型超參數(shù)優(yōu)化結(jié)果Table 9 Hyper-parameters optimization results of system transient identification model trained by data with noise

    圖8 含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型超參數(shù)優(yōu)化結(jié)果Fig.8 Hyper-parameter optimization results of the system transient identification model trained on noisy data

    3.2.3 含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型測(cè)試及評(píng)估

    同樣使用準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)4個(gè)評(píng)估指標(biāo)對(duì)含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型的泛化能力進(jìn)行評(píng)估。首先在不含噪聲的測(cè)試集上,對(duì)基于KNN的含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型的性能進(jìn)行測(cè)試,其測(cè)試結(jié)果如圖9所示。

    圖9 基于KNN的含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型在無(wú)噪聲測(cè)試集上的混淆矩陣圖Fig.9 Confusion matrix for the KNN-based system transient identification model trained using noisy data on noiseless test datasets

    基于KNN含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型無(wú)噪聲測(cè)試集數(shù)據(jù)中的準(zhǔn)確率為99.69%、精確率為99.26%、召回率和F1分?jǐn)?shù)均為99.22%,如表10所示。其在無(wú)噪聲測(cè)試集上的4項(xiàng)評(píng)估指標(biāo)也均超過(guò)99%,具有較好的熔鹽堆系統(tǒng)瞬態(tài)識(shí)別性能。

    表10 基于KNN含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型在無(wú)噪聲測(cè)試集上的測(cè)試結(jié)果Table 10 Results of KNN-based system transient identification model trained by data with noise on noiseless test datasets

    但是無(wú)噪聲只是一種理想環(huán)境,在熔鹽堆實(shí)際運(yùn)行過(guò)程中,儀表測(cè)量往往會(huì)受到環(huán)境噪聲干擾,因此主要在噪聲環(huán)境下對(duì)含噪聲模型進(jìn)行分析。需要在有噪聲測(cè)試集上,對(duì)含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型進(jìn)行測(cè)試。因?yàn)樵谟?xùn)練集中添加的噪聲為30 dB SNR,所以在測(cè)試集上同樣添加了30 dB SNR的噪聲。采用混合矩陣評(píng)估含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型對(duì)含噪樣本的識(shí)別情況。基于KNN的含噪聲數(shù)據(jù)訓(xùn)練的瞬態(tài)模型在含噪測(cè)試集中的表現(xiàn)結(jié)果如圖10所示。

    圖10 基于KNN的含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型在含噪聲測(cè)試集上的混淆矩陣圖Fig.10 Confusion matrix for the KNN-based system transient identification model trained using noisy data on noisy test datasets

    基于KNN含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型在30 dB SNR的含噪聲測(cè)試集數(shù)據(jù)中的準(zhǔn)確率為99.89%、精確率為99.73%、召回率和F1分?jǐn)?shù)均為99.73%,如表11所示。含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型正確識(shí)別了25 055個(gè)瞬態(tài)工況樣本中的25 028個(gè)瞬態(tài)工況,其中27個(gè)被誤識(shí)別的瞬態(tài)工況均為控制棒誤提升瞬態(tài),有17例2根控制棒誤提升瞬態(tài)被誤識(shí)別為3根控制棒誤提升。使用含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型在含噪聲測(cè)試集上的識(shí)別性能非常優(yōu)越,具體單獨(dú)瞬態(tài)的F1分?jǐn)?shù)結(jié)果列于表12中。表明了本文建立的基于KNN的含噪聲數(shù)據(jù)訓(xùn)練的熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型能夠在30 dB SNR的噪聲環(huán)境下準(zhǔn)確地識(shí)別MSRE中的多種瞬態(tài)工況。

    表11 基于KNN含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型測(cè)試結(jié)果Table 11 Results of KNN-based noise-added system transient identification model in test datasets

    表12 基于KNN含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型識(shí)別單獨(dú)瞬態(tài)的F1分?jǐn)?shù)Table 12 F1-scores of individual transients using KNN-based system transient identification model trained by data with noise

    3.2.4 含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型魯棒性分析

    相較于不含噪聲數(shù)據(jù)的系統(tǒng)瞬態(tài)識(shí)別模型,使用含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型在30 dB SNR的高斯白噪聲下具有較高的魯棒性。但是考慮到熔鹽堆在實(shí)際運(yùn)行中,儀表測(cè)量受到的噪聲干擾未知,30 dB SNR的高斯白噪聲僅能反映含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型在最大噪聲下具有較好的性能,仍需要對(duì)含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型在不同程度SNR的高斯白噪聲下的魯棒性進(jìn)行分析?;贙NN的含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型在20~50 dB SNR噪聲下的魯棒性測(cè)試結(jié)果如圖11所示。

    圖11 含噪聲數(shù)據(jù)訓(xùn)練的系統(tǒng)瞬態(tài)識(shí)別模型魯棒性測(cè)試結(jié)果Fig.11 Robustness test results of the system transient identification model trained on noisy data

    4種評(píng)估指標(biāo)呈現(xiàn)出先隨著SNR的增長(zhǎng)而不斷上升,再隨著SNR的增長(zhǎng)而不斷緩慢降低的趨勢(shì),轉(zhuǎn)折點(diǎn)在27 dB左右。準(zhǔn)確率在不同SNR下依舊高于其他三個(gè)評(píng)估指標(biāo),并且在高SNR下依舊明顯高于其他三個(gè)評(píng)估指標(biāo)。在低SNR下,精確率、召回率和F1分?jǐn)?shù)的差別較為明顯,精確率較高而F1分?jǐn)?shù)最差;在高SNR下,這三種指標(biāo)幾乎保持一致。相較于魯棒性?xún)?yōu)化前的識(shí)別模型,魯棒性?xún)?yōu)化后的系統(tǒng)瞬態(tài)識(shí)別模型在噪聲下具有更好的識(shí)別性能,這也表明了采用含噪聲數(shù)據(jù)訓(xùn)練方法可以有效提高識(shí)別模型在噪聲下的魯棒性,同時(shí)也證明了魯棒性?xún)?yōu)化后的基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型在高斯白噪聲下具有極高的識(shí)別性能,可以在噪聲下準(zhǔn)確識(shí)別MSRE瞬態(tài)工況。

    4 結(jié)語(yǔ)

    為了減少熔鹽堆系統(tǒng)瞬態(tài)識(shí)別過(guò)程中引入的人為因素,提高熔鹽堆運(yùn)行安全,基于KNN方法建立了熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型。使用系統(tǒng)分析程序RELAP5-TMSR生成數(shù)據(jù)集進(jìn)行系統(tǒng)瞬態(tài)識(shí)別模型的訓(xùn)練和超參數(shù)優(yōu)化,并對(duì)系統(tǒng)瞬態(tài)識(shí)別模型的性能進(jìn)行了測(cè)試與評(píng)估??紤]到熔鹽堆實(shí)際運(yùn)行中的測(cè)量?jī)x表噪聲干擾,對(duì)系統(tǒng)瞬態(tài)識(shí)別模型在噪聲下的魯棒性進(jìn)行了分析和優(yōu)化。結(jié)果表明:在無(wú)噪聲情況下,基于KNN方法建立的熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型識(shí)別性能極佳,在噪聲下識(shí)別性能同樣較好,表現(xiàn)出較高的魯棒性;通過(guò)魯棒性?xún)?yōu)化,系統(tǒng)瞬態(tài)識(shí)別模型在噪聲下的識(shí)別性能進(jìn)一步提升,魯棒性得到增強(qiáng)。上述結(jié)果表明,所開(kāi)發(fā)的系統(tǒng)瞬態(tài)識(shí)別模型能夠有效識(shí)別MSRE系統(tǒng)瞬態(tài)工況,具有較大潛力和價(jià)值,可以進(jìn)一步推廣至其他熔鹽堆系統(tǒng),提高熔鹽堆系統(tǒng)的運(yùn)行安全性,并為熔鹽堆的智能運(yùn)維提供有力支持。

    作者貢獻(xiàn)聲明周天澤負(fù)責(zé)進(jìn)行熔鹽堆系統(tǒng)瞬態(tài)識(shí)別模型的開(kāi)發(fā)、分析及文章撰寫(xiě);虞凱程負(fù)責(zé)對(duì)文章的知識(shí)性?xún)?nèi)容作批評(píng)性審閱及文章修訂;程懋松負(fù)責(zé)提出研究思路,文章審閱與修訂;戴志敏負(fù)責(zé)研究方案指導(dǎo)、研究進(jìn)度監(jiān)督和研究項(xiàng)目管理。

    猜你喜歡
    模型系統(tǒng)
    一半模型
    Smartflower POP 一體式光伏系統(tǒng)
    WJ-700無(wú)人機(jī)系統(tǒng)
    ZC系列無(wú)人機(jī)遙感系統(tǒng)
    重要模型『一線(xiàn)三等角』
    重尾非線(xiàn)性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    基于PowerPC+FPGA顯示系統(tǒng)
    半沸制皂系統(tǒng)(下)
    連通與提升系統(tǒng)的最后一塊拼圖 Audiolab 傲立 M-DAC mini
    3D打印中的模型分割與打包
    午夜福利欧美成人| 亚洲va日本ⅴa欧美va伊人久久| 免费人成视频x8x8入口观看| 天堂√8在线中文| 欧美bdsm另类| 亚洲精品一区av在线观看| 亚洲一区二区三区色噜噜| 国产精品1区2区在线观看.| 亚洲国产精品合色在线| 免费av观看视频| 国产精品不卡视频一区二区| 天堂av国产一区二区熟女人妻| 久久久精品大字幕| 国内精品久久久久精免费| 99久久精品一区二区三区| 观看免费一级毛片| av专区在线播放| 久久久久久久久久成人| 精品福利观看| 久久精品91蜜桃| 自拍偷自拍亚洲精品老妇| 亚洲av日韩精品久久久久久密| 免费观看的影片在线观看| 欧美最黄视频在线播放免费| 午夜福利在线观看免费完整高清在 | 国产91精品成人一区二区三区| 欧美成人性av电影在线观看| 成年女人毛片免费观看观看9| 欧美高清成人免费视频www| 12—13女人毛片做爰片一| 亚洲一级一片aⅴ在线观看| 琪琪午夜伦伦电影理论片6080| 国产亚洲精品久久久com| 日本三级黄在线观看| 国产探花极品一区二区| 亚洲美女黄片视频| 亚洲av第一区精品v没综合| 99热6这里只有精品| 欧美最黄视频在线播放免费| 嫩草影视91久久| 国产国拍精品亚洲av在线观看| 中国美女看黄片| 亚洲av电影不卡..在线观看| 人妻制服诱惑在线中文字幕| 亚洲国产高清在线一区二区三| 网址你懂的国产日韩在线| 最近最新中文字幕大全电影3| 日韩av在线大香蕉| 亚洲中文字幕日韩| 欧美xxxx性猛交bbbb| 日韩欧美免费精品| 99热网站在线观看| 国内少妇人妻偷人精品xxx网站| 在线观看舔阴道视频| 99久国产av精品| 毛片女人毛片| 老女人水多毛片| 美女高潮的动态| 十八禁网站免费在线| 天堂√8在线中文| 久久精品综合一区二区三区| 别揉我奶头~嗯~啊~动态视频| 九色国产91popny在线| 亚洲专区国产一区二区| 久久久久久久久久黄片| 男插女下体视频免费在线播放| 黄色丝袜av网址大全| 国产精品国产高清国产av| 亚洲欧美日韩无卡精品| 我要搜黄色片| 成人亚洲精品av一区二区| 国内精品一区二区在线观看| 日本色播在线视频| 欧美黑人巨大hd| 成人亚洲精品av一区二区| 老司机深夜福利视频在线观看| 久久人人精品亚洲av| 乱人视频在线观看| 亚洲一区高清亚洲精品| 搞女人的毛片| 日本 av在线| 99久久无色码亚洲精品果冻| 蜜桃亚洲精品一区二区三区| 最近最新中文字幕大全电影3| 国产亚洲精品综合一区在线观看| 一个人看的www免费观看视频| 亚洲av五月六月丁香网| 一级黄色大片毛片| 一区二区三区高清视频在线| 精华霜和精华液先用哪个| 亚洲av美国av| 色哟哟·www| 久久久久久久精品吃奶| 亚洲va在线va天堂va国产| 麻豆精品久久久久久蜜桃| 精品人妻一区二区三区麻豆 | 国产淫片久久久久久久久| 亚洲男人的天堂狠狠| av专区在线播放| 小说图片视频综合网站| 国产av在哪里看| 国产91精品成人一区二区三区| 一区二区三区免费毛片| 人妻丰满熟妇av一区二区三区| 不卡一级毛片| 亚洲国产欧美人成| 亚洲精品456在线播放app | 婷婷色综合大香蕉| 99热只有精品国产| 最近视频中文字幕2019在线8| 99riav亚洲国产免费| 欧美中文日本在线观看视频| 日韩欧美国产在线观看| 看黄色毛片网站| av天堂中文字幕网| av天堂在线播放| 亚洲av.av天堂| 国产精品精品国产色婷婷| 国产精华一区二区三区| 成人鲁丝片一二三区免费| 国产aⅴ精品一区二区三区波| 国产精品亚洲美女久久久| 我的老师免费观看完整版| 久久亚洲精品不卡| 亚洲av日韩精品久久久久久密| www.www免费av| 亚洲成a人片在线一区二区| 国产成人一区二区在线| 美女免费视频网站| 男人的好看免费观看在线视频| 亚洲在线自拍视频| 自拍偷自拍亚洲精品老妇| 日本a在线网址| 一卡2卡三卡四卡精品乱码亚洲| 成人国产综合亚洲| 免费高清视频大片| 免费看日本二区| 婷婷亚洲欧美| 波多野结衣高清作品| 国产美女午夜福利| 黄色配什么色好看| 国产亚洲91精品色在线| 欧美中文日本在线观看视频| 99视频精品全部免费 在线| 国产私拍福利视频在线观看| 国内精品久久久久久久电影| 亚洲色图av天堂| 久久久久久久久大av| 亚洲欧美清纯卡通| 中文资源天堂在线| 久久精品夜夜夜夜夜久久蜜豆| 一边摸一边抽搐一进一小说| 人妻丰满熟妇av一区二区三区| 国产精品综合久久久久久久免费| 精品免费久久久久久久清纯| av黄色大香蕉| 日韩一本色道免费dvd| 亚洲av免费在线观看| 麻豆国产97在线/欧美| 亚洲欧美清纯卡通| 韩国av在线不卡| 又爽又黄a免费视频| 成人一区二区视频在线观看| 婷婷亚洲欧美| 成人三级黄色视频| or卡值多少钱| 久久久国产成人免费| 久久久久久久久久久丰满 | 久久亚洲精品不卡| av视频在线观看入口| 国产亚洲欧美98| 美女被艹到高潮喷水动态| 成年女人看的毛片在线观看| 久久99热这里只有精品18| 亚洲av熟女| 成年免费大片在线观看| 天堂av国产一区二区熟女人妻| 不卡一级毛片| 淫秽高清视频在线观看| 欧美激情在线99| 午夜福利成人在线免费观看| 久久热精品热| 性插视频无遮挡在线免费观看| 免费观看精品视频网站| 日本 av在线| 国产淫片久久久久久久久| 久久久久久久久久成人| 国产欧美日韩精品亚洲av| 欧美丝袜亚洲另类 | 日韩高清综合在线| 99久久精品一区二区三区| av国产免费在线观看| 亚洲va在线va天堂va国产| 色综合婷婷激情| avwww免费| 在现免费观看毛片| 亚洲无线观看免费| 日韩欧美三级三区| 婷婷丁香在线五月| 午夜福利高清视频| 丝袜美腿在线中文| 免费一级毛片在线播放高清视频| 他把我摸到了高潮在线观看| 一级av片app| 午夜福利在线观看免费完整高清在 | 欧美日韩黄片免| 亚洲性夜色夜夜综合| 亚洲男人的天堂狠狠| 国产精品综合久久久久久久免费| 一边摸一边抽搐一进一小说| 一个人看视频在线观看www免费| 在线免费观看的www视频| 久久99热6这里只有精品| 欧美日韩综合久久久久久 | 人妻丰满熟妇av一区二区三区| 亚洲成人精品中文字幕电影| 久9热在线精品视频| 熟妇人妻久久中文字幕3abv| 色哟哟·www| 亚洲不卡免费看| 久久久久久九九精品二区国产| 岛国在线免费视频观看| 免费人成在线观看视频色| 精品人妻视频免费看| 日本一二三区视频观看| 成年版毛片免费区| 乱人视频在线观看| 窝窝影院91人妻| 日韩精品有码人妻一区| 夜夜夜夜夜久久久久| 国产视频一区二区在线看| 淫秽高清视频在线观看| 亚洲av成人精品一区久久| 精品人妻视频免费看| 亚洲av免费高清在线观看| 国产成人一区二区在线| 亚洲自偷自拍三级| 成熟少妇高潮喷水视频| av在线观看视频网站免费| 男人的好看免费观看在线视频| 中国美白少妇内射xxxbb| 免费不卡的大黄色大毛片视频在线观看 | 亚洲欧美激情综合另类| 永久网站在线| 狂野欧美激情性xxxx在线观看| 老司机午夜福利在线观看视频| av福利片在线观看| 日本a在线网址| 啦啦啦韩国在线观看视频| www日本黄色视频网| 午夜精品久久久久久毛片777| 亚洲va日本ⅴa欧美va伊人久久| 哪里可以看免费的av片| 久久久久精品国产欧美久久久| 亚洲 国产 在线| 欧美成人一区二区免费高清观看| 久久久久免费精品人妻一区二区| 精品久久国产蜜桃| 最近最新中文字幕大全电影3| 日韩欧美精品v在线| 国产欧美日韩一区二区精品| 色综合色国产| 九九热线精品视视频播放| 欧美国产日韩亚洲一区| 搡老岳熟女国产| 毛片女人毛片| 色尼玛亚洲综合影院| 国产乱人伦免费视频| 大型黄色视频在线免费观看| 深爱激情五月婷婷| 性欧美人与动物交配| 黄色一级大片看看| 日韩欧美精品v在线| 免费搜索国产男女视频| 精品久久久久久久久久久久久| 国产老妇女一区| 99久久中文字幕三级久久日本| 桃红色精品国产亚洲av| 老女人水多毛片| 女同久久另类99精品国产91| 亚洲一级一片aⅴ在线观看| 午夜福利视频1000在线观看| 午夜精品一区二区三区免费看| 久久热精品热| 乱人视频在线观看| 99久国产av精品| 国产高清不卡午夜福利| 国产成年人精品一区二区| 亚洲国产色片| 中文资源天堂在线| 少妇被粗大猛烈的视频| 欧美成人a在线观看| 男女那种视频在线观看| 大型黄色视频在线免费观看| 深爱激情五月婷婷| 中文字幕免费在线视频6| 麻豆成人av在线观看| 草草在线视频免费看| 99riav亚洲国产免费| x7x7x7水蜜桃| 国产精品人妻久久久久久| 精品人妻视频免费看| videossex国产| 日韩大尺度精品在线看网址| 亚洲精品亚洲一区二区| 免费看美女性在线毛片视频| 欧洲精品卡2卡3卡4卡5卡区| 亚洲一区二区三区色噜噜| 最近视频中文字幕2019在线8| 国产精品久久电影中文字幕| 三级国产精品欧美在线观看| 九九热线精品视视频播放| 极品教师在线视频| 中文亚洲av片在线观看爽| 丰满乱子伦码专区| 一卡2卡三卡四卡精品乱码亚洲| 国内精品美女久久久久久| 男女之事视频高清在线观看| 欧美激情国产日韩精品一区| 一级毛片久久久久久久久女| 欧美高清成人免费视频www| 国产黄a三级三级三级人| 九色国产91popny在线| 99久久精品热视频| 精品久久久久久久久久久久久| 男人舔女人下体高潮全视频| 亚洲久久久久久中文字幕| 久久国产乱子免费精品| 久久人妻av系列| 欧美bdsm另类| 亚洲男人的天堂狠狠| 日本色播在线视频| 99热这里只有是精品在线观看| 亚洲 国产 在线| 99在线视频只有这里精品首页| 熟女电影av网| 高清毛片免费观看视频网站| 亚洲电影在线观看av| 日韩欧美精品免费久久| 国产精品久久久久久久电影| 春色校园在线视频观看| 欧美日韩黄片免| 桃红色精品国产亚洲av| 国产午夜福利久久久久久| 99riav亚洲国产免费| av天堂中文字幕网| 高清毛片免费观看视频网站| 国产午夜福利久久久久久| 日本一二三区视频观看| 国产一区二区三区视频了| 亚洲va在线va天堂va国产| av天堂中文字幕网| 一本久久中文字幕| 久久精品91蜜桃| 俺也久久电影网| av福利片在线观看| 亚洲va在线va天堂va国产| 小说图片视频综合网站| 男人的好看免费观看在线视频| 精品不卡国产一区二区三区| 免费观看的影片在线观看| 成人特级黄色片久久久久久久| 97热精品久久久久久| 亚洲av二区三区四区| 亚洲aⅴ乱码一区二区在线播放| 少妇熟女aⅴ在线视频| 免费观看人在逋| 国产免费男女视频| 女人十人毛片免费观看3o分钟| 亚洲欧美日韩东京热| 日本免费a在线| 内射极品少妇av片p| 超碰av人人做人人爽久久| 91狼人影院| 国内毛片毛片毛片毛片毛片| 日韩,欧美,国产一区二区三区 | 国产成人a区在线观看| 国产精品av视频在线免费观看| 亚洲av电影不卡..在线观看| 黄色女人牲交| 久久人妻av系列| 美女高潮喷水抽搐中文字幕| 人妻丰满熟妇av一区二区三区| 亚洲av成人av| 99久久精品一区二区三区| 琪琪午夜伦伦电影理论片6080| 午夜视频国产福利| 极品教师在线免费播放| 欧美激情国产日韩精品一区| 91久久精品国产一区二区成人| 又黄又爽又免费观看的视频| 性插视频无遮挡在线免费观看| .国产精品久久| 久久久久国内视频| 人妻夜夜爽99麻豆av| 成人av在线播放网站| 久久精品人妻少妇| 日本黄色片子视频| 一a级毛片在线观看| 亚洲av电影不卡..在线观看| 香蕉av资源在线| 国产色爽女视频免费观看| 精品午夜福利在线看| 联通29元200g的流量卡| 噜噜噜噜噜久久久久久91| av在线亚洲专区| 国产伦人伦偷精品视频| 老熟妇乱子伦视频在线观看| 桃红色精品国产亚洲av| 国产爱豆传媒在线观看| 国产视频内射| 最新中文字幕久久久久| 中文字幕人妻熟人妻熟丝袜美| 99热只有精品国产| 美女被艹到高潮喷水动态| 露出奶头的视频| 伦精品一区二区三区| 最近中文字幕高清免费大全6 | 欧美一区二区亚洲| 老熟妇乱子伦视频在线观看| 春色校园在线视频观看| 亚洲专区中文字幕在线| 干丝袜人妻中文字幕| 3wmmmm亚洲av在线观看| 老师上课跳d突然被开到最大视频| 88av欧美| 亚洲中文日韩欧美视频| 免费观看人在逋| 欧美不卡视频在线免费观看| 嫁个100分男人电影在线观看| av在线蜜桃| 少妇人妻精品综合一区二区 | 人妻制服诱惑在线中文字幕| 色精品久久人妻99蜜桃| 黄色日韩在线| 少妇裸体淫交视频免费看高清| 国产伦精品一区二区三区四那| 日日撸夜夜添| 久久精品国产99精品国产亚洲性色| 国产一级毛片七仙女欲春2| 岛国在线免费视频观看| 日韩欧美在线乱码| 国产成年人精品一区二区| 99热这里只有精品一区| av中文乱码字幕在线| 久9热在线精品视频| 日本成人三级电影网站| 国产伦人伦偷精品视频| 成人精品一区二区免费| 国产精品一区二区三区四区久久| 级片在线观看| 成人国产麻豆网| 久久草成人影院| 国产男靠女视频免费网站| 国产精品一区www在线观看 | 欧美xxxx黑人xx丫x性爽| 欧美精品啪啪一区二区三区| 亚洲狠狠婷婷综合久久图片| 日日夜夜操网爽| 久久精品影院6| 亚洲精华国产精华液的使用体验 | 国国产精品蜜臀av免费| 欧美绝顶高潮抽搐喷水| 啪啪无遮挡十八禁网站| 1000部很黄的大片| 男人狂女人下面高潮的视频| 国产免费男女视频| 我的女老师完整版在线观看| 国产单亲对白刺激| 精品人妻偷拍中文字幕| 给我免费播放毛片高清在线观看| .国产精品久久| 国内精品宾馆在线| 国产三级在线视频| 国产av一区在线观看免费| 床上黄色一级片| 国产伦在线观看视频一区| 免费人成视频x8x8入口观看| 国产精品一区二区性色av| 亚洲成a人片在线一区二区| 国产高清激情床上av| 欧美一级a爱片免费观看看| 国产精品自产拍在线观看55亚洲| 亚洲av五月六月丁香网| 亚洲国产色片| 精华霜和精华液先用哪个| 亚洲av电影不卡..在线观看| 最新中文字幕久久久久| bbb黄色大片| 啦啦啦啦在线视频资源| 在线观看av片永久免费下载| 春色校园在线视频观看| 久久精品国产亚洲av天美| 久久99热这里只有精品18| 日韩欧美在线二视频| 国产免费av片在线观看野外av| 搡老妇女老女人老熟妇| 成年女人毛片免费观看观看9| 亚洲成人中文字幕在线播放| 精品99又大又爽又粗少妇毛片 | 国产91精品成人一区二区三区| 高清在线国产一区| 久久婷婷人人爽人人干人人爱| 国产精品永久免费网站| 国产精品无大码| 欧美成人免费av一区二区三区| 久久国产乱子免费精品| 国产成人aa在线观看| av在线蜜桃| 国产成人av教育| 亚洲美女黄片视频| 久久久国产成人精品二区| 色在线成人网| 精品欧美国产一区二区三| 成年女人看的毛片在线观看| 日本撒尿小便嘘嘘汇集6| 国产视频一区二区在线看| 午夜老司机福利剧场| 国产高清三级在线| 免费电影在线观看免费观看| 国产色爽女视频免费观看| 亚洲自偷自拍三级| 99精品在免费线老司机午夜| av视频在线观看入口| 两个人的视频大全免费| 一卡2卡三卡四卡精品乱码亚洲| 日本精品一区二区三区蜜桃| 国产免费男女视频| 久久午夜亚洲精品久久| 97人妻精品一区二区三区麻豆| 又黄又爽又刺激的免费视频.| 最近视频中文字幕2019在线8| 精品不卡国产一区二区三区| 亚洲成a人片在线一区二区| 国产精品一及| 国产成人一区二区在线| 给我免费播放毛片高清在线观看| 亚洲精品日韩av片在线观看| 天堂网av新在线| 日日干狠狠操夜夜爽| 99久久久亚洲精品蜜臀av| 午夜福利成人在线免费观看| 亚洲国产欧美人成| av天堂中文字幕网| 桃色一区二区三区在线观看| 久久中文看片网| 欧美+日韩+精品| 亚洲四区av| 日韩中字成人| 欧美潮喷喷水| 中亚洲国语对白在线视频| 久久久午夜欧美精品| 亚洲美女搞黄在线观看 | 国产麻豆成人av免费视频| 国产精品av视频在线免费观看| 看黄色毛片网站| 亚洲精品久久国产高清桃花| 午夜免费成人在线视频| 又黄又爽又刺激的免费视频.| 搡老妇女老女人老熟妇| 成人av一区二区三区在线看| 日韩欧美在线二视频| 噜噜噜噜噜久久久久久91| 熟女电影av网| 国产精品伦人一区二区| 国产亚洲91精品色在线| 日韩精品中文字幕看吧| 中文字幕精品亚洲无线码一区| 亚洲av.av天堂| 欧美激情国产日韩精品一区| 久久久国产成人免费| 成人国产麻豆网| 日韩在线高清观看一区二区三区 | 亚洲av二区三区四区| aaaaa片日本免费| 88av欧美| 少妇高潮的动态图| 非洲黑人性xxxx精品又粗又长| 国产91精品成人一区二区三区| 特级一级黄色大片| 能在线免费观看的黄片| 久久久久久久久大av| 内射极品少妇av片p| 人妻少妇偷人精品九色| 精品国产三级普通话版| 在线观看舔阴道视频| 真人一进一出gif抽搐免费| 男人舔女人下体高潮全视频| 国产精品人妻久久久久久| 久久九九热精品免费| avwww免费| 在线观看舔阴道视频| 在现免费观看毛片| 搡女人真爽免费视频火全软件 | 在线a可以看的网站| 又爽又黄无遮挡网站| 女生性感内裤真人,穿戴方法视频| 国产高清不卡午夜福利| 国产精品伦人一区二区| 色综合站精品国产| 99视频精品全部免费 在线| 成人二区视频| 久久精品综合一区二区三区| 小说图片视频综合网站| 蜜桃亚洲精品一区二区三区| 丰满乱子伦码专区| 亚洲第一电影网av| 亚洲最大成人av| 三级国产精品欧美在线观看| 亚洲不卡免费看| 国内毛片毛片毛片毛片毛片| 国产高清视频在线播放一区| 天堂影院成人在线观看| 最近中文字幕高清免费大全6 | 亚洲国产色片|