• <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)識別模型開發(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 2023年11期
    關鍵詞:模型系統(tǒng)

    周天澤 虞凱程 程懋松 戴志敏,3

    1(上??萍即髮W 上海 201210)

    2(中國科學院上海應用物理研究所 上海 201800)

    3(中國科學院大學 北京 100049)

    熔鹽堆是第四代先進核能系統(tǒng)之一,其利用熔鹽作為燃料與冷卻劑,其研究始于20世紀40年代末的美國[1-2],美國橡樹嶺國家實驗室(Oak Ridge National Laboratory,ORNL)于1954年建造了2.5 MW空間動力試驗反應堆(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、高化學穩(wěn)定性等特性,可被應用于高溫制氫、放射性同位素制備、內(nèi)陸地區(qū)發(fā)電等場景[4-6]。在熔鹽堆運行過程中,需要及時識別可能的事故瞬態(tài)并采取措施,以防止事故瞬態(tài)進一步惡化,確保反應堆安全。目前,核電站采用的瞬態(tài)識別方法主要依靠操作員根據(jù)監(jiān)測數(shù)據(jù)進行人為識別,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,可以采用機器學習方法建立核反應堆系統(tǒng)瞬態(tài)識別模型,在較少的人為因素下對核反應堆系統(tǒng)瞬態(tài)工況進行快速、準確地識別。

    目前,國內(nèi)外已有許多團隊進行了基于機器學習核電站系統(tǒng)瞬態(tài)識別模型的開發(fā)。哈爾濱工程大學Wang等[8]利用卷積神經(jīng)網(wǎng)絡提取輸入?yún)?shù)特征后再利用遷移學習降低不同功率水平下的特征分布差異,實現(xiàn)不同功率水平下的核電站系統(tǒng)瞬態(tài)識別。來自東北大學的Li等[9]提出了一種無監(jiān)督聚類方法,能夠自動準確地匹配運行瞬態(tài)與預先設計的瞬態(tài),從而減少操作員主觀判斷瞬態(tài)類型帶來的誤差。Ramezani等[10]采用多種特征過濾方法以確定核電站瞬態(tài)識別的重要輸入?yún)?shù),以降低訓練系統(tǒng)瞬態(tài)識別模型所帶來的計算成本,結果表明,采用鄰成分分析濾波方法進行特征過濾的系統(tǒng)瞬態(tài)識別模型擁有最好的性能,并確定了模型達到90%識別準確率所需的最少輸入?yún)?shù)類型。dos Santos等[11]開發(fā)了一種基于5層深度整流神經(jīng)網(wǎng)絡的系統(tǒng)瞬態(tài)識別模型,用于巴西壓水堆瞬態(tài)事故識別,在識別12種瞬態(tài)事故與穩(wěn)態(tài)運行工況時的準確率達到99.03%。Mendoza和Tsvetkov[12]利用主成分分析和支持向量機、深度神經(jīng)網(wǎng)絡和卷積神經(jīng)網(wǎng)絡開發(fā)了故障檢測與診斷監(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)識別,卷積神經(jīng)網(wǎng)絡在Raw類型的數(shù)據(jù)中可以達到99%以上的識別準確率。Mena等[13]使用AutoML和TPOT等工具,基于6種機器學習方法建立了6種不同的系統(tǒng)瞬態(tài)識別模型,用于識別APR1400的系統(tǒng)瞬態(tài),并且6種模型均達到95%以上的識別準確率,其中基于邏輯回歸的系統(tǒng)瞬態(tài)識別模型達到了98%以上的識別準確率。目前,國內(nèi)外的相關研究主要集中在壓水堆、沸水堆等堆型,缺乏針對熔鹽堆的系統(tǒng)瞬態(tài)識別模型研究,鑒于熔鹽堆獨特的設計和運行方式,需要基于機器學習方法開發(fā)適用于熔鹽堆的系統(tǒng)瞬態(tài)識別模型。

    為了減少熔鹽堆運行過程中人為因素,提高熔鹽堆運行安全,基于K近鄰(K-nearest Neighbor,KNN)機器學習方法,建立了熔鹽堆系統(tǒng)瞬態(tài)識別模型,并對系統(tǒng)瞬態(tài)識別模型在噪聲下的魯棒性進行詳細分析和優(yōu)化。

    1 基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識別模型

    基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識別模型的開發(fā)流程主要包括兩個部分:數(shù)據(jù)集生成和系統(tǒng)瞬態(tài)識別模型的建立,如圖1所示。使用熔鹽堆系統(tǒng)分析程序RELAP5-TMSR進行建模與仿真,獲得對應瞬態(tài)工況的運行數(shù)據(jù),生成數(shù)據(jù)集并劃分為訓練集與測試集。而系統(tǒng)瞬態(tài)識別模型的建立過程則基于前一過程中所得到的訓練集與測試集。這一過程主要包含對系統(tǒng)瞬態(tài)模型的訓練、優(yōu)化與測試:通過訓練集訓練及優(yōu)化基于KNN的系統(tǒng)瞬態(tài)識別模型的超參數(shù),然后使用測試集數(shù)據(jù)對優(yōu)化好的系統(tǒng)瞬態(tài)識別模型進行測試,并對系統(tǒng)瞬態(tài)識別模型的泛化能力進行評估。

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

    1.1 KNN方法

    KNN是一種基于實例的監(jiān)督學習算法,可以用于分類和回歸問題[14];同樣是一種懶惰學習方法[15],它不需要訓練階段,只需存儲訓練數(shù)據(jù)集。

    對于分類問題,KNN根據(jù)未知類別的樣本點的K個最近鄰樣本點中出現(xiàn)最多的類別來確定未知樣本點的類別。因此,在KNN算法中,K這一超參數(shù)的選取至關重要。通常情況下,如果K值過小,識別結果對近鄰點非常敏感,容易過擬合;如果K值過大,模型容易受到樣本分布的影響,導致欠擬合。KNN的優(yōu)點是可以快速對新的測試樣本進行分類;缺點是對于大規(guī)模數(shù)據(jù)集,計算距離的復雜度較高。如果采用暴力搜索(Brute Force)計算數(shù)據(jù)所有點之間的距離,在面對大量的高維數(shù)據(jù)時,將耗費大量時間和計算資源。采用K-D樹或球數(shù)等算法[16-17]可以解決暴力搜索的低效率問題。同時,在KNN方法中,近鄰點距離的計算方法也很重要[18]。歐氏距離和曼哈頓距離是兩種距離計算方法,n維空間點a(x11,x12,…,x1n)與b(x21,x22,…,x2n)之間的兩種距離數(shù)學表達d12E和d12M分別如式(1)和(2)所示:

    1.2 熔鹽堆系統(tǒng)瞬態(tài)識別模型

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

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

    基于KNN的系統(tǒng)瞬態(tài)識別模型的超參數(shù)選取也大致圍繞這幾方面進行展開,如表1所示,待優(yōu)化的超參數(shù)包含鄰近點數(shù)K(N_neighbors)、鄰近點查找方法(Algorithm)、距離計算方法(P)和鄰近點權重方式(Weights)。

    基于KNN的系統(tǒng)瞬態(tài)識別模型框架如圖3所示。模型的輸入為N種熔鹽堆內(nèi)的系統(tǒng)運行參數(shù),如反應堆功率、溫度、壓力和質(zhì)量流量等。模型的輸出是P種瞬態(tài)工況在對應N種運行參數(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)作為最終的識別結果。

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

    2 系統(tǒng)瞬態(tài)識別模型訓練、優(yōu)化及測試

    2.1 數(shù)據(jù)集產(chǎn)生

    20世紀60年代,美國橡樹嶺國家實驗室設計并建造了熔鹽實驗堆(Molten Salt Reactor Experiment,MSRE),并于1965年成功運行。本文以MSRE為對象,建立和訓練熔鹽堆系統(tǒng)瞬態(tài)識別模型。由于相關報告中的瞬態(tài)實驗數(shù)據(jù)不足,因此使用由中國科學院上海應用物理研究所團隊[19-21]擴展開發(fā)的RELAP5-TMSR系統(tǒng)分析程序對MSRE的瞬態(tài)工況進行建模與仿真,產(chǎn)生所需數(shù)據(jù)集。MSRE的RELAP5-TMSR模型節(jié)點圖如圖4所示。

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

    為了開展系統(tǒng)瞬態(tài)識別研究,參考ORNL的MSRE相關報告[22],選擇了表2中所列的瞬態(tài)工況,并使用RELAP5-TMSR程序進行建模與仿真。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)運行參數(shù)作為系統(tǒng)瞬態(tài)識別模型的輸入特征。在選取輸入特征時,參考實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種熔鹽堆運行參數(shù)。為了更好地測試系統(tǒng)瞬態(tài)識別模型的泛化能力,將熔鹽堆系統(tǒng)瞬態(tài)識別模型的數(shù)據(jù)集劃分為訓練集與測試集,兩者獨立生成。為確保模擬結果的穩(wěn)定性和可靠性,相應的瞬態(tài)工況在MSRE穩(wěn)態(tài)運行100 s后引入。訓練集在1~8 MW的熱功率下均勻分成8種功率水平,在每個功率水平下對瞬態(tài)工況進行建模與仿真,每隔1 s提取對應時刻的11種熔鹽堆運行參數(shù)作為熔鹽堆系統(tǒng)識別的特征參數(shù)。最終,獲取的訓練數(shù)據(jù)集由72 356個數(shù)據(jù)點組成。測試數(shù)據(jù)集在1~8 MW的隨機反應堆功率下的11種不同運行狀態(tài)生成,由25 055個數(shù)據(jù)點組成,以更全面地評估系統(tǒng)瞬態(tài)識別模型的性能和識別能力。

    表2 MSRE運行工況類型Table 2 MSRE operation condition type

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

    2.2 系統(tǒng)瞬態(tài)識別模型訓練及優(yōu)化

    本節(jié)利用生成的數(shù)據(jù)集訓練和優(yōu)化基于KNN的系統(tǒng)瞬態(tài)識別模型,進一步提高系統(tǒng)瞬態(tài)識別模型的識別準確率和泛化能力。

    2.2.1 超參數(shù)優(yōu)化

    通過對超參數(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)識別模型在驗證集的性能最佳。采用5折交叉法和隨機搜索相結合的方式對超參數(shù)組合進行篩選。

    在超參數(shù)優(yōu)化中,需要確定優(yōu)化指標以評估不同超參數(shù)組合下的系統(tǒng)瞬態(tài)識別模型性能。在機器學習中,基于KNN的系統(tǒng)瞬態(tài)識別模型是一種分類模型,通常用表4的形式來表述二分類結果。真正例(True Positive,TP)是模型正確地將正例預測為正例的數(shù)量。假正例(False Positive,F(xiàn)P)是模型錯誤地將負例預測為正例的數(shù)量。真反例(True Negative,TN)是模型正確地將負例預測為負例的數(shù)量。假反例(False Negative,F(xiàn)N)是模型錯誤地將正例預測為負例的數(shù)量。這4個二分類指標可以進一步組成不同的性能指標。在熔鹽堆系統(tǒng)瞬態(tài)識別模型的超參數(shù)優(yōu)化中選用最常用的準確率(Accuracy)作為評估指標,其數(shù)學表達形式如式(3)所示。

    表4 二分類結果Table 4 Binary classification results

    2.2.2 系統(tǒng)瞬態(tài)識別模型優(yōu)化結果

    對表1所選取的超參數(shù)組合進行優(yōu)化,優(yōu)化結果如圖5所示。鄰近點查找方法、鄰近點數(shù)K、距離計算方法對于基于KNN的系統(tǒng)瞬態(tài)識別模型準確率影響不明顯。但在鄰近點權重方式中,采用“distance”方式進行鄰近點權重略優(yōu)于采用“uniform”方式進行鄰近點權重。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)識別模型超參數(shù)優(yōu)化結果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)識別模型超參數(shù)優(yōu)化結果Fig.5 Hyper-parameter optimization results of the KNN-based system transient identification model

    2.3 系統(tǒng)瞬態(tài)識別模型測試及評估

    在評估系統(tǒng)瞬態(tài)識別模型時需要選擇評估指標,在上一小節(jié)的模型優(yōu)化過程中采用了準確率,但是在某些情況下,單純依賴準確率并不能完全反映系統(tǒng)瞬態(tài)識別模型的性能。在類別不平衡的情況下,即某一類別的樣本數(shù)量明顯少于另一類別時,僅使用準確率評估分類器的性能會產(chǎn)生偏差,因為此時分類器可能會傾向于預測樣本數(shù)量較多的類別。在評估熔鹽堆系統(tǒng)瞬態(tài)識別模型時,需要引入其他指標來更全面地對系統(tǒng)瞬態(tài)識別模型的性能進行評估。除準確率外,額外選取了在機器學習分類方法中常用的其他三個評估指標:精確率(Precision)、召回率(Recall)和F1分數(shù)(F1-score)[23],它們的具體數(shù)學表達形式如下:

    精確率反映了被模型正確識別的正樣本數(shù)量占模型識別的所有正樣本數(shù)量的比例,精確率越高,說明模型正確識別出的正樣本數(shù)量越多。召回率反映了被模型正確識別的正樣本數(shù)量占總正樣本數(shù)量的比例,召回率越高,說明模型正確識別出的正樣本數(shù)量越接近于總正樣本數(shù)量。而F1分數(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)評估系統(tǒng)瞬態(tài)識別模型在測試集上的識別性能?;旌暇仃噲D中的數(shù)字為樣本數(shù),橫坐標為系統(tǒng)瞬態(tài)識別模型對瞬態(tài)的識別類別,縱坐標為真實瞬態(tài)類別,位于對角線上的樣本為系統(tǒng)瞬態(tài)識別模型正確識別的樣本。基于KNN的熔鹽堆系統(tǒng)瞬態(tài)識別模型的測試結果如圖6所示。

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

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

    表6 基于KNN識別模型測試結果Table 6 Test results of KNN-based identification models

    表7 單獨瞬態(tài)的F1分數(shù)Table 7 F1-score of individual transient

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

    3.1 高斯白噪聲魯棒性分析

    在熔鹽堆實際運行過程中,測量儀表的測量數(shù)值會受到不同程度的噪聲干擾。因此,在系統(tǒng)瞬態(tài)識別模型對熔鹽堆系統(tǒng)瞬態(tài)進行識別的過程中,需要考慮系統(tǒng)瞬態(tài)識別模型的輸入?yún)?shù)在實際應用時的噪聲干擾,開展對熔鹽堆系統(tǒng)瞬態(tài)識別模型在噪聲下的魯棒性分析。測量儀表在t時刻測得的運行參數(shù)數(shù)值X(t)可以表示為[24]:

    式中:S(t)是運行參數(shù)在t時刻的真實數(shù)值;D(t)是t時刻噪聲對測量儀表的干擾。這些噪聲干擾通常來自多個不同噪聲源,并且具有一定的隨機性。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,通過假設噪聲干擾的總和為高斯白噪聲以模擬未知的真實噪聲[25]。

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

    式中:Psignal代表信號功率;Pnoise代表噪聲功率;Asignal代表信號幅度;Anoise代表噪聲幅度。在核電站內(nèi),測量儀表受到的噪聲干擾不會太大,最大噪聲干擾的SNR在30 dB左右[27]。本文通過在測試集中添加20~50 dB的高斯白噪聲干擾,分析基于KNN的系統(tǒng)瞬態(tài)識別模型的魯棒性。

    基于KNN的系統(tǒng)瞬態(tài)識別模型在含噪聲測試集中的測試結果如圖7所示。4種評估指標呈現(xiàn)出隨著SNR的增長而不斷上升的趨勢,在低SNR下較低,并在40 dB左右基本達到一致水平。其中準確率在不同SNR下均高于其他三個評估指標;而精確率在低SNR時和準確率保持一致,但是其上升趨勢較慢;召回率與F1分數(shù)在不同SNR下基本保持一致,但均低于準確率與精確率的數(shù)值。

    圖7 魯棒性測試結果Fig.7 Robustness test results

    對基于KNN的系統(tǒng)瞬態(tài)識別模型在30 dB SNR下的魯棒性進一步分析?;贙NN的系統(tǒng)瞬態(tài)識別模型在30 dB SNR下識別準確率為97.41%,精確率達到94.47%,召回率和F1分數(shù)也分別達到94.61%和94.31%,如表8所示,4項評估指標均高于94%,具有較好的魯棒性。但是準確率明顯高于精確率、召回率和F1分數(shù),準確率作為綜合指標,可能會忽略某幾種瞬態(tài)帶來的影響,而精確率、召回率和F1分數(shù)考慮了單一瞬態(tài)帶來的影響,可以推斷是因為誤識別瞬態(tài)分布集中導致。相比較在無噪聲下達到99.99%的識別結果,在30 dB噪聲下的識別結果較低,需要進一步優(yōu)化系統(tǒng)瞬態(tài)識別模型的魯棒性。

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

    3.2 魯棒性優(yōu)化

    3.2.1 含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型

    含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型通過在數(shù)據(jù)集中加入噪聲,使用含噪聲數(shù)據(jù)對基于KNN的系統(tǒng)瞬態(tài)識別模型重新訓練,從而進一步優(yōu)化系統(tǒng)瞬態(tài)識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,使得訓練集中的數(shù)據(jù)含有噪聲,從而增加系統(tǒng)瞬態(tài)識別模型在噪聲下對瞬態(tài)工況的識別能力。

    3.2.2 含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型優(yōu)化

    與基于KNN的系統(tǒng)瞬態(tài)識別模型超參數(shù)優(yōu)化過程一樣,通過5折交叉法和隨機搜索相結合的方式對表1中的超參數(shù)組合進行篩選。含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型優(yōu)化結果如圖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)訓練的系統(tǒng)瞬態(tài)識別模型超參數(shù)優(yōu)化結果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)訓練的系統(tǒng)瞬態(tài)識別模型超參數(shù)優(yōu)化結果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)訓練的系統(tǒng)瞬態(tài)識別模型測試及評估

    同樣使用準確率、精確率、召回率和F1分數(shù)4個評估指標對含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型的泛化能力進行評估。首先在不含噪聲的測試集上,對基于KNN的含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型的性能進行測試,其測試結果如圖9所示。

    圖9 基于KNN的含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在無噪聲測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)訓練的系統(tǒng)瞬態(tài)識別模型無噪聲測試集數(shù)據(jù)中的準確率為99.69%、精確率為99.26%、召回率和F1分數(shù)均為99.22%,如表10所示。其在無噪聲測試集上的4項評估指標也均超過99%,具有較好的熔鹽堆系統(tǒng)瞬態(tài)識別性能。

    表10 基于KNN含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在無噪聲測試集上的測試結果Table 10 Results of KNN-based system transient identification model trained by data with noise on noiseless test datasets

    但是無噪聲只是一種理想環(huán)境,在熔鹽堆實際運行過程中,儀表測量往往會受到環(huán)境噪聲干擾,因此主要在噪聲環(huán)境下對含噪聲模型進行分析。需要在有噪聲測試集上,對含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型進行測試。因為在訓練集中添加的噪聲為30 dB SNR,所以在測試集上同樣添加了30 dB SNR的噪聲。采用混合矩陣評估含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型對含噪樣本的識別情況?;贙NN的含噪聲數(shù)據(jù)訓練的瞬態(tài)模型在含噪測試集中的表現(xiàn)結果如圖10所示。

    圖10 基于KNN的含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在含噪聲測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)訓練的系統(tǒng)瞬態(tài)識別模型在30 dB SNR的含噪聲測試集數(shù)據(jù)中的準確率為99.89%、精確率為99.73%、召回率和F1分數(shù)均為99.73%,如表11所示。含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型正確識別了25 055個瞬態(tài)工況樣本中的25 028個瞬態(tài)工況,其中27個被誤識別的瞬態(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)被誤識別為3根控制棒誤提升。使用含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在含噪聲測試集上的識別性能非常優(yōu)越,具體單獨瞬態(tài)的F1分數(shù)結果列于表12中。表明了本文建立的基于KNN的含噪聲數(shù)據(jù)訓練的熔鹽堆系統(tǒng)瞬態(tài)識別模型能夠在30 dB SNR的噪聲環(huán)境下準確地識別MSRE中的多種瞬態(tài)工況。

    表11 基于KNN含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型測試結果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)訓練的系統(tǒng)瞬態(tài)識別模型識別單獨瞬態(tài)的F1分數(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)訓練的系統(tǒng)瞬態(tài)識別模型魯棒性分析

    相較于不含噪聲數(shù)據(jù)的系統(tǒng)瞬態(tài)識別模型,使用含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在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際運行中,儀表測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)訓練的系統(tǒng)瞬態(tài)識別模型在最大噪聲下具有較好的性能,仍需要對含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在不同程度SNR的高斯白噪聲下的魯棒性進行分析。基于KNN的含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型在20~50 dB SNR噪聲下的魯棒性測試結果如圖11所示。

    圖11 含噪聲數(shù)據(jù)訓練的系統(tǒng)瞬態(tài)識別模型魯棒性測試結果Fig.11 Robustness test results of the system transient identification model trained on noisy data

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

    4 結語

    為了減少熔鹽堆系統(tǒng)瞬態(tài)識別過程中引入的人為因素,提高熔鹽堆運行安全,基于KNN方法建立了熔鹽堆系統(tǒng)瞬態(tài)識別模型。使用系統(tǒng)分析程序RELAP5-TMSR生成數(shù)據(jù)集進行系統(tǒng)瞬態(tài)識別模型的訓練和超參數(shù)優(yōu)化,并對系統(tǒng)瞬態(tài)識別模型的性能進行了測試與評估??紤]到熔鹽堆實際運行中的測量儀表噪聲干擾,對系統(tǒng)瞬態(tài)識別模型在噪聲下的魯棒性進行了分析和優(yōu)化。結果表明:在無噪聲情況下,基于KNN方法建立的熔鹽堆系統(tǒng)瞬態(tài)識別模型識別性能極佳,在噪聲下識別性能同樣較好,表現(xiàn)出較高的魯棒性;通過魯棒性優(yōu)化,系統(tǒng)瞬態(tài)識別模型在噪聲下的識別性能進一步提升,魯棒性得到增強。上述結果表明,所開發(fā)的系統(tǒng)瞬態(tài)識別模型能夠有效識別MSRE系統(tǒng)瞬態(tài)工況,具有較大潛力和價值,可以進一步推廣至其他熔鹽堆系統(tǒng),提高熔鹽堆系統(tǒng)的運行安全性,并為熔鹽堆的智能運維提供有力支持。

    作者貢獻聲明周天澤負責進行熔鹽堆系統(tǒng)瞬態(tài)識別模型的開發(fā)、分析及文章撰寫;虞凱程負責對文章的知識性內(nèi)容作批評性審閱及文章修訂;程懋松負責提出研究思路,文章審閱與修訂;戴志敏負責研究方案指導、研究進度監(jiān)督和研究項目管理。

    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無人機系統(tǒng)
    ZC系列無人機遙感系統(tǒng)
    北京測繪(2020年12期)2020-12-29 01:33:58
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權M-估計的漸近分布
    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
    亚洲五月色婷婷综合| 国产黄色视频一区二区在线观看| av免费在线看不卡| 美女大奶头黄色视频| 日本黄色日本黄色录像| 考比视频在线观看| av在线app专区| 男人舔女人的私密视频| 2021少妇久久久久久久久久久| 久久热在线av| 高清av免费在线| 久久精品久久久久久噜噜老黄| 在线天堂最新版资源| 在线精品无人区一区二区三| 精品国产一区二区三区四区第35| 久久人人爽人人片av| 一级a做视频免费观看| 日本与韩国留学比较| 日韩在线高清观看一区二区三区| 精品国产一区二区三区四区第35| 亚洲美女搞黄在线观看| 成人二区视频| 水蜜桃什么品种好| av电影中文网址| 91在线精品国自产拍蜜月| 一级毛片电影观看| 国产国拍精品亚洲av在线观看| 国产一区二区在线观看av| 看非洲黑人一级黄片| 五月伊人婷婷丁香| 免费人妻精品一区二区三区视频| 大话2 男鬼变身卡| 精品熟女少妇av免费看| 亚洲人成77777在线视频| 伦理电影大哥的女人| 欧美人与善性xxx| 亚洲,欧美精品.| 另类亚洲欧美激情| 久久这里有精品视频免费| 一个人免费看片子| 久久人人97超碰香蕉20202| 观看av在线不卡| 亚洲av中文av极速乱| 成年美女黄网站色视频大全免费| 黄色配什么色好看| 亚洲精品美女久久av网站| 黄色配什么色好看| 不卡视频在线观看欧美| 久久亚洲国产成人精品v| 日韩在线高清观看一区二区三区| 18+在线观看网站| 国产淫语在线视频| 国产高清三级在线| 亚洲少妇的诱惑av| 国产日韩欧美亚洲二区| 高清在线视频一区二区三区| 亚洲国产精品国产精品| 精品人妻一区二区三区麻豆| 老熟女久久久| 午夜福利视频在线观看免费| 久久国产精品男人的天堂亚洲 | 午夜影院在线不卡| 国产日韩欧美在线精品| 久久久久久久亚洲中文字幕| 丝袜喷水一区| 久久久a久久爽久久v久久| 涩涩av久久男人的天堂| 精品人妻一区二区三区麻豆| 日本91视频免费播放| 中文字幕亚洲精品专区| 中文字幕亚洲精品专区| 中文字幕亚洲精品专区| 80岁老熟妇乱子伦牲交| 久久久国产欧美日韩av| 99热这里只有是精品在线观看| 国产 精品1| a 毛片基地| 美女视频免费永久观看网站| 欧美成人精品欧美一级黄| 中文字幕亚洲精品专区| 国产深夜福利视频在线观看| 韩国精品一区二区三区 | 99精国产麻豆久久婷婷| 大陆偷拍与自拍| 精品熟女少妇av免费看| 国产福利在线免费观看视频| 永久免费av网站大全| 22中文网久久字幕| 母亲3免费完整高清在线观看 | 亚洲图色成人| 晚上一个人看的免费电影| 国产一级毛片在线| 飞空精品影院首页| 亚洲av综合色区一区| 欧美日韩亚洲高清精品| 中文字幕免费在线视频6| 中文字幕制服av| 18禁动态无遮挡网站| 国产精品蜜桃在线观看| 三上悠亚av全集在线观看| 中文字幕免费在线视频6| av线在线观看网站| 精品亚洲成国产av| 在线观看一区二区三区激情| 久久久国产欧美日韩av| h视频一区二区三区| 两个人免费观看高清视频| 国产av一区二区精品久久| 人妻一区二区av| 大香蕉久久网| 免费女性裸体啪啪无遮挡网站| 交换朋友夫妻互换小说| 丝袜人妻中文字幕| 美女主播在线视频| 日本wwww免费看| 女人精品久久久久毛片| 九色成人免费人妻av| 男女国产视频网站| 免费大片18禁| 日日摸夜夜添夜夜爱| 一级毛片我不卡| 黄色视频在线播放观看不卡| 亚洲精品成人av观看孕妇| 999精品在线视频| 久久人人97超碰香蕉20202| 亚洲av在线观看美女高潮| 亚洲精品一二三| 国产欧美亚洲国产| 夫妻性生交免费视频一级片| 美女脱内裤让男人舔精品视频| 免费女性裸体啪啪无遮挡网站| 一级片免费观看大全| 99香蕉大伊视频| av免费在线看不卡| 青青草视频在线视频观看| 美女福利国产在线| 99久国产av精品国产电影| 亚洲人与动物交配视频| 亚洲精品国产av蜜桃| 少妇被粗大猛烈的视频| 视频区图区小说| 亚洲精品乱久久久久久| 免费av中文字幕在线| 黄片播放在线免费| 国产成人免费无遮挡视频| 午夜老司机福利剧场| 在线 av 中文字幕| 建设人人有责人人尽责人人享有的| 午夜精品国产一区二区电影| 精品一区二区三卡| 18禁国产床啪视频网站| 少妇高潮的动态图| 美女脱内裤让男人舔精品视频| 18在线观看网站| 日韩制服骚丝袜av| 精品久久国产蜜桃| 免费观看性生交大片5| 最后的刺客免费高清国语| 少妇熟女欧美另类| 99久久人妻综合| 亚洲国产看品久久| 国产欧美亚洲国产| 制服丝袜香蕉在线| 亚洲天堂av无毛| 国产男人的电影天堂91| 青春草亚洲视频在线观看| 久久97久久精品| 欧美国产精品va在线观看不卡| 久久99热6这里只有精品| 国产在线一区二区三区精| 久久精品aⅴ一区二区三区四区 | 亚洲精品国产av成人精品| 最近的中文字幕免费完整| 婷婷色av中文字幕| 日韩 亚洲 欧美在线| 国产精品蜜桃在线观看| videos熟女内射| kizo精华| 波野结衣二区三区在线| a级毛片在线看网站| 欧美人与性动交α欧美精品济南到 | 亚洲一级一片aⅴ在线观看| 男女高潮啪啪啪动态图| 久久青草综合色| 下体分泌物呈黄色| 18禁动态无遮挡网站| 日本欧美视频一区| av有码第一页| 在线天堂最新版资源| 69精品国产乱码久久久| 日韩三级伦理在线观看| 免费av中文字幕在线| 久久午夜福利片| 秋霞在线观看毛片| 日韩制服丝袜自拍偷拍| 久久久精品免费免费高清| 亚洲人成77777在线视频| 日本与韩国留学比较| 国产精品三级大全| 日日爽夜夜爽网站| 国产精品久久久久久精品电影小说| 免费看av在线观看网站| 国产精品麻豆人妻色哟哟久久| 亚洲,欧美,日韩| 日本黄大片高清| 波多野结衣一区麻豆| 欧美国产精品一级二级三级| 亚洲婷婷狠狠爱综合网| 建设人人有责人人尽责人人享有的| av在线老鸭窝| 亚洲国产日韩一区二区| 亚洲精品aⅴ在线观看| 精品国产一区二区久久| 国产精品一区二区在线不卡| 春色校园在线视频观看| 啦啦啦啦在线视频资源| 亚洲欧美色中文字幕在线| 国产成人精品福利久久| 亚洲av欧美aⅴ国产| 亚洲一级一片aⅴ在线观看| 黑人欧美特级aaaaaa片| 咕卡用的链子| 欧美3d第一页| 欧美97在线视频| 久久精品人人爽人人爽视色| 中文欧美无线码| 亚洲成国产人片在线观看| 综合色丁香网| 国产 精品1| 极品少妇高潮喷水抽搐| 岛国毛片在线播放| 美女大奶头黄色视频| 中国三级夫妇交换| 日本爱情动作片www.在线观看| 国产精品久久久久久精品电影小说| 精品99又大又爽又粗少妇毛片| 精品国产一区二区三区四区第35| 亚洲经典国产精华液单| av在线观看视频网站免费| 九色成人免费人妻av| 美女内射精品一级片tv| 欧美xxxx性猛交bbbb| av黄色大香蕉| 男人添女人高潮全过程视频| 女人久久www免费人成看片| av在线观看视频网站免费| 在线观看三级黄色| 美国免费a级毛片| 另类精品久久| 国产不卡av网站在线观看| 国产精品久久久久久久电影| av免费观看日本| av天堂久久9| 久久久久国产精品人妻一区二区| 美女中出高潮动态图| 国产av码专区亚洲av| 欧美日韩精品成人综合77777| 国产亚洲午夜精品一区二区久久| 一级毛片我不卡| 国产欧美日韩一区二区三区在线| 国产成人一区二区在线| 日韩av不卡免费在线播放| 精品午夜福利在线看| 热re99久久国产66热| 在线亚洲精品国产二区图片欧美| 蜜桃在线观看..| 交换朋友夫妻互换小说| 亚洲精品乱久久久久久| 我要看黄色一级片免费的| 国产深夜福利视频在线观看| 亚洲性久久影院| 亚洲精品日韩在线中文字幕| 自拍欧美九色日韩亚洲蝌蚪91| 看免费av毛片| 建设人人有责人人尽责人人享有的| 午夜视频国产福利| 国产精品国产三级专区第一集| 久久久国产一区二区| 久久韩国三级中文字幕| 免费看av在线观看网站| av视频免费观看在线观看| 中文字幕人妻丝袜制服| 搡女人真爽免费视频火全软件| www.熟女人妻精品国产 | 久久鲁丝午夜福利片| 久久久亚洲精品成人影院| 一级片'在线观看视频| 精品国产国语对白av| 天天躁夜夜躁狠狠躁躁| 捣出白浆h1v1| 91国产中文字幕| 狂野欧美激情性xxxx在线观看| 国产 精品1| 欧美97在线视频| 午夜福利网站1000一区二区三区| 我的女老师完整版在线观看| 国产精品久久久久久av不卡| 欧美日韩亚洲高清精品| 亚洲精品美女久久久久99蜜臀 | 亚洲精品aⅴ在线观看| 啦啦啦在线观看免费高清www| 9191精品国产免费久久| 久久久久久久大尺度免费视频| 熟女av电影| 国产精品成人在线| 国产片内射在线| 亚洲国产色片| 秋霞伦理黄片| 国产黄色免费在线视频| √禁漫天堂资源中文www| 水蜜桃什么品种好| 午夜免费观看性视频| 22中文网久久字幕| 色哟哟·www| 亚洲欧美中文字幕日韩二区| 巨乳人妻的诱惑在线观看| 免费观看av网站的网址| 日韩中文字幕视频在线看片| 国内精品宾馆在线| av在线老鸭窝| 免费女性裸体啪啪无遮挡网站| 十分钟在线观看高清视频www| 丰满少妇做爰视频| 老熟女久久久| 夫妻性生交免费视频一级片| 22中文网久久字幕| 精品一区二区三区四区五区乱码 | 大香蕉久久网| 草草在线视频免费看| 卡戴珊不雅视频在线播放| 婷婷成人精品国产| 国产探花极品一区二区| av网站免费在线观看视频| 多毛熟女@视频| 下体分泌物呈黄色| 久久久欧美国产精品| 免费高清在线观看视频在线观看| 中国国产av一级| 久久99热6这里只有精品| 99re6热这里在线精品视频| 欧美精品一区二区免费开放| 最近中文字幕高清免费大全6| 三上悠亚av全集在线观看| 90打野战视频偷拍视频| 精品一区二区三区四区五区乱码 | 国产欧美日韩综合在线一区二区| 久久久久久久精品精品| 国产黄色视频一区二区在线观看| 国产精品人妻久久久久久| 街头女战士在线观看网站| 看免费av毛片| 国产在线一区二区三区精| 国产熟女欧美一区二区| 777米奇影视久久| 国产69精品久久久久777片| 人妻一区二区av| 欧美人与性动交α欧美精品济南到 | 在线观看一区二区三区激情| 久久久久久久久久久久大奶| av天堂久久9| 黑人巨大精品欧美一区二区蜜桃 | 成人18禁高潮啪啪吃奶动态图| 另类精品久久| 岛国毛片在线播放| 日韩中文字幕视频在线看片| 下体分泌物呈黄色| 亚洲欧美成人精品一区二区| 成人黄色视频免费在线看| 日日摸夜夜添夜夜爱| 亚洲国产精品国产精品| 狠狠婷婷综合久久久久久88av| 自拍欧美九色日韩亚洲蝌蚪91| 水蜜桃什么品种好| 国产伦理片在线播放av一区| 日本色播在线视频| 王馨瑶露胸无遮挡在线观看| 一个人免费看片子| 伊人亚洲综合成人网| 久久久久人妻精品一区果冻| 丰满饥渴人妻一区二区三| 少妇高潮的动态图| 十分钟在线观看高清视频www| 色婷婷久久久亚洲欧美| 赤兔流量卡办理| 国产一区二区在线观看日韩| av国产久精品久网站免费入址| tube8黄色片| 久久免费观看电影| 免费大片18禁| 亚洲精品一区蜜桃| 交换朋友夫妻互换小说| 亚洲 欧美一区二区三区| 又黄又爽又刺激的免费视频.| 欧美精品人与动牲交sv欧美| 成人18禁高潮啪啪吃奶动态图| 久久久久久人人人人人| 国产在线免费精品| 黑人高潮一二区| 人妻少妇偷人精品九色| 国产一区二区激情短视频 | 伊人久久国产一区二区| 高清黄色对白视频在线免费看| 国产片内射在线| 如何舔出高潮| 色网站视频免费| www.熟女人妻精品国产 | 久久这里只有精品19| 美女国产高潮福利片在线看| 精品人妻熟女毛片av久久网站| 亚洲欧美成人综合另类久久久| 最后的刺客免费高清国语| 久久精品熟女亚洲av麻豆精品| 免费观看a级毛片全部| 亚洲综合精品二区| 18禁国产床啪视频网站| 日韩制服骚丝袜av| av女优亚洲男人天堂| 人妻一区二区av| 国产成人91sexporn| 亚洲国产色片| 日本黄色日本黄色录像| 十分钟在线观看高清视频www| 黄色视频在线播放观看不卡| 不卡视频在线观看欧美| 各种免费的搞黄视频| 久久久精品区二区三区| 欧美最新免费一区二区三区| xxx大片免费视频| 欧美亚洲日本最大视频资源| 最近中文字幕2019免费版| 久久ye,这里只有精品| 丝瓜视频免费看黄片| 午夜福利在线观看免费完整高清在| 国产亚洲最大av| 免费黄网站久久成人精品| 天天操日日干夜夜撸| 国产综合精华液| 国产日韩欧美亚洲二区| 大香蕉久久成人网| 久久午夜福利片| 亚洲欧美成人精品一区二区| 亚洲av.av天堂| 热re99久久精品国产66热6| 一级毛片黄色毛片免费观看视频| 国产片内射在线| 日日啪夜夜爽| 蜜臀久久99精品久久宅男| 美女内射精品一级片tv| 蜜桃在线观看..| 一本色道久久久久久精品综合| 国产无遮挡羞羞视频在线观看| 精品国产一区二区三区久久久樱花| 久久ye,这里只有精品| 丁香六月天网| 天天躁夜夜躁狠狠久久av| 久久久久久久精品精品| 国产淫语在线视频| 国产国语露脸激情在线看| 丝袜脚勾引网站| 久久久久久久久久久免费av| 97在线视频观看| 高清毛片免费看| 这个男人来自地球电影免费观看 | 在现免费观看毛片| 丝瓜视频免费看黄片| 伊人亚洲综合成人网| 国产免费视频播放在线视频| av视频免费观看在线观看| 精品一区二区免费观看| a级毛色黄片| 亚洲成人av在线免费| 国产日韩一区二区三区精品不卡| 国产一区有黄有色的免费视频| 国产 一区精品| 97精品久久久久久久久久精品| 久久国产精品大桥未久av| 中国国产av一级| 欧美精品高潮呻吟av久久| 亚洲美女黄色视频免费看| 大香蕉97超碰在线| 不卡视频在线观看欧美| 亚洲欧洲日产国产| 丁香六月天网| 一区在线观看完整版| 曰老女人黄片| 久久精品人人爽人人爽视色| 国产高清国产精品国产三级| 国产又爽黄色视频| 免费播放大片免费观看视频在线观看| 国产精品99久久99久久久不卡 | 亚洲精品av麻豆狂野| 精品一区二区三卡| 成人国产麻豆网| 建设人人有责人人尽责人人享有的| 成年美女黄网站色视频大全免费| 免费观看无遮挡的男女| 日韩电影二区| 极品人妻少妇av视频| a级毛色黄片| 22中文网久久字幕| videossex国产| 久久久久精品人妻al黑| 国产高清国产精品国产三级| 高清在线视频一区二区三区| 美女主播在线视频| 99热全是精品| 日本-黄色视频高清免费观看| 18禁在线无遮挡免费观看视频| 日韩欧美一区视频在线观看| av片东京热男人的天堂| 国产精品久久久久久久久免| 视频在线观看一区二区三区| 性色avwww在线观看| 亚洲经典国产精华液单| 日本av手机在线免费观看| 午夜福利乱码中文字幕| 黑人高潮一二区| 亚洲av在线观看美女高潮| 国产黄频视频在线观看| 国产成人aa在线观看| 成年美女黄网站色视频大全免费| 午夜福利视频精品| 99国产精品免费福利视频| 男女高潮啪啪啪动态图| 日韩视频在线欧美| 桃花免费在线播放| 免费黄网站久久成人精品| 两性夫妻黄色片 | av黄色大香蕉| 少妇人妻 视频| 午夜精品国产一区二区电影| 超色免费av| 人妻少妇偷人精品九色| 亚洲一码二码三码区别大吗| 亚洲成人手机| 99re6热这里在线精品视频| 欧美性感艳星| 婷婷色综合www| 精品国产一区二区三区久久久樱花| 一区二区三区四区激情视频| 97超碰精品成人国产| 又粗又硬又长又爽又黄的视频| videos熟女内射| 精品国产一区二区久久| 亚洲精品中文字幕在线视频| av在线观看视频网站免费| 曰老女人黄片| 国产有黄有色有爽视频| 咕卡用的链子| 国产免费现黄频在线看| 久久综合国产亚洲精品| 欧美老熟妇乱子伦牲交| 亚洲精品国产色婷婷电影| 精品人妻一区二区三区麻豆| 亚洲欧洲国产日韩| 18禁观看日本| 欧美精品人与动牲交sv欧美| 亚洲欧洲日产国产| 中文字幕另类日韩欧美亚洲嫩草| xxxhd国产人妻xxx| 免费在线观看完整版高清| 美女xxoo啪啪120秒动态图| 亚洲国产精品999| 国产日韩一区二区三区精品不卡| 久久久欧美国产精品| 久久久精品94久久精品| 久久婷婷青草| 五月玫瑰六月丁香| 在线观看人妻少妇| 亚洲精品乱久久久久久| 丝袜喷水一区| 各种免费的搞黄视频| 国产一区有黄有色的免费视频| 国产精品国产三级国产av玫瑰| 精品亚洲乱码少妇综合久久| 日韩伦理黄色片| 黄色 视频免费看| av播播在线观看一区| 亚洲成人一二三区av| av播播在线观看一区| 天堂俺去俺来也www色官网| 欧美日韩成人在线一区二区| a级毛色黄片| 国产精品成人在线| 欧美亚洲日本最大视频资源| 免费观看a级毛片全部| 久久久久久久大尺度免费视频| 欧美日韩精品成人综合77777| 午夜精品国产一区二区电影| 看非洲黑人一级黄片| 久久久久久人人人人人| 欧美日韩精品成人综合77777| 内地一区二区视频在线| 日韩制服骚丝袜av| 亚洲伊人色综图| 色婷婷av一区二区三区视频| 伊人久久国产一区二区| 七月丁香在线播放| 午夜影院在线不卡| 亚洲一码二码三码区别大吗| 下体分泌物呈黄色| 日韩人妻精品一区2区三区| 在线免费观看不下载黄p国产| 永久免费av网站大全| 熟女人妻精品中文字幕| 久久久久久久久久久久大奶| 9热在线视频观看99| 美女大奶头黄色视频| 少妇熟女欧美另类| 91国产中文字幕| 香蕉精品网在线| 亚洲欧洲国产日韩| av在线app专区| xxx大片免费视频| h视频一区二区三区|