核電廠嚴重事故在線診斷及評估專家系統(tǒng)ADEES開發(fā)

魏　巍，李　青，謝政權(quán)，黃　雄，馬國揚，謝明亮

核電廠嚴重事故在線診斷及評估專家系統(tǒng)ADEES開發(fā)

魏巍，李青，謝政權(quán)，黃雄，馬國揚，謝明亮

（中核武漢核電運行技術(shù)股份有限公司中核核工業(yè)仿真技術(shù)重點實驗室，湖北 武漢 430223）

在核電廠嚴重事故條件下，核應急響應人員需要判斷電廠事故所處的狀態(tài)并給出正確事故處置決策。核事故在線診斷及評估專家系統(tǒng)（ADEES）以MAAP5軟件作為計算內(nèi)核，利用機組傳感器采集的有限數(shù)據(jù)（或模擬機數(shù)據(jù)）作為輸入，診斷電廠當前所處于的事故階段和根本原因，應用電廠熱工水力模型在線跟蹤機組的事故狀態(tài)，再利用跟蹤獲得的事故狀態(tài)作為起點來預測事故的發(fā)展、評價干預措施的效果，指導電廠技術(shù)支持人員執(zhí)行SAMG，從而為應急決策及事故處置提供輔助支持。本研究得到國家重點研發(fā)計劃（編號：2019YFB1900700）的資助。

嚴重事故；ADEES；MAAP5；SAMG；應急決策；事故處置

在核電站事故期間，特別是嚴重事故條件下，電廠操縱員及應急響應技術(shù)人員處在相當大的壓力之下。他們必須決定：

（1）應該采取什么行動來糾正這種情況；

（2）電廠將如何應對，包括實施各種行動可能產(chǎn)生的后果。嚴重事故往往伴隨著電源的喪失或者電廠儀表的大面積損壞，此時核電廠基本處于一個黑匣子的狀態(tài)，可以獲取的電廠狀態(tài)信息十分有限[3]。在這種情況下執(zhí)行嚴重事故管理導則（SAMG），需要根據(jù)有限的數(shù)據(jù)判斷電廠的事故狀態(tài)[1]，并在很短的時間內(nèi)給出正確的干預措施來緩解事故的進程，使得電廠恢復到可控的狀態(tài)，對于應急響應人員來說是極大的挑戰(zhàn)。亟須相關(guān)的支持系統(tǒng)提供可靠的分析，診斷出事故的根本原因，跟蹤獲得機組的事故狀態(tài)，為核事故的處置提供有力支持。

ADEES（Accident Detection and Evaluation Expert System）以MAAP5軟件作為嚴重事故進程分析的計算內(nèi)核[2]，利用機組傳感器采集的數(shù)據(jù)（或模擬機數(shù)據(jù)）作為輸入，診斷電廠當前所處于的事故階段和根本原因，在線跟蹤機組的事故狀態(tài)，并利用獲得的機組狀態(tài)作為快速預測的初始條件，對MAAP5程序進行初始化，利用MAAP5程序的快速計算能力[4]，進行事故發(fā)展趨勢的預測以及干預措施的對比評價，從而為核應急決策及事故處置提供技術(shù)指導。

1 ADEES系統(tǒng)技術(shù)方案

ADEES系統(tǒng)的核心思想是：首先通過在線采集核電廠的狀態(tài)參數(shù)，診斷核電廠所處的事故階段及事故根本原因。然后，把診斷獲得事故信息及有限的電廠狀態(tài)信息作為計算的邊界條件來修正嚴重事故計算模型，并將嚴重事故模型計算得到的狀態(tài)與機組狀態(tài)進行對比，來校準和修改邊界條件，從而使得嚴重事故模型模擬的事故狀態(tài)與機組的真實事故狀態(tài)趨于一致，達到對機組事故狀態(tài)進行在線跟蹤的目的。最后，一旦獲取到機組狀態(tài)，就可以由嚴重事故計算模型生成一個當前事故狀態(tài)的完整映射（初始條件），并將此初始條件分發(fā)給多個帶有嚴重事故計算模型的預測模塊，在每個預測模塊上執(zhí)行不同的干預方案，快速觀察到事故未來的發(fā)展及不同干預措施的效果。圖1給出了ADEES系統(tǒng)的設計思想。

圖1　ADEES系統(tǒng)的設計思想

實現(xiàn)以上設計思路，ADEES包含三個模塊：

（1）核事故智能診斷模塊；

（2）核事故在線跟蹤模塊；

（3）核事故快速預測模塊。三個模塊之間關(guān)系如圖2所示。

圖2　ADEES系統(tǒng)的結(jié)構(gòu)組成

2　ADEES的關(guān)鍵技術(shù)

2.1　核事故智能診斷技術(shù)

核事故智能診斷模塊主要通過分析獲取的機組運行數(shù)據(jù)（如溫度、壓力、水位等），對機組所處的事故階段及事故根本原因進行分析診斷。

核電廠事故階段的診斷，主要是依據(jù)電廠狀態(tài)識別問題的診斷邏輯，編制自動診斷程序，自動診斷程序的結(jié)果將會驅(qū)動再初始化進程的執(zhí)行，通過電廠狀態(tài)信息和內(nèi)部處置邏輯，對分析程序進行再初始化操作，使得程序計算的狀態(tài)時刻與當前的電廠狀態(tài)相匹配。事故階段可分成以下6類：

（1）堆芯裸露前；

（2）堆芯損壞前；

（3）壓力容器破損前；

（4）安全殼破損前；

（5）堆芯再淹沒進行中；

（6）堆芯再淹沒進行中，但需要建立安全殼的排熱[5]。通過電廠狀態(tài)診斷流程中每個Flag的標識排序與電廠狀態(tài)的對應關(guān)系矩陣進行關(guān)聯(lián)，以確定當前電廠所處的狀態(tài)，為分析程序的初始化提供依據(jù)，如圖3所示。

可能的電廠狀態(tài)矩陣 問題狀態(tài)l2345678狀態(tài)描述狀態(tài)區(qū)間 a00000000堆芯淹沒，未損壞堆芯裸露前 b10000000堆芯裸露，處于危機中堆芯損壞前 c11000000堆芯未損壞，但處于過熱態(tài)堆芯損壞前 d11100000堆芯損壞已經(jīng)發(fā)生壓力容器失效前 e11110000堆芯嚴重損壞壓力容器失效前 f11111000堆芯已經(jīng)損毀壓力容器可能失效安全殼失效前 g11111100堆芯已經(jīng)損毀，壓力容器可能失效，高溫放射性碎片可能進入安全殼安全殼失效前 h11111110堆芯已經(jīng)損毀，壓力容器可能失效，高溫放射性碎片可能進入安全殼，安全殼壓力高安全殼失效前 i11111111堆芯已經(jīng)損毀，壓力容器可能失效，高溫放射性碎片可能進入安全殼，安全殼壓力高，且在上升安全殼失效前

事故根本原因診斷以專家知識庫系統(tǒng)和故障樹方法為核心，根據(jù)壓水堆核電廠事故診斷規(guī)程總結(jié)提煉出的知識庫，作為事故診斷所需要的邏輯基礎。故障樹方法則通過樹形分析結(jié)構(gòu)，可以將事故診斷過程轉(zhuǎn)換成機組運行參數(shù)間變化的因果邏輯關(guān)系，不僅能夠更為有效地使用專家知識庫，還提高了診斷的可解釋性。通過歸納的規(guī)則匹配和操作序列來診斷電廠運行狀態(tài)（如事故征兆、區(qū)間以及原因等）。事故根本原因診斷中引入了對事故現(xiàn)象的模糊匹配以及事故原因的置信規(guī)則，模糊識別提高了該系統(tǒng)在復雜情境下對不確定性問題的處理能力。事故類型和序列的識別主要依靠根本原因診斷程序來執(zhí)行，其目的是：識別事故的征兆和類型、識別在之前和當前電廠數(shù)據(jù)采樣區(qū)間內(nèi)所發(fā)生的事件、評價蒸汽發(fā)生器、主系統(tǒng)和安全殼的質(zhì)能變化率、評價LOCA面積和位置（如果是破口序列）、檢查安全殼是否失效，最后利用這些診斷信息來設置MAAP程序事件序列和邊界條件。事故序列征兆標識：失去AC電源、主系統(tǒng)水位下降、安全殼壓力上升、破損SG水位下降、安全殼高壓力、主系統(tǒng)低壓力、主系統(tǒng)壓力下降、ATWS型條件、MSLB型條件。給出的事故類型標識有：

（1）SBO（全廠斷電）；

（2）LOCA；

（3）Unknown（位置事故類型，一般出現(xiàn)在事故早期，事故特征不明顯）；

（4）Unknown，但是上充和下泄有效；

（5）ESF系統(tǒng)電源不可用，但風機冷卻顯示運行；

（6）SGTR；

（7）ATWS；

（8）MSLB；

（9）穩(wěn)壓器釋放閥卡開等。

對于LOCA事故，破口發(fā)生后，主系統(tǒng)的降壓速率（d/d）是破口流動速率的指示標識，為此有：

能量守恒：

其中：——壓力容器內(nèi)水和蒸汽的總質(zhì)量；

——比內(nèi)能；

——壓力容器內(nèi)的產(chǎn)熱；

i——壓力容器入口流量；

o——壓力容器出口流量；

s——破口以外的蒸汽釋放流量；

i——入口流量的焓值；

o——出口流量的焓值；

g——飽和蒸汽的焓值；

v——定積比熱；

——壓力容器內(nèi)部液體質(zhì)量。

質(zhì)量守恒：

假設在噴放階段主系統(tǒng)為飽和狀態(tài)，則有：

消去d/d和d/d項得到流動速率與主系統(tǒng)降壓速率的關(guān)系，有：

則有，破口面積與流動速率之間的關(guān)系為：

其中：d——破口的幾何形狀系數(shù)；

式（1）～式（3）描述了主系統(tǒng)降壓速率和流動速率的關(guān)系，因此可以通過計算主系統(tǒng)壓力在一段時間內(nèi)的變化推導出流動速率，再根據(jù)式（4）中破口面積與流速的關(guān)系得到破口面積的估算大小，完成對LOCA事故的診斷。

2.2　核事故在線跟蹤技術(shù)

核事故在線跟蹤模塊采用預估校準的方法，先利用事故診斷模塊提供的事故階段、事故類型和序列作為邊界條件，結(jié)合機組的其他狀態(tài)信號完成對計算引擎的初始化，然后依據(jù)當前電廠實時數(shù)據(jù)，判斷是否需要對分析程序的模擬邊界條件進行修正，同時依據(jù)電廠的跟蹤結(jié)果評價來驅(qū)動邊界調(diào)整的走向。如果電廠狀態(tài)跟蹤已經(jīng)嚴重偏離，則會驅(qū)動再初始化單元；如果電廠狀態(tài)跟蹤良好，沒有發(fā)生典型的事件響應，則依據(jù)電廠實時數(shù)據(jù)對系統(tǒng)參數(shù)進行小范圍微調(diào)或不調(diào)整；如果電廠狀態(tài)跟蹤良好，電廠數(shù)據(jù)通過事故診斷模塊進行事故序列的調(diào)整。核事故在線跟蹤模塊的邏輯流程如圖4所示。

圖4　跟蹤模塊的邏輯流程

在跟蹤結(jié)果與電廠數(shù)據(jù)對比中，可以選擇表征電廠狀態(tài)的核心參數(shù)（如主系統(tǒng)壓力，衰變熱，安全殼壓力，堆芯出口溫度，堆芯水位等）作為關(guān)鍵評價參數(shù)。針對不同的事故工況，用戶可以選擇滿足特定需求的對比參數(shù)。

圖5示意性地給出了跟蹤結(jié)果與電廠數(shù)據(jù)示意性對比。對于對比單元中的擬合功能，有線性方程和三次方程兩種形式，其中當過去的電廠數(shù)據(jù)少于4個的時候才只有線性擬合，否則線性擬合和三次擬合都將使用，一般情況下ADEES最多存儲5組電廠歷史數(shù)據(jù)。

圖5　跟蹤結(jié)果與電廠數(shù)據(jù)的對比示意

其中：——特定物理量索引；

weight——該物理量的權(quán)重值；

s和e——指時間段的起點和終點；

2.3　核事故快速預測功能開發(fā)

預測模塊依據(jù)核事故在線診斷及跟蹤子系統(tǒng)提供的機組狀態(tài)作為初始條件，通過快速計算系統(tǒng)實現(xiàn)對機組事故發(fā)展趨勢的預測，同時該系統(tǒng)支持通過多線程（可以同時啟動多個預測模型）的并行計算，預測評估不同潛在緩解措施可能帶來的影響，進而為嚴重事故階段的專家決策提供技術(shù)輔助支持。預測模塊可以同時對多種不同的緩解措施進行預測評估，并通過分析比對工具來評估各種緩解措施的優(yōu)劣。由于計算引擎采用MAAP5軟件，計算速度較快，同時選用高性能的計算機，可以進一步加快預測的速度，基本可以達到50～60倍快時，即一分鐘的CPU時間可以預測1 h的事故發(fā)展過程。

預測模塊的計算內(nèi)核采用與跟蹤模塊相同的MAAP5軟件，所以一旦跟蹤模塊跟蹤到當前的事故狀態(tài)，就可以把當前的完整狀態(tài)寫到RESTART文件中，而預測模塊只需要獲取這個RESTART文件，就可以快速初始化到當前的事故狀態(tài)，再基于當前的事故狀態(tài)來預測事故未來的發(fā)展。同時基于MAAP5軟件提供的外部接口，可以實現(xiàn)不同預測模塊插入不同的干預方案，從而實現(xiàn)對不同事故處置方案的評價。圖6為預測模塊的邏輯流程。

圖6　預測模塊的邏輯流程

3　測試驗證

核事故在線跟蹤能力是ADEES系統(tǒng)最重要的功能，一旦跟蹤到機組的狀態(tài)，預測模塊就可以基于跟蹤的狀態(tài)來預測事故的發(fā)展，同時跟蹤到事故狀態(tài)本身，也證明診斷模塊診斷的事故根本原因是對的。本文主要從跟蹤能力方面對ADEES系統(tǒng)進行測試。另外，由于嚴重事故本身稀有性，很難直接由機組提供真實的事故數(shù)據(jù)進行測試，因此利用嚴重事故分析程序或者模擬機來代替機組提供事故狀態(tài)的數(shù)據(jù)（溫度、壓力、水位、放射性等），完成對ADEES系統(tǒng)的測試。ADEES的測試驗證分為以下兩個階段：

（1）利用嚴重事故分析軟件MAAP5提供數(shù)據(jù)源進行測試，主要驗證ADEES的功能邏輯是否能實現(xiàn)。

（2）利用核電廠模擬機提供機組事故數(shù)據(jù)，由于模擬機與ADEES采用的是不同計算內(nèi)核，這個階段主要驗證ADEES的跟蹤性能。

3.1　MAAP5提供數(shù)據(jù)源的測試

選擇M310機組作為建模對象，考慮典型的嚴重事故序列全廠斷電（SBO）疊加輔助給水喪失事故，利用MAAP5軟件提供機組數(shù)據(jù)源的計算結(jié)果，對ADEES跟蹤性能進行測試。圖7中實線為MAAP5模擬機組提供的信號，虛線為ADEES跟蹤的結(jié)果，結(jié)果表明全廠斷電（SBO）疊加輔助給水喪失事故下，ADEES能夠基本準確跟蹤MAAP5軟件提供的參數(shù)數(shù)據(jù)。

圖7 ADEES跟蹤性能測試結(jié)果

圖7 ADEES跟蹤性能測試結(jié)果（續(xù)）

3.2　模擬機提供數(shù)據(jù)源的測試

模擬機測試采用的三代非能動電廠嚴重事故模擬機提供數(shù)據(jù)源，按照每30 s采集一次數(shù)據(jù)，模擬完全按照模擬機組真實發(fā)生事故時能提供的信息進行測試。由于篇幅原因，本文僅羅列了典型嚴重事故工況大破口疊加所有非能動系統(tǒng)失效工況下的跟蹤結(jié)果。圖8中實線為模擬機提供的信號，虛線為ADEES跟蹤的結(jié)果，看出兩者大致的趨勢相似，具體參數(shù)值差異較大，主要原因是模擬機中熱工水力模型采用的是最佳估算程序（類似Relap5）與ADEES系統(tǒng)采用的MAAP5程序在物理模型層面有較大差異，這導致了跟蹤結(jié)果的差異。結(jié)果表明大破口疊加所有非能動系統(tǒng)失效工況下，ADEES能夠基本跟蹤到模擬機提供的參數(shù)數(shù)據(jù)的大致趨勢。

圖8 非能動系統(tǒng)失效工況下跟蹤結(jié)果

4　結(jié)論

鑒于嚴重事故現(xiàn)象十分復雜，為了有效地進行嚴重事故診斷和決策，有必要開發(fā)一套嚴重事故專家支持系統(tǒng)，為核電廠應急響應提供技術(shù)支持，同時也為應急演練及培訓提供工具。ADEES系統(tǒng)在核電廠能夠提供必要的狀態(tài)數(shù)據(jù)的情況下，能夠很好地滿足上述需求，是核電智能化的一次有益嘗試。其意義主要表現(xiàn)在以下幾方面：

（1）能夠自動診斷核電廠事故發(fā)生的根本原因，幫助核電廠事故決策人員透過現(xiàn)象看到本質(zhì)，給出有針對的處理意見；

（2）通過在線仿真的手段跟蹤到核電廠的事故狀態(tài)，使得事故狀態(tài)完全透明化，給事故處置決策提供足夠詳細的事故信息；

（3）基于獲得事故狀態(tài)快速預測事故未來的發(fā)展及干預措施的效果，滿足預知事故未來走勢及干預措施正負面性評價的需求，是事故處置決策的有力支持工具。

［1］ 湯搏，柴國旱. 中國核安全當局目前對核電廠嚴重事故方面管理要求的綜述［C］. 核動力廠嚴重事故管理研討會，深圳，2009.

［2］ 中核武漢核電運行技術(shù)股份有限公司.“核電廠嚴重事故條件下快速決策支持技術(shù)研究”項目技術(shù)總結(jié)報告［R］. CNP/SR/A160620/RP/0005.

［3］ Hiroshi Ono，Hideo Konishi. Analysis of early stage accident at TEPCO’s Fukushima Daiichi NPS［C］. 21th International Conference on Nuclear Engineering（ICONE21），Tokyo，Japan，2013.

［4］ FAUSKE, ASSOCIATES，INC. MAAP5 Computer Code Manual，Volume2：Part 1 Code Structure and Theory［Z］. 2014.

［5］ Chih-Ming Tsai，Shih-Jen Wang，Show-Chyuan Chiang. An Out-Of-Box Approach To Integrate An Optimization Algorithm And MAAP5 For Parameter Identification［J］. Nuclear Technology，2010（12）：237-245.

The Development of an Online Nuclear Power Plant Severe Accident Detection and Evaluation Expert System

WEI Wei，LI Qing，XIE Zhengquan，HUANG Xiong，MA Guoyang，XIE Mingliang

（CNNC Key Laboratory on Nuclear Industry Simulation，China Nuclear Power Operation Tech.Co.，Ltd.， Wuhan of Hubei Prov.，430223，China）

Under the severe accident of nuclear power plant, emergency responders need to judge the state of the plant and give the correct accident disposal strategy. An accident detection and evaluation expert system (ADEES) base on the MAAP5 software was designed to fulfill the objectives to automatically detect abnormal conditions and diagnose the root cause(s) of the condition, and automatically track plant conditions and confirm the diagnoses with calculations of a thermal-hydraulic model of the plant, and predict the plant condition evolution and evaluate consequences of accident management actions by running the plant model faster-than-real-time, and provide key information to plant safety people to implement SAMG, so as to provide auxiliary support for emergency decision-making and accident disposal. This work was supported by the project: National Key R&D Program of China (Grant No. 2019YFB1900700).

Severe accident; ADEES; MAAP5; SAMG; Emergency decision; Accident disposal

TL334

A

0258-0918（2023）05-1113-09

2022-02-22

國家重點研發(fā)計劃支持項目(No. 2019YFB1900700)

魏 ?。?985—），男，江西九江人，高級工程師，博士，現(xiàn)主要從事核安全與核應急相關(guān)研究