Research on PIRT Automatic Generation Method based on Deep Learning Algorithm
-
摘要: 最佳估算加不确定性（BEPU）分析方法是核安全评审的主要方式之一，但是采用最佳估算程序进行敏感性与不确定性分析的计算成本高，而基于人工智能代理模型可以显著提高分析效率。本文以核电厂蒸汽发生器传热管破裂（SGTR）事故为研究对象，利用深度神经网络算法建立代理模型，并耦合敏感性与不确定性分析软件DAKOTA；根据事故验收准则确定事故的输入、输出变量，以Sobol敏感性为指标进行敏感性分析，获得基于敏感性指标的输入参数重要度排序，并生成二级评级的现象识别与排序表（PIRT）。研究表明，深度神经网络代理模型可以准确地预测关键安全参数的变化趋势，可以用于关键安全参数的敏感性分析，获得参数的重要度分级排序，并自动生成关于参数重要度分级排序的PIRT。
-
关键词:
- 深度学习 /
- 蒸汽发生器传热管破裂（SGTR） /
- 敏感性分析 /
- 现象识别与排序表（PIRT）
Abstract: The Best Estimate Plus Uncertainty (BEPU) analysis method is one of the main approaches for nuclear safety review. However, conducting sensitivity and uncertainty analyses with best-estimate code requires high calculation costs. Artificial intelligence-based surrogate models can significantly improve analytical efficiency. In this paper, the steam generator tube rupture (SGTR) accident in a nuclear power plant is used as a case study. A surrogate model is established using a deep neural network algorithm, coupled with the sensitivity and uncertainty analysis code DAKOTA. Based on accident acceptance criteria, accident input and output variables are identified, and Sobol sensitivity indicator is used for sensitivity analysis. The analysis results provide an importance ranking of input parameters based on sensitivity indicator, and a secondary-ranked Phenomena Identification Ranhing Table (PIRT) is generated. The study demonstrates that the DNN-based surrogate model can accurately predict the variation trends of critical safety parameters, can be used for sensitivity analysis of these parameters to obtain importance ranking of parameters, and can automatically generate a PIRT for importance ranking of parameters.-
Key words:
- Deep learning /
- SGTR /
- Sensitivity analysis /
- PIRT
-
图 2 7个输入参数的抽样频率分布直方图
Figure 2. Sampling Distribution Diagram of Seven Input Parameters
图 3 深度神经网络代理模型与DAKOTA耦合框架
Figure 3. Framework of Deep Neural Network Surrogate Model Coupled with DAKOTA
图 4 破损SG大气释放量预测值与计算值
Figure 4. Prediction and Calculated Values of Atmospheric Release from Damaged SG
图 5 完好SG大气释放量预测值与计算值
Figure 5. Prediction and Calculated Values of Atmospheric Release from Intact SG
图 6 包壳峰值温度预测值与计算值
Figure 6. Prediction and Calculated Values of Cladding Peak Temperature
图 8 破损SG大气释放量的Sobol敏感性指标对比
Figure 8. Comparison of Sobol Sensitivity Indicators for Atmospheric Release from Damaged SG
图 10 包壳峰值温度的Sobol敏感性指标对比
Figure 10. Comparison of Sobol Sensitivity Indicators for Peak Cladding Temperature
图 9 完好SG大气释放量的Sobol敏感性指标对比
Figure 9. Comparison of Sobol Sensitivity Indicators for Atmospheric Release from Intact SG
表 1 SGTR事故序列
Table 1. Accident Sequence of SGTR
事件 时间进程/s SG传热管双端剪切断裂 0 丧失厂外电源 0 反应堆停堆 0 1台 CVCS 泵启动，稳压器电加热器开启 0 触发稳压器低-2 水位信号 2981.1 破损 SG 二次侧的大气释放阀故障开启 2981.1 CMT 开始注射，PRHR HX 开始运行（在最长延迟时间后） 2981.1 反应堆冷却剂泵和主给水泵停运并开始惰转 2981.1 由主蒸汽低压力信号关闭破损 SG 二次侧的大气释放阀的隔离阀 3713.1 由 SG 窄量程高-2 水位整定值信号隔离 CVCS 20537.1 破口流量终止 34069.1 
下载: 导出CSV
表 2 敏感性分析参数
Table 2. Sensitivity Analysis Parameters
输入参数 归一化分布区间 分布形式 破口尺寸 （0.8，1.2） 均匀分布 SG能量损失系数 （0.5，2.0） 正态分布 SG流通面积 （0.95，1.0） 正态分布 CMT压力 （0.993，1.007） 均匀分布 CMT温度 （0.969，1.031） 均匀分布 PRHR HX能量损失系数 （0.5，2.0） 正态分布 PRHR HX流通面积 （0.95，1.0） 均匀分布
下载: 导出CSV
表 3 基于深度学习算法自动生成的PIRT
Table 3. PIRT Automatically Generated based on Deep Learning Algorithms
输入参数 重要度评级 破口尺寸 h SG能量损失系数 m SG流通面积 m CMT压力 m CMT温度 m PRHR HX能量损失系数 m PRHR HX流通面积 m
下载: 导出CSV
-
[1] 余红星,武铃珺,邓纯锐,等. 概率安全评价在核能安全分析领域的应用和发展[J]. 核动力工程,2020, 41(6): 1-7. [2] 孙微,庄少欣,安婕铷,等. 基于TRACE程序的大破口BEPU分析方法在独立审核计算中的应用[J]. 原子能科学技术,2017, 51(7): 1225-1231. doi: 10.7538/yzk.2017.51.07.1225 [3] D' AURIA F, CAMARGO C, MAZZANTINI O. The Best Estimate Plus Uncertainty (BEPU) approach in licensing of current nuclear reactors[J]. Nuclear Engineering and Design, 2012, 248: 317-328. doi: 10.1016/j.nucengdes.2012.04.002 [4] 陆雅哲,李峰,程坤,等. 华龙一号核电厂非失水事故PIRT表研究[J]. 科技视界,2021(10): 87-89. [5] PARK H M, LEE J H, CHOI C, et al. Development of a phenomena identification and ranking table (PIRT) for intermediate break loss-of-coolant accident in PWRs[J]. Nuclear Engineering and Technology, 2025, 57(1): 103141. doi: 10.1016/j.net.2024.08.010 [6] 夏凡. 基于深度学习的反应堆核设计软件不确定性分析方法研究[D]. 哈尔滨: 哈尔滨工程大学,2022. [7] KANG D G. Comparison of statistical methods and deterministic sensitivity studies for investigation on the influence of uncertainty parameters: application to LBLOCA[J]. Reliability Engineering & System Safety, 2020, 203: 107082. [8] 王鹤茗. 基于神经网络的压水堆燃耗及堆芯功率分布预测[D]. 哈尔滨: 哈尔滨工业大学,2022. [9] 贺婷,周宁,吴啸宇. 基于深度全连接神经网络的储层有效砂体厚度预测[J]. 吉林大学学报(地球科学版),2023, 53(4): 1262-1274. [10] 胡伟晨,刘建全,赵鹏程,等. 基于RELAP5的蒸汽发生器传热管断裂事故分析[J]. 核科学与工程,2022, 42(2): 398-407. doi: 10.3969/j.issn.0258-0918.2022.02.022 [11] 贾斌,吴晗,乔雪冬,等. 基于RELAP5的大功率非能动核电厂SGTR事故分析研究[J]. 核科学与工程,2016, 36(5): 683-692. doi: 10.3969/j.issn.0258-0918.2016.05.018 [12] 方俊,吴楠,祁婷. RELAP5程序对AP1000核电厂SGTR事故的分析能力研究[J]. 核动力工程,2016, 37(3): 70-74. [13] 韩壮,马杰,周刚,等. 基于DNN与PCA的核动力装置故障诊断方法研究[J]. 兵器装备工程学报,2022, 43(11): 147-153. doi: 10.11809/bqzbgcxb2022.11.021 [14] 王晨剑. 基于深度学习的高光谱图像解混方法[D]. 武汉: 华中科技大学,2019. [15] 李树勋,胡迎港,李成,等. 基于代理模型的轴流式调节阀阀体型线优化[J]. 华南理工大学学报(自然科学版),2023, 51(3): 41-52. -
下载:
计量
- 文章访问数: 24
- HTML全文浏览量: 7
- PDF下载量: 0
- 被引次数: 0
