• <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(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(上海科技大學(xué) 上海 201210)

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

    3(中國科學(xué)院大學(xué) 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(jì)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(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(yīng)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(xué)習(xí)方法建立核反應(yīng)堆系統(tǒng)瞬態(tài)識別模型,在較少的人為因素下對核反應(yīng)堆系統(tǒng)瞬態(tài)工況進行快速、準(zhǔn)確地識別。

    目前,國內(nèi)外已有許多團隊進行了基于機器學(xué)習(xí)核電站系統(tǒng)瞬態(tài)識別模型的開發(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(xué)的Li等[9]提出了一種無監(jiān)督聚類方法,能夠自動準(zhǔn)確地匹配運行瞬態(tài)與預(yù)先設(shè)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(xùn)練系統(tǒng)瞬態(tài)識別模型所帶來的計算成本,結(jié)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(zhǔn)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(luò)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(zhǔn)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(luò)和卷積神經(jīng)網(wǎng)絡(luò)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(luò)在Raw類型的數(shù)據(jù)中可以達到99%以上的識別準(zhǔn)確率。Mena等[13]使用AutoML和TPOT等工具,基于6種機器學(xué)習(xí)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(zhǔn)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(zhǔn)確率。目前,國內(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(shè)計和運行方式,需要基于機器學(xué)習(xí)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(xué)習(xí)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(xì)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(yīng)瞬態(tài)工況的運行數(shù)據(jù),生成數(shù)據(jù)集并劃分為訓(xùn)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(xùn)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(xùn)練、優(yōu)化與測試:通過訓(xùn)練集訓(xùn)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(xué)習(xí)算法,可以用于分類和回歸問題[14];同樣是一種懶惰學(xué)習(xí)方法[15],它不需要訓(xùn)練階段,只需存儲訓(xùn)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(guān)重要。通常情況下,如果K值過小,識別結(jié)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(dǎo)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(fù)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(xué)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(quán)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(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)工況在對應(yīng)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(jié)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(xùn)練、優(yōu)化及測試

    2.1 數(shù)據(jù)集產(chǎn)生

    20世紀(jì)60年代,美國橡樹嶺國家實驗室設(shè)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(xùn)練熔鹽堆系統(tǒng)瞬態(tài)識別模型。由于相關(guān)報告中的瞬態(tài)實驗數(shù)據(jù)不足,因此使用由中國科學(xué)院上海應(yīng)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?qū)SRE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(guān)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(xùn)練集與測試集,兩者獨立生成。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(yīng)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(xùn)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(yīng)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(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)識別模型,進一步提高系統(tǒng)瞬態(tài)識別模型的識別準(zhǔn)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(jié)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(biāo)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(xué)習(xí)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(jié)果。真正例(True Positive,TP)是模型正確地將正例預(yù)測為正例的數(shù)量。假正例(False Positive,F(xiàn)P)是模型錯誤地將負(fù)例預(yù)測為正例的數(shù)量。真反例(True Negative,TN)是模型正確地將負(fù)例預(yù)測為負(fù)例的數(shù)量。假反例(False Negative,F(xiàn)N)是模型錯誤地將正例預(yù)測為負(fù)例的數(shù)量。這4個二分類指標(biāo)可以進一步組成不同的性能指標(biāo)。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(zhǔn)確率(Accuracy)作為評估指標(biāo),其數(shù)學(xué)表達形式如式(3)所示。

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

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

    對表1所選取的超參數(shù)組合進行優(yōu)化,優(yōu)化結(jié)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(zhǔn)確率影響不明顯。但在鄰近點權(quán)重方式中,采用“distance”方式進行鄰近點權(quán)重略優(yōu)于采用“uniform”方式進行鄰近點權(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(biāo),在上一小節(jié)的模型優(yōu)化過程中采用了準(zhǔn)確率,但是在某些情況下,單純依賴準(zhǔn)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(zhǔn)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(yù)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(biāo)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(zhǔn)確率外,額外選取了在機器學(xué)習(xí)分類方法中常用的其他三個評估指標(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?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(biāo)為系統(tǒng)瞬態(tài)識別模型對瞬態(tài)的識別類別,縱坐標(biāo)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?;贙NN的熔鹽堆系統(tǒng)瞬態(tài)識別模型的測試結(jié)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(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)均為99.99%,如表6所示。基于KNN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?jǐn)?shù)結(jié)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(zhǔn)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(jié)果Table 6 Test results of KNN-based identification models

    表7 單獨瞬態(tài)的F1分?jǐn)?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(yīng)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(shè)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(jié)果如圖7所示。4種評估指標(biāo)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(zhǔn)確率在不同SNR下均高于其他三個評估指標(biāo);而精確率在低SNR時和準(zhǔn)確率保持一致,但是其上升趨勢較慢;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 魯棒性測試結(jié)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(zhǔn)確率為97.41%,精確率達到94.47%,召回率和F1分?jǐn)?shù)也分別達到94.61%和94.31%,如表8所示,4項評估指標(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),可能會忽略某幾種瞬態(tài)帶來的影響,而精確率、召回率和F1分?jǐn)?shù)考慮了單一瞬態(tài)帶來的影響,可以推斷是因為誤識別瞬態(tài)分布集中導(dǎo)致。相比較在無噪聲下達到99.99%的識別結(jié)果,在30 dB噪聲下的識別結(jié)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(jié)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(xùn)練的系統(tǒng)瞬態(tài)識別模型

    含噪聲數(shù)據(jù)訓(xùn)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(xùn)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(xùn)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(xùn)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(jié)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(xùn)練的系統(tǒng)瞬態(tài)識別模型優(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)識別模型測試及評估

    同樣使用準(zhǔn)確率、精確率、召回率和F1分?jǐn)?shù)4個評估指標(biāo)對含噪聲數(shù)據(jù)訓(xùn)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(xùn)練的系統(tǒng)瞬態(tài)識別模型的性能進行測試,其測試結(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(xùn)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(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。其在無噪聲測試集上的4項評估指標(biāo)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(xùn)練的系統(tǒng)瞬態(tài)識別模型在無噪聲測試集上的測試結(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(xùn)練的系統(tǒng)瞬態(tài)識別模型進行測試。因為在訓(xùn)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(xùn)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(xùn)練的瞬態(tài)模型在含噪測試集中的表現(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(xùn)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(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(xùn)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?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)識別模型能夠在30 dB SNR的噪聲環(huán)境下準(zhǔn)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(xùn)練的系統(tǒng)瞬態(tài)識別模型測試結(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)識別模型識別單獨瞬態(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(xùn)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(xùn)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(xùn)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?;贙NN的含噪聲數(shù)據(jù)訓(xùn)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(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)識別模型魯棒性測試結(jié)果Fig.11 Robustness test results of the system transient identification model trained on noisy data

    4種評估指標(biāo)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(zhuǎn)折點在27 dB左右。準(zhǔn)確率在不同SNR下依舊高于其他三個評估指標(biāo),并且在高SNR下依舊明顯高于其他三個評估指標(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(xùn)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(zhǔn)確識別MSRE瞬態(tài)工況。

    4 結(jié)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(xùn)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(jié)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(jié)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(fù)責(zé)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(fù)責(zé)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(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(quán)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
    人妻一区二区av| 亚洲国产av新网站| 午夜视频国产福利| 99热全是精品| 欧美激情在线99| 国产精品国产三级国产av玫瑰| a级一级毛片免费在线观看| 久久久久性生活片| 久久精品久久精品一区二区三区| 少妇人妻 视频| 久久久a久久爽久久v久久| av女优亚洲男人天堂| 丝袜美腿在线中文| 黄片wwwwww| 亚洲在线观看片| 日韩免费高清中文字幕av| 久久精品久久精品一区二区三区| 精品一区在线观看国产| 少妇人妻一区二区三区视频| 在线观看av片永久免费下载| av天堂中文字幕网| 久久女婷五月综合色啪小说 | 在线观看一区二区三区| 日韩欧美精品免费久久| 久久99蜜桃精品久久| 成人亚洲精品一区在线观看 | 亚洲精品日本国产第一区| 国产极品天堂在线| 精品国产一区二区三区久久久樱花 | 特大巨黑吊av在线直播| 欧美成人一区二区免费高清观看| 一区二区av电影网| 精品人妻偷拍中文字幕| 夫妻性生交免费视频一级片| 秋霞伦理黄片| 99久久精品国产国产毛片| 91精品伊人久久大香线蕉| 亚洲av一区综合| 国产精品秋霞免费鲁丝片| 王馨瑶露胸无遮挡在线观看| 97超视频在线观看视频| 男女下面进入的视频免费午夜| 乱码一卡2卡4卡精品| 亚洲精品第二区| 亚洲欧美清纯卡通| 亚洲精品久久午夜乱码| 欧美国产精品一级二级三级 | 亚洲成人精品中文字幕电影| 亚洲av二区三区四区| 国产精品蜜桃在线观看| 国内精品宾馆在线| 黄色怎么调成土黄色| 国产成人免费观看mmmm| 国产亚洲5aaaaa淫片| 夫妻性生交免费视频一级片| 国产成人午夜福利电影在线观看| 熟妇人妻不卡中文字幕| 午夜爱爱视频在线播放| 免费观看无遮挡的男女| 成人特级av手机在线观看| 日韩不卡一区二区三区视频在线| 91久久精品电影网| 女人久久www免费人成看片| 赤兔流量卡办理| 高清在线视频一区二区三区| 99热全是精品| 毛片女人毛片| 亚洲色图综合在线观看| 一级a做视频免费观看| 欧美最新免费一区二区三区| 精品少妇黑人巨大在线播放| 亚洲国产av新网站| 熟女电影av网| 99re6热这里在线精品视频| 又爽又黄a免费视频| 高清毛片免费看| 97在线人人人人妻| 老女人水多毛片| 国产一级毛片在线| 女的被弄到高潮叫床怎么办| 欧美极品一区二区三区四区| 国产91av在线免费观看| 啦啦啦啦在线视频资源| 嫩草影院新地址| 亚洲欧美日韩无卡精品| av在线蜜桃| av在线蜜桃| 91午夜精品亚洲一区二区三区| 色综合色国产| 国产色婷婷99| 别揉我奶头 嗯啊视频| 久久99热6这里只有精品| 51国产日韩欧美| 成年免费大片在线观看| 特大巨黑吊av在线直播| 男人狂女人下面高潮的视频| 亚洲人与动物交配视频| 久久久久性生活片| 婷婷色综合www| 精品久久久精品久久久| 亚洲精品影视一区二区三区av| 成人无遮挡网站| 久久久久九九精品影院| 黄色怎么调成土黄色| 大片电影免费在线观看免费| 亚洲怡红院男人天堂| 成人黄色视频免费在线看| 国产一区二区在线观看日韩| 亚洲电影在线观看av| 三级经典国产精品| 亚洲最大成人中文| 亚洲欧美成人精品一区二区| 可以在线观看毛片的网站| 青春草视频在线免费观看| 国产 一区 欧美 日韩| 新久久久久国产一级毛片| 简卡轻食公司| 亚洲欧美中文字幕日韩二区| 性插视频无遮挡在线免费观看| 国产真实伦视频高清在线观看| www.av在线官网国产| 国产高清三级在线| 高清在线视频一区二区三区| 成人二区视频| 99热这里只有是精品在线观看| 好男人在线观看高清免费视频| 精品久久久久久久末码| 欧美zozozo另类| 日本av手机在线免费观看| 久久影院123| 亚洲精品国产色婷婷电影| 有码 亚洲区| 大片电影免费在线观看免费| 中国三级夫妇交换| 久久久久久久久大av| 国产伦精品一区二区三区视频9| 亚洲成人精品中文字幕电影| 汤姆久久久久久久影院中文字幕| 亚洲av二区三区四区| 欧美区成人在线视频| 亚洲成人av在线免费| 制服丝袜香蕉在线| 最近中文字幕2019免费版| 国产精品不卡视频一区二区| 国产亚洲av片在线观看秒播厂| 免费人成在线观看视频色| 国产精品国产av在线观看| 久久久久久久久久成人| 国产成人freesex在线| 亚洲国产日韩一区二区| 美女脱内裤让男人舔精品视频| 亚洲欧美精品自产自拍| 久久女婷五月综合色啪小说 | 日韩一区二区视频免费看| 成人综合一区亚洲| 国产精品99久久久久久久久| 美女脱内裤让男人舔精品视频| 亚洲成人av在线免费| 国产精品国产av在线观看| 国产毛片在线视频| 内射极品少妇av片p| 国产黄片美女视频| 亚洲第一区二区三区不卡| 欧美亚洲 丝袜 人妻 在线| 亚洲国产av新网站| 国产女主播在线喷水免费视频网站| 免费人成在线观看视频色| 国模一区二区三区四区视频| 亚洲色图综合在线观看| 亚洲aⅴ乱码一区二区在线播放| 日本一二三区视频观看| 久久99热6这里只有精品| 成年av动漫网址| 免费看日本二区| 99热这里只有是精品在线观看| 内地一区二区视频在线| 精品视频人人做人人爽| 色综合色国产| 九草在线视频观看| 免费av不卡在线播放| 最近中文字幕2019免费版| 在线看a的网站| 国产极品天堂在线| 亚洲真实伦在线观看| 少妇被粗大猛烈的视频| 99热网站在线观看| 久久久成人免费电影| 色吧在线观看| 成人漫画全彩无遮挡| 搡老乐熟女国产| 激情五月婷婷亚洲| 狂野欧美激情性xxxx在线观看| 狂野欧美激情性xxxx在线观看| 亚洲内射少妇av| 亚洲精品国产色婷婷电影| 性插视频无遮挡在线免费观看| 少妇 在线观看| 国产人妻一区二区三区在| 日韩国内少妇激情av| 女的被弄到高潮叫床怎么办| 老司机影院成人| 亚洲人与动物交配视频| 99热6这里只有精品| av在线app专区| 午夜免费男女啪啪视频观看| 国产精品.久久久| 国产黄片美女视频| 欧美三级亚洲精品| 亚洲激情五月婷婷啪啪| 美女国产视频在线观看| 在线观看国产h片| 亚洲四区av| 国产欧美日韩一区二区三区在线 | 国产精品久久久久久精品电影小说 | 欧美最新免费一区二区三区| 亚洲精品视频女| 少妇丰满av| 中国国产av一级| 亚洲最大成人手机在线| 日本欧美国产在线视频| 亚洲四区av| 啦啦啦啦在线视频资源| 国产色婷婷99| 国产白丝娇喘喷水9色精品| 国产av码专区亚洲av| 交换朋友夫妻互换小说| 深夜a级毛片| 五月玫瑰六月丁香| 午夜免费鲁丝| 婷婷色综合www| 女人被狂操c到高潮| 久久久久久久久久久丰满| 精品视频人人做人人爽| 欧美激情国产日韩精品一区| 99视频精品全部免费 在线| 91午夜精品亚洲一区二区三区| 少妇人妻久久综合中文| av一本久久久久| 最近中文字幕高清免费大全6| 国语对白做爰xxxⅹ性视频网站| 水蜜桃什么品种好| 中文字幕亚洲精品专区| 免费少妇av软件| 国产毛片在线视频| 人体艺术视频欧美日本| 日韩av在线免费看完整版不卡| av国产免费在线观看| 亚洲精品乱久久久久久| 舔av片在线| 欧美日韩国产mv在线观看视频 | 色视频在线一区二区三区| 亚洲综合精品二区| 免费黄色在线免费观看| 内地一区二区视频在线| 日韩电影二区| 少妇高潮的动态图| 在线看a的网站| 亚洲精品日韩av片在线观看| 各种免费的搞黄视频| 日日摸夜夜添夜夜爱| 国内精品宾馆在线| 蜜桃久久精品国产亚洲av| 国产成人午夜福利电影在线观看| 国产午夜福利久久久久久| 99久久精品热视频| 一边亲一边摸免费视频| 校园人妻丝袜中文字幕| 五月天丁香电影| 日本三级黄在线观看| 欧美激情久久久久久爽电影| 国产一区二区三区av在线| 亚洲国产欧美人成| 日韩免费高清中文字幕av| 中文字幕制服av| 亚洲欧美成人精品一区二区| 国产永久视频网站| 2018国产大陆天天弄谢| 99久久精品国产国产毛片| 国产一级毛片在线| 中国美白少妇内射xxxbb| 在线a可以看的网站| 久久国产乱子免费精品| 久久ye,这里只有精品| 亚洲av免费高清在线观看| 乱码一卡2卡4卡精品| 成人亚洲欧美一区二区av| 亚洲欧美成人综合另类久久久| 国产精品三级大全| 禁无遮挡网站| 高清毛片免费看| 成人免费观看视频高清| 亚洲精品,欧美精品| 国产成人啪精品午夜网站| 亚洲自偷自拍图片 自拍| 十八禁高潮呻吟视频| 亚洲av日韩精品久久久久久密 | 精品第一国产精品| 99久久99久久久精品蜜桃| 九九爱精品视频在线观看| 亚洲在久久综合| 婷婷色麻豆天堂久久| 国产精品偷伦视频观看了| 久久久久视频综合| 男男h啪啪无遮挡| 老汉色∧v一级毛片| 两个人免费观看高清视频| 精品国产乱码久久久久久男人| 成人黄色视频免费在线看| 国产高清国产精品国产三级| 久久久久精品性色| 无遮挡黄片免费观看| 99国产精品免费福利视频| 午夜av观看不卡| 国产视频首页在线观看| 老司机亚洲免费影院| 男人舔女人的私密视频| 国产成人一区二区在线| 欧美精品人与动牲交sv欧美| 国产97色在线日韩免费| 日日摸夜夜添夜夜爱| 欧美成人午夜精品| 亚洲国产看品久久| 美女脱内裤让男人舔精品视频| 成人黄色视频免费在线看| 丰满乱子伦码专区| 久久久久网色| 精品人妻一区二区三区麻豆| 99国产精品免费福利视频| 男的添女的下面高潮视频| 免费不卡黄色视频| 亚洲精品久久午夜乱码| 亚洲精品第二区| 久久国产精品男人的天堂亚洲| 性高湖久久久久久久久免费观看| 大香蕉久久成人网| 男女高潮啪啪啪动态图| 超碰成人久久| 新久久久久国产一级毛片| 久久久久久久久久久免费av| 亚洲精品久久久久久婷婷小说| 国产亚洲欧美精品永久| 777久久人妻少妇嫩草av网站| 宅男免费午夜| 成人黄色视频免费在线看| 免费观看性生交大片5| 另类精品久久| 成年动漫av网址| 精品免费久久久久久久清纯 | 97精品久久久久久久久久精品| 亚洲第一av免费看| 国产女主播在线喷水免费视频网站| 国产一区亚洲一区在线观看| 久久韩国三级中文字幕| 亚洲av在线观看美女高潮| 捣出白浆h1v1| 免费在线观看黄色视频的| 久久热在线av| 97精品久久久久久久久久精品| 国产又爽黄色视频| 欧美日韩一区二区视频在线观看视频在线| 最新在线观看一区二区三区 | 大话2 男鬼变身卡| 极品人妻少妇av视频| 大片免费播放器 马上看| 十八禁高潮呻吟视频| 国产精品av久久久久免费| 成人三级做爰电影| 免费日韩欧美在线观看| 午夜免费观看性视频| 亚洲精品日韩在线中文字幕| 久久人人爽av亚洲精品天堂| 亚洲国产最新在线播放| 免费黄网站久久成人精品| 日韩,欧美,国产一区二区三区| 性少妇av在线| 午夜福利影视在线免费观看| 免费黄频网站在线观看国产| 久久天躁狠狠躁夜夜2o2o | 国产精品欧美亚洲77777| 丰满饥渴人妻一区二区三| 99国产精品免费福利视频| 亚洲色图 男人天堂 中文字幕| 青春草亚洲视频在线观看| 亚洲熟女毛片儿| 欧美变态另类bdsm刘玥| 黄片无遮挡物在线观看| 少妇猛男粗大的猛烈进出视频| 国产欧美日韩一区二区三区在线| 熟女av电影| 如日韩欧美国产精品一区二区三区| 啦啦啦中文免费视频观看日本| 国产爽快片一区二区三区| 欧美日韩综合久久久久久| 亚洲国产欧美在线一区| 一二三四在线观看免费中文在| 久热这里只有精品99| 欧美日韩成人在线一区二区| 久久97久久精品| 天天躁夜夜躁狠狠躁躁| 午夜福利免费观看在线| 大码成人一级视频| 亚洲欧美日韩另类电影网站| 久久久欧美国产精品| 亚洲精品,欧美精品| 观看美女的网站| 欧美 日韩 精品 国产| 亚洲av日韩精品久久久久久密 | 国产又色又爽无遮挡免| 国产黄频视频在线观看| 啦啦啦中文免费视频观看日本| 天天躁夜夜躁狠狠躁躁| 成人亚洲欧美一区二区av| 大码成人一级视频| 一边摸一边抽搐一进一出视频| 久久精品aⅴ一区二区三区四区| 亚洲欧美一区二区三区黑人| 汤姆久久久久久久影院中文字幕| 精品人妻在线不人妻| 1024视频免费在线观看| 啦啦啦在线免费观看视频4| 亚洲精品中文字幕在线视频| 亚洲av日韩精品久久久久久密 | 亚洲在久久综合| 99久久精品国产亚洲精品| 九色亚洲精品在线播放| 国产伦理片在线播放av一区| 免费在线观看黄色视频的| 亚洲欧美清纯卡通| 久久久精品免费免费高清| 观看av在线不卡| 亚洲精品国产av成人精品| 久热这里只有精品99| 哪个播放器可以免费观看大片| 久久 成人 亚洲| 久久精品国产a三级三级三级| av有码第一页| 亚洲国产av影院在线观看| 老司机亚洲免费影院| 80岁老熟妇乱子伦牲交| 亚洲熟女精品中文字幕| 精品国产国语对白av| 亚洲精品一二三| 免费在线观看黄色视频的| 亚洲国产最新在线播放| 精品国产一区二区三区四区第35| 街头女战士在线观看网站| av国产久精品久网站免费入址| 亚洲欧美成人精品一区二区| 波多野结衣一区麻豆| 七月丁香在线播放| 狂野欧美激情性bbbbbb| 一区二区日韩欧美中文字幕| 可以免费在线观看a视频的电影网站 | 激情视频va一区二区三区| 欧美人与善性xxx| 国产成人免费观看mmmm| 女性被躁到高潮视频| 人人妻人人爽人人添夜夜欢视频| 亚洲av男天堂| 国产日韩欧美视频二区| 色网站视频免费| 亚洲av电影在线观看一区二区三区| 亚洲图色成人| 丝袜人妻中文字幕| 国产免费一区二区三区四区乱码| 国产日韩欧美在线精品| 日韩av在线免费看完整版不卡| 久久综合国产亚洲精品| 亚洲精品一区蜜桃| 欧美日韩成人在线一区二区| 熟女少妇亚洲综合色aaa.| av不卡在线播放| 欧美黑人欧美精品刺激| 成人国语在线视频| 久久精品久久久久久久性| 亚洲av电影在线进入| 精品一区在线观看国产| 亚洲av成人不卡在线观看播放网 | 在线观看免费高清a一片| 日韩欧美一区视频在线观看| 看非洲黑人一级黄片| 曰老女人黄片| 久久久久久久久久久免费av| 国产精品三级大全| 久久人人97超碰香蕉20202| 美女大奶头黄色视频| 少妇猛男粗大的猛烈进出视频| avwww免费| 精品国产一区二区久久| 欧美日韩精品网址| 国产精品一区二区在线观看99| www.熟女人妻精品国产| 亚洲伊人色综图| 国产精品偷伦视频观看了| 久久97久久精品| 考比视频在线观看| 在线观看免费午夜福利视频| 久久久久国产精品人妻一区二区| 香蕉丝袜av| 久久韩国三级中文字幕| 熟女av电影| 成人手机av| 咕卡用的链子| 国产伦理片在线播放av一区| 婷婷色综合大香蕉| 老司机在亚洲福利影院| 午夜福利在线免费观看网站| 黑人欧美特级aaaaaa片| 久久久精品免费免费高清| 亚洲国产av新网站| 最近2019中文字幕mv第一页| 19禁男女啪啪无遮挡网站| av网站在线播放免费| 丁香六月天网| 免费在线观看黄色视频的| 一区二区三区激情视频| 中文字幕人妻丝袜制服| 国产一区二区 视频在线| 美女中出高潮动态图| 日韩伦理黄色片| 国产精品99久久99久久久不卡 | 国产成人啪精品午夜网站| 亚洲国产精品国产精品| 91aial.com中文字幕在线观看| 一级a爱视频在线免费观看| 亚洲七黄色美女视频| 一级毛片我不卡| 亚洲中文av在线| 国产片内射在线| 久久精品熟女亚洲av麻豆精品| 七月丁香在线播放| 中文字幕制服av| 男女边摸边吃奶| www日本在线高清视频| 中文字幕人妻丝袜一区二区 | 免费黄频网站在线观看国产| 亚洲天堂av无毛| 妹子高潮喷水视频| 超色免费av| 97精品久久久久久久久久精品| 99精国产麻豆久久婷婷| 多毛熟女@视频| 国产淫语在线视频| 成人国产av品久久久| 精品少妇内射三级| 国产在线视频一区二区| 人人澡人人妻人| 人妻一区二区av| 丰满迷人的少妇在线观看| 两个人免费观看高清视频| 国产精品人妻久久久影院| www.自偷自拍.com| 观看av在线不卡| 在线观看www视频免费| 午夜日本视频在线| 国产精品99久久99久久久不卡 | 好男人视频免费观看在线| 国产欧美亚洲国产| 青春草亚洲视频在线观看| 久久国产精品男人的天堂亚洲| 18禁裸乳无遮挡动漫免费视频| 亚洲少妇的诱惑av| 又大又黄又爽视频免费| 三上悠亚av全集在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 老汉色∧v一级毛片| 午夜av观看不卡| 国产精品久久久久久精品古装| 只有这里有精品99| 麻豆精品久久久久久蜜桃| 久久天躁狠狠躁夜夜2o2o | 中文字幕高清在线视频| 精品少妇黑人巨大在线播放| 欧美久久黑人一区二区| 蜜桃在线观看..| 欧美国产精品一级二级三级| 日韩 欧美 亚洲 中文字幕| 日韩中文字幕视频在线看片| 在线观看人妻少妇| e午夜精品久久久久久久| 国产乱人偷精品视频| 久久久精品国产亚洲av高清涩受| 三上悠亚av全集在线观看| 最黄视频免费看| 欧美 日韩 精品 国产| 欧美精品一区二区免费开放| 国产精品一二三区在线看| 十八禁人妻一区二区| 国产亚洲av高清不卡| 亚洲一区二区三区欧美精品| 一级a爱视频在线免费观看| 亚洲精品久久久久久婷婷小说| 国产亚洲av高清不卡| 久久精品亚洲av国产电影网| 久久精品久久久久久久性| 大香蕉久久成人网| 亚洲欧美激情在线| 国产极品天堂在线| 天堂俺去俺来也www色官网| 制服诱惑二区| 18禁动态无遮挡网站| 亚洲欧美成人综合另类久久久| 黑人巨大精品欧美一区二区蜜桃| 久久这里只有精品19| 91成人精品电影| 又粗又硬又长又爽又黄的视频| 欧美97在线视频| 国产精品免费大片| 午夜福利一区二区在线看| 欧美精品av麻豆av| 国产精品二区激情视频| 色播在线永久视频| 国产成人精品久久久久久| 久久久久国产精品人妻一区二区| 亚洲精品日韩在线中文字幕|