【技术实现步骤摘要】
本申请的属于核电厂安全分析，特别是针对核电厂安全评估方法利用大数据生成分析模型，即，基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型及其应用，该模型利用机器学习及自适应采样策略提升核电安全评估的计算效率。
技术介绍
1、目前，核能作为能源领域的一种洁净、高效能源，已经在世界各国取得了广泛的使用。核安全，是核电可持续发展最为关键和重要的因素。在核电厂运行过程中，通过仿真模拟对可能发生的安全事故进行分析、评估是保证核电安全的重要方式。通常核电厂安全分析方法主要分为确定论安全分析方法以及概率论安全分析方法两类。针对确定论安全分析，我国核安全局和国际原子能机构发布了4种安全分析选项，如表1所示。
2、表1：确定论安全分析选项
3、
4、传统的确定论安全分析方法采用纵深防御概念，单一故障等原则，难以综合评估核电站运行条件、系统设备状态，存在过于保守或保守性不足的可能性。而概率论安全分析中使用的静态分析方法(如故障树和事件树)方法难以模拟动态时序。此外，传统的安全分析往往只考虑认知不确定性，而没有将随机不确定性纳入考虑范围。因此，单一的安全分析方法评估的安全裕度不够准确。于是，国际上将确定论的最佳估算加不确定性分析与概率论的风险量化分析技术整合，形成了一种更为先进的安全分析技术——风险指引的安全裕度特性分析方法(risk-informed safety margin characterization，rismc)。rismc方法综合考虑了不同类型的不确定性，并使用高保真物理模型和计算机模拟来分析
5、在rismc方法论中，安全裕度是通过电厂承受能力与承受负载之间的关联来定义的，具体表现为在特定预想事故工况下，电厂负载低于其能力的概率，即安全裕度＝p(c>＝l)。图1中两条分布曲线的交叉部分直观展示了这一安全裕度的量度。基于rismc方法构建的代理模型，其未来的应用前景在于能够深入探究设计与运行变化对安全裕度的影响。举例来说，电厂材料的老化可能引发电厂能力曲线的左移，而燃耗加深、反应堆功率提升则可能导致负载曲线的右移。相较传统安全分析方法，rismc方法更为贴近实际运行状况，更能有效挖掘潜在的裕度空间。因此，采用基于rismc方法的代理模型，能够更加精准地预测和管理电厂运行状态与安全裕度，从而全面整合核能安全，优化核电厂风险指引的设计，运行与维修决策。在核安全领域，利用代理模型来快速预测和评估不同场景下核设施安全性能为决策制定提供有力支持。通过代理模型，可以更方便地研究各种因素对核设施安全性能的影响，从而发现潜在安全风险并制定相应的应对措施。
6、rismc事故场景生成采用dpra方法，主要有蒙特卡罗(monte carlo，mc)风险仿真方法、动态事件树(dynamic event tree，det)方法、mc和det混合方法、go-flow方法等。其中mc风险仿真和离散动态事件树(discrete dynamic event tree，ddet)这两种方法工程实践性较好。然而，以上均需要大量的计算资源和时间。rismc分析应用于实际核动力装置涉及的问题依旧复杂，特别是在rismc计算效率、量化和传播不确定性(裕度分析)与智能决策指引均存在不足，主要包括：
7、(1)复杂事故场景建模过程中，极易引发事故序列数量过大、分支爆炸；
8、(2)为了满足rismc模型高计算精度、rismc模型验证确认的高要求，单个事故序列进行rismc分析时需要海量样本支撑；
9、(3)准确模拟核动力装置热工水力行为的系统仿真模型更精细化、复杂化，rismc事件序列计算耗时长，全部事件序列仿真计算量激增，rismc工程应用难以承受。
10、为了简化计算量，提高计算效率，通常采用构建代理模型的方式。代理模型(surrogate model，也被称为元模型或近似模型)是指在不降低精度的情况下构造的一个计算量小、计算周期短，但计算结果与数值分析或物理试验结果相近的数学模型，可解决多学科综合优化中的计算复杂性和信息交换复杂性两大问题。代理模型的基本原理包括两方面内容：一方面是构造模型的样本点如何选取，属于试验设计范围；另一方面是数据拟合与预测模型建模，是代理模型的主体。最具代表性的代理模型包括rsm代理模型、kriging代理模型和rbf代理模型等。代理模型基于全局函数近似的核心思想，通过插值、拟合、回归等数学近似方法以有限规模的样本数据为依据，来构造某种计算成本高昂的复杂模型的数学近似模型。在计算机模拟和仿真中，代理模型被用来简化复杂模型，以提高计算效率和降低计算成本。它可以是一个简单的公式、多项式、插值函数、神经网络等。
11、本申请的就是借助大数据技术在代理模型的设计上提出改进，从而实现核电安全分析计算效率上的提升。
技术实现思路
1、本申请的目的在于将分类器及回归预测算法引入代理模型设计中，构建一个具备自适应功能的核电厂安全评估代理模型。实现上述专利技术目的技术方案为，基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，该模型通过下述方法训练构建而成；
2、s1：确定待分析的核电厂核安全问题，明确风险敏感事故工况，选择相关安全事故重要的不确定性输入参数；这里的核电厂核安全问题、风险敏感事故工况通过但不限于查阅电厂设计报告或电厂事故文献资料获得，不确定性输入参数包括但不限于反应堆功率，破口尺寸、堆芯热流密度参数，及其分布特点和抽样范围参数；
3、s2：根据s1步的选择结果和事故工况，构建核电设备系统级物理模型，构建其系统风险评价模型；这里的核电设备系统级物理模型构建通过系统仿真程序(本专利以relap5程序为例)实现，该模型包括但不限于轻水堆系统的各种瞬态分析，失水事故(loca)、未能紧急停堆的预计瞬态(atws)模型，不限于管道、阀门、泵、热构件、电热器、喷射泵、汽轮机、分离器、安注箱以及控制系统组件的部件模型，反应堆中子物理模型，及不限于截面突变流动、横流模型、壅塞流、硼追踪以及非冷凝气体传输的特殊过程模型；这里的系统风险评价模型是结合概率安全评价(psa)建立故障树、事件树进行量化分析，计算系统的失效概率和风险水平所构建；
4、s3：根据s2步的系统风险评价模型的评估结果，利用敏感性分析对s1步的不确定性参数实施降维处理，即选取对安全指标影响最大的参数作为数据集的特征值；这里的敏感性分析为spearman相关性系数法，spearman系数由以下公式计算：spearman是一种度量两个变量之间相关性的本文档来自技高网...
【技术保护点】
1.基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，该代理模型通过下述方法训练构建而成；
2.根据权利要求1所述的基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，S1中的核电厂核安全问题、风险敏感事故工况通过但不限于查阅电厂设计报告或电厂事故文献资料获得，不确定性输入参数包括但不限于反应堆功率，破口尺寸或者堆芯热流密度参数，及其分布特点和抽样范围参数。
3.根据权利要求1所述的基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，S2中构建核电设备系统级物理模型通过RELAP5程序实现，该模型包括但不限于轻水堆系统的各种瞬态分析，失水事故(LOCA)、未能紧急停堆的预计瞬态(ATWS)模型，不限于管道、阀门、泵、热构建、点堆动力学、电加热器、喷射泵、汽轮机、分离器、安注箱以及控制系统组件的部件模型，及不限于截面突变流动、横流模型、壅塞流、硼追踪以及非冷凝气体传输的特殊过程模型；S2中的系统风险评价模型是结合概率安全评价(PSA)建立故障树进行量化分析，计算系统的失效概率和风险水平所构建。p>
4.根据权利要求1所述的基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，S3步的敏感性分析为Spearman相关性系数法，Spearman系数由以下公式计算：Spearman是一种度量两个变量之间相关性的统计量，它基于等级变量(有序变量)的秩而不是实际值；上式中，ρ为Spearman相关性系数，取值为[-1,+1]，RXi和RYi分别是X和Y的秩，由于X和Y都为等级变量，它们的秩可以看做是观测值的相对位置，n为总的观测样本数，ρ的绝对值的大小表示输入参数与输出参数的相关性强弱，绝对值越大表示参数相关性越强，而系数的正负号代表参数成正相关还是负相关，即若ρ>0，则成正相关，反之成负相关，当ρ＝0时，参数不相关。
5.根据权利要求1所述的基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，S5中的分类器模型为支持向量机(SVM)模型，其具体训练获得超平面边界区域的过程为：
6.根据权利要求1所述的基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，S6中回归预测算法训练获得回归预测模型通过k最近邻算法(KNN)构建的KNN模型，其具体过程为：
7.根据权利要求6所述的基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，S7判断KNN模型精确度是否达到指定要求，判定准则可为：交叉验证平均准确度≥ε或新样本预测准确度连续三次≥δ；这里的ε和δ为预设小于1的参数值。
8.根据权利要求1所述的基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，S8在进行重复S5-S8过程中，分类器模型和回归预测模型进行迭代更新训练，从而保证运行RELAP5程序的数据集的自适应更新，及模型的准确性。
9.1-8任一权利要求所述基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型的应用，其特征在于，该模型通过输入核电厂事故工况参数后，可预测事故工况是否超限、事故工况后果、判断后果为失效或成功，实现事故路径演化导引、事故后果预警。
10.1-8任一权利要求所述基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型的应用，其特征在于，该模型应用于风险指引的安全裕度特性分析(Risk-informed Safety Margin Characterization，RISMC)中实施核电厂风险评估。
...【技术特征摘要】
1.基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，该代理模型通过下述方法训练构建而成；
2.根据权利要求1所述的基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，s1中的核电厂核安全问题、风险敏感事故工况通过但不限于查阅电厂设计报告或电厂事故文献资料获得，不确定性输入参数包括但不限于反应堆功率，破口尺寸或者堆芯热流密度参数，及其分布特点和抽样范围参数。
3.根据权利要求1所述的基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，s2中构建核电设备系统级物理模型通过relap5程序实现，该模型包括但不限于轻水堆系统的各种瞬态分析，失水事故(loca)、未能紧急停堆的预计瞬态(atws)模型，不限于管道、阀门、泵、热构建、点堆动力学、电加热器、喷射泵、汽轮机、分离器、安注箱以及控制系统组件的部件模型，及不限于截面突变流动、横流模型、壅塞流、硼追踪以及非冷凝气体传输的特殊过程模型；s2中的系统风险评价模型是结合概率安全评价(psa)建立故障树进行量化分析，计算系统的失效概率和风险水平所构建。
4.根据权利要求1所述的基于分类器及回归预测算法自适应构建的核电厂安全评估代理模型，其特征在于，s3步的敏感性分析为spearman相关性系数法，spearman系数由以下公式计算：spearman是一种度量两个变量之间相关性的统计量，它基于等级变量(有序变量)的秩而不是实际值；上式中，ρ为spearman相关性系数，取值为[-1,+1]，rxi和ryi分别是x和y的秩，由于x和y都为等级变量，它们的秩可以看做是观测值的相对位置，n为总的观测样本数，ρ的绝对值的大小表示输入参数与输出参数的相关性强弱，绝对值越大表示参数相关性越强，而系...
【专利技术属性】
技术研发人员：徐安琪，李林峰，张桢，董晓朦，杨明，文婷，陈林宪，蔡文鑫，施晓晴，陈婉文，
申请(专利权)人：深圳大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。