一種非能動餘熱排出系統不確定性判斷方法
2023-06-08 02:12:16 1
一種非能動餘熱排出系統不確定性判斷方法
【專利摘要】本發明提出了一種非能動餘熱排出系統不確定性判斷方法，顯著的特點是提出了新的抽樣方法，增強了擬合函數在失效區域的擬合精度。本發明的抽樣方法能夠提高失效樣本點在總樣本點中的比例，提高失效區域段的擬合精度。本發明另一個特點是採用人工神經網絡擬合輸入輸出變量的關係，避免了二次多項式法在函數形式上的限制，同時，用蒙卡抽樣替代一次二階矩陣法計算可靠性概率，避免了二次處理帶來的誤差。
【專利說明】一種非能動餘熱排出系統不確定性判斷方法
【技術領域】
[0001] 本發明涉及非能動系統可靠性分析，特別是一種非能動系統不確定性判斷方法。
【背景技術】
[0002] 事故工況下，當正常熱傳輸系統功能完全喪失，堆內餘熱由反應堆容器空氣冷卻 系統（RVACS，下文簡稱RVACS)依靠自然對流排入大氣。RVACS系統由安全容器、圓柱形隔 離層、熱空氣上升管道、冷空氣下降通道、混凝土內側熱隔離層、地坑和包容體外的煙囪等 組成。該事故餘熱排出系統的排熱機理是：主容器的熱傳導、主容器向安全容器的熱輻射、 安全容器的熱傳導、安全容器向熱空氣管道和圓柱形隔熱層的熱輻射、空氣管道內的對流 換熱、空氣自然對流排出熱量。
[0003] RVACS系統的流程簡圖如圖2所示，設計參數見表1。環境空氣通過U型管的外側 即冷空氣下降通道進入事故餘熱排出系統，在U型管的內側即熱空氣上升管道內被加熱， 靠密度差驅動向上流動，通過煙?，流出包容體。
[0004] RVACS系統的失效不僅要考慮常規可靠性分析中的設備失效，還要考慮它的物理 失效。物理失效主要是由於不確定性引起的。實際工程中，受到外界各種因素的影響，一個 參數的值不可能是固定不變的，它會服從某一個分布，在一個區間內波動。此時，傳統意義 上的失效概率也不是一個固定的值，因此需要對RVACS系統進行不確定性分析。
[0005] 對於非能動系統可靠性分析，目前常用的方法有響應面法、一次二階矩陣法、直接 蒙特卡羅法、重要抽樣蒙特卡羅法、自適應蒙特卡羅法、自適應重要抽樣法。
[0006] 響應面法和一次二階矩陣法對於高非線性度問題的精度不高；
[0007] 直接蒙特卡羅方法需要進行大量的樣本抽樣，計算效率低下；
[0008] 重要抽樣蒙特卡羅法引入了重要密度函數，優化了蒙特卡羅法的抽樣方法，但大 部分非能動物理問題為隱式關係，仍然依賴響應面和一次二階矩陣法來求設計點，仍然逃 脫不了矩法的固有缺點；
[0009] 自適應蒙特卡羅法與重要蒙特卡羅方法的區別就是重要抽樣密度函數的選取方 法不一樣。重要蒙卡抽樣以設計點為均值點，方差為1的正態密度函數作為重要抽樣函數。 自適應蒙特卡羅方法先找出各參數中位於失效區域的樣本點，求出這些樣本點的數字特 徵，再根據這些數字特徵構建重要抽樣密度函數。對於失效率比較低的案例，失效區域樣本 點很少，要求出失效區域樣本點的數字特徵，抽樣的數量也是相當可觀的。
[0010] 綜上，現有方法抽樣代價太大，無法快速判斷參數不確定性對非能動餘熱排出系 統安全性的影響，同時數據處理過程中的線性近似降低了對非能動餘熱排出系統安全性判 斷的準確性；一種非能動餘熱排出系統不確定性判斷方法在抽樣效率和結果精度上都有所 改善，增加了對非能動餘熱排出系統安全性的正確快速判斷能力。
【發明內容】
[0011] 本發明的技術解決問題：克服現有技術的不足，提供一種非能動餘熱排出系統不 確定性確定方法，本發明明顯降低了抽樣的次數，有效地提高輸入參數與輸出參數映射關 系的擬合精度，能夠高效的計算出反應堆容器空氣冷卻系統的可靠性。
[0012] 本發明技術解決方案：一種非能動餘熱排出系統不確定性判斷方法，所述非能動 餘熱排出系統是指不依靠外部動力輸入，依靠密度差、重力自然現象將反應堆衰變餘熱排 出的系統，所述非能動餘熱排出系統不確定性判斷方法包括以下幾個步驟：
[0013] (1)將非能動餘熱排出系統的所有不確定性變量的分布類型全部改成均勻分布， 取值範圍不變；
[0014] (2)對步驟（1)中修改過分布類型的不確定性變量進行隨機抽樣，帶入熱工水力 模型中計算，抽到第一組導致失效的輸入變量時停止抽樣；
[0015] (3)以失效輸入點為圓點抽樣，抽樣半徑由不確定性變量波動範圍確定，將樣本帶 入熱工水力模型中計算，取多組數據；
[0016] (4)判斷抽取的樣本總數目是否大於設定值，若是轉到步驟（5)，否則轉到步驟 (2)；
[0017] (5)將以上樣本點作為神經網絡輸入，將通過網絡映射得到的輸出值與熱工水力 模型計算得到的輸出值進行對比，若誤差大於設定值，則反向分配前面各單元的誤差，調整 各層連接權的閥值，反覆學習，直到誤差值小於設定值，得到確定的神經網絡映射關係；
[0018] (6)用得到的神經網絡映射關係來替代複雜的熱工水力模型，對不確定參數，包括 堆芯餘熱功率、空氣入口溫度、等效摩擦係數、主容器壁面發射率、安全容器壁面發射率、圓 柱形隔離層壁面發射率進行直接蒙卡抽樣，帶入訓練後的神經網絡，求得輸出值，求得最終 的失效概率；
[0019] (7)根據步驟（6)求得的失效概率判斷非能動餘熱排出系統的安全性。
[0020] 所述步驟（3)中，抽樣半逕取不確定性變量的分布區間的10%。
[0021] 本發明與現有技術相比的優點在於：
[0022] (1)本發明提出的新的抽樣方法，增強了擬合函數在失效區域的擬合精度。對於失 效概率極低的事件，一般的隨機抽樣抽到失效樣本點是一個小概率事件，抽樣得到的樣本 點絕大多數都分布在不失效範圍內，通過這些樣本點擬合出的函數在不失效區域擁有很高 的精度，能夠提高失效樣本點在總樣本點中的比例，提高了抽樣效率，能夠快速判斷參數不 確定性對非能動餘熱排出系統安全性的影響，使得非能動餘熱排出系統安全性的實時監測 成為可能。
[0023] (2)本發明另外一個特點是：是採用人工神經網絡擬合輸入輸出變量的關係，避 免了二次多項式法在函數形式上的限制，同時，用蒙卡抽樣替代一次二階矩陣法計算可靠 性概率，避免了二次處理帶來的誤差,增強對非能動餘熱排出系統的擬合，使得計算結果更 加真實的反映非能動餘熱排出系統的安全狀況，提高核反應堆整體的可靠性。
【專利附圖】
【附圖說明】
[0024] 圖1為不確定性分析方法流程圖；
[0025] 圖2為事故餘熱排出系統流程示意圖；
[0026] 圖3為10000組樣本對應的反應堆主容器壁面平均溫度；
[0027] 圖4為10000組樣本對應反應堆安全容器壁面平均溫度。
【具體實施方式】
[0028] 下面通過實例對本發明做進一步詳細描述：
[0029] 通常研究的事件失效率較低，隨機抽樣抽到失效樣本點是一個小概率事件，抽樣 得到的樣本點絕大多數都分布在不失效範圍內，通過這些樣本點擬合出的函數在不失效區 域擁有很高的精度，而本發明最關心的失效區域的擬合精度太低。
[0030] 本發明的技術解決方案：本發明通過改變輸入變量的分布規律來克服這個問題， 抽樣時，更改輸入變量的分布規律，但不改變取值範圍。比如將所有的正態分布全部改成均 勻分布，提高了取值範圍內兩端點出現的概率，這樣做只改變了各個樣本點出現的概率，並 沒有改變輸入量與輸出量之間的函數關係。
[0031] 同時，不確定參數的波動是連續的，非能動的物理過程也是連續的，不存在躍遷狀 態，因此失效樣本點附近必然存在大量的失效樣本點。利用這個特性用可以增加失效樣本 點在總樣本中的比例。在上一步抽樣的基礎上，若抽到一個失效數據即停止抽樣。以這個 樣本點為圓心，以r為半徑的區域內抽樣，r見式（1)，X表示不確定參數波動區間的大小。
[0032] r = X · 10% (1)
[0033] 目前，響應面法一般採用不含交叉項的二階多項式來擬合，但受函數形式的局限， 對複雜模型的擬合精度不能得到保證。本發明採用人工神經網絡擬合輸入變量與輸出變量 之間的關係，神經網絡是一種按誤差逆傳播算法訓練多層前饋網絡，能夠學習和存儲大量 的輸入-輸出模式的映射關係，而無需事前描述這種映射關係的數學方程。
[0034] 針對訓練好的神經網絡，採用蒙卡抽樣求得失效概率。使用蒙特卡羅直接抽樣避 免了在求失效概率時需要用一次二階矩陣法進行近似，縮小了二次處理帶來的誤差，也增 強了對高非線性度樣本的處理精度。
[0035] 如圖2所示，非能動餘熱排出系統包括：堆芯1、鉛鉍冷池2、鉛鉍熱池3、主換熱器 4、主容器5、安全容器6、熱空氣上升通道7、圓柱形熱隔離層8、冷空氣下降通道9、堆坑10、 煙囪11和包容體12。堆芯1在主容器5的中下部，堆芯1的上部為鉛鉍冷池2,下部為鉛 鉍熱池3,安全容器 6套在主容器5的外部，圓柱形熱隔離層7套在安全容器6的外部，安 全容器6、熱空氣上升通道7、圓柱形熱隔離層8均位於堆坑10中。熱空氣上升通道7位於 安全容器 6與圓柱形熱隔離層7之間，冷空氣下降通道9位於圓柱形熱隔離層8與堆坑10 之間。工作原理：反應堆事故狀態下停堆時，反應堆主容器內的鉛鉍溫度上升，隨著5 (主容 器）壁面溫度上升，通過反應堆容器間的熱傳導和熱輻射，6(安全容器）與7(熱空氣上升 通道）和8(圓柱形熱隔離層）的熱輻射，安全容器6、圓柱形熱隔離層8、空氣上升管道7 的溫度都升高，空氣的流速增加、溫升增大。冷卻空氣通過冷空氣下降通道9進入系統，在 熱空氣上升通道7內被加熱，靠空氣本身溫度差引起的密度差驅動向上流動，通過煙囪n， 排出到大氣。此時，非能動餘熱排出系統內空氣通過自然循環可以完全帶走堆芯餘熱，最終 排入大氣，並對堆芯、反應堆容器進行長期冷卻。
[0036]如圖1所示，本發明一種非能動餘熱排出系統不確定性判斷方法的具體步驟： [0037] a、將所有的不確定性變量"堆芯餘熱功率、等效摩擦壓降、主容器壁面發射率、安 全容器壁面發射率、隔熱層壁面發射率"全部改成均勻分布，取值範圍不變；
[0038] b、對不確定性變量進行隨機抽樣，帶入熱工水力模型中計算。抽到第一組導致失 效的輸入變量時停止抽樣；其中熱工水力模型在Fluent軟體中建立，輻射模型採用P1，空 氣密度模型選擇boussinesq假設，餘熱隨時間變化公式為q = 360679^53_43+180972^/4°8 α86+86348,公式中e為自然常數，t為時間，q為反應堆餘熱；
[0039] c、以失效輸入點為圓點，r = X· 10%取值範圍內抽樣，帶入熱工水力模型中計算。 取50組數據；
[0040] d、判斷抽取的樣本總數目是否大於1〇〇,若是轉到第e步，否則轉到第b步；
[0041] e、將以上樣本點作為神經網絡輸入，將通過網絡映射得到的輸出值與熱工水力模 型計算得到的輸出值進行對比，若誤差大於設定值，則反向分配前面各單元的誤差，調整各 層連接權的閥值，反覆學習，直到誤差值小於設定值，得到確定的神經網絡映射關係。其中 神經網絡隱藏節點數設置為7個，學習率設置為0. 1 ;
[0042] g、用得到的神經網絡映射關係來替代複雜的熱工水力模型。對表1中的不確定參 數進行直接蒙卡抽樣，帶入訓練後的神經網絡，求得輸出值，求得最終的失效概率。
[0043] 下面通過實施例對本發明進行詳細說明。
[0044] 定義RVACS失效準則：主容器壁面平均溫度超過435攝氏度，安全容器壁面平均溫 度超過385攝氏度。根據失效準則，確定了 6個不確定性參數：堆芯餘熱功率、外部空氣溫 度、等效摩擦壓降係數、主容器壁面發射率、安全容器壁面發射率、圓柱形隔熱層壁面發射 率。各參數具體分布類型及分布區間見表1。表1給出了上述6個不確定性參數的分布類 型、分布區間、均值以及標準方差。
[0045] 表1不確定參數具體分布類型及區間
[0046]
【權利要求】
1. 一種非能動餘熱排出系統不確定性判斷方法，所述非能動餘熱排出系統是指不依靠 外部動力輸入，依靠密度差、重力自然現象將反應堆衰變餘熱排出的系統，其特徵在於：所 述非能動餘熱排出系統不確定性判斷方法包括以下幾個步驟： (1) 將非能動餘熱排出系統的所有不確定性變量的分布類型全部改成均勻分布，取值 範圍不變； (2) 對步驟（1)中修改過分布類型的不確定性變量進行隨機抽樣，帶入熱工水力模型 中計算，抽到第一組導致失效的輸入變量時停止抽樣； (3) 以失效輸入點為圓點抽樣，抽樣半徑由不確定性變量波動範圍確定，將樣本帶入熱 工水力模型中計算，取多組數據； (4) 判斷抽取的樣本總數目是否大於設定值，若是轉到步驟（5)，否則轉到步驟（2); (5) 將以上樣本點作為神經網絡輸入，將通過網絡映射得到的輸出值與熱工水力模型 計算得到的輸出值進行對比，若誤差大於設定值，則反向分配前面各單元的誤差，調整各層 連接權的閥值，反覆學習，直到誤差值小於設定值，得到確定的神經網絡映射關係； (6) 用得到的神經網絡映射關係來替代複雜的熱工水力模型，對不確定參數，包括堆芯 餘熱功率、空氣入口溫度、等效摩擦係數、主容器壁面發射率、安全容器壁面發射率、圓柱形 隔離層壁面發射率進行直接蒙卡抽樣，帶入訓練後的神經網絡，求得輸出值，求得最終的失 效概率； (7) 根據步驟（6)求得的失效概率判斷非能動餘熱排出系統的安全性。
2. 根據權利要求1所述的一種非能動餘熱排出系統不確定性判斷方法，其特徵在於： 所述步驟（3)中，抽樣半逕取不確定性變量的分布區間的10%。
【文檔編號】G06F19/00GK104298885SQ201410558924
【公開日】2015年1月21日 申請日期:2014年10月20日 優先權日:2014年10月20日
【發明者】夏少雄, 王家群, 潘曉磊, 吳國偉, 孫明 申請人:中國科學院合肥物質科學研究院