一种核电厂大破口事故分析方法与流程

本发明涉及核电厂事故分析技术领域，尤其涉及一种核电厂大破口事故分析方法。

背景技术：

反应堆冷却剂丧失事故，简称失水事故(loca)，是指一回路压力边界产生破口或破裂，或阀门误开启，造成一回路冷却剂装量减少的事故。其中，大破口失水事故(lbloca)，因事故现象非常复杂、后果严重，其裕量(该事故一般极限的验收准则为包壳峰值温度，pct)直接限制了核电厂的经济性，是最重要的设计基准事故之一。

核电发展初期，采用保守的分析方法和假设，保守的loca分析方法采用的评估模型必须严格遵守附录k的要求，在当时的历史条件下，由于认知的局限和工具的欠缺，无法人为界定数据和模型的不确定性，而不得不在事故分析的各方面引入足够的保守性假设，因此，最终分析得到的结果偏于保守。

而后nrc开发了一种最佳估算+不确定性分析方法，要求逐一量化事故分析中的不确定性(初始条件、边界条件、程序模型参数等)，需要进行大量的抽样计算。相较保守评价方法，最佳估算+不确定性分析方法通过不确定性分析来界定计算结果与其真实值间的差距，对安全裕量进行了更合理的评价。但是，最佳估算分析方法，实际运用时每次需要对参数进行复杂的不确定性分析，进行大量的抽样计算，因此结果不够保守。

1992年，珐玛通和edf开始建立基于最佳估算程序cathare的确定论现实方法(drm)。确定论现实方法(drm)是基于统计和确定计算的方法，其目标就是用统计分析方法量化所有的不确定性，以保守的模型覆盖量化得到的不确定性，从而在保守的前提下减少非量化不确定性引起的过多保守假设。确定论现实方法(drm)的保守性介于保守分析方法和最佳估算分析方法之间，然而，随着设计要求的提高，drm方法逐渐难以满足核电厂设计经济性与安全性的平衡需求，该方法虽然比保守方法减少了过分保守的因素，但仍有较大未量化的不确定性，存在较大可挖掘的裕量。

技术实现要素：

本发明所要解决的技术问题在于，提供一种核电厂大破口事故分析方法，以避免大量的不确定性分析计算，并提高分析的合理性和准确性。

本发明提供的一种核电厂大破口事故分析方法，可包括：

步骤s1，建立电厂模型用于捕捉现实的大破口失水事故的主要物理现象和瞬态；

步骤s2，分析并确定影响所述主要物理现象和瞬态的关键参数；

步骤s3，对所述关键参数进行分类，所述关键参数至少分为保守假设参数、抽样参数以及惩罚参数；

步骤s4，对所述保守假设参数设定最恶劣条件假设，并对所述抽样参数和所述惩罚参数进行不确定性量化分析，以获得设定水平下的目标参数值；

步骤s5，从所述惩罚参数中选择惩罚模型进行惩罚处理，以使用惩罚处理后得到的惩罚参数获得的目标参数值包络所述设定水平下的目标参数值。

其中，在步骤s5之后还包括：

步骤s6，将惩罚处理后获得的目标参数值与最佳估算+不确定性分析方法获得的目标参数值进行比较，若所述惩罚处理后获得的目标参数值包络所述最佳估算+不确定性分析方法获得目标参数值，则确定惩罚处理后获得的目标参数符合保守性要求。

其中，所述步骤s4具体包括：对所述保守假设参数设定最恶劣条件假设，并对所述抽样参数和所述惩罚参数进行不确定性量化分析，以获得95％置信水平下，95％概率下的目标参数值；

所述步骤s5具体包括：使用惩罚模型对所述惩罚参数进行惩罚处理，以使惩罚处理后得到的目标参数值包络所述95％置信水平下，95％概率下的目标参数值。

其中，在所述步骤s4中，对所述保守假设参数设定最恶劣条件假设时，参考最恶劣的事件序列、单一故障准则、技术规范书以及不同参数的认证范围、事故发生时的燃料循环中至少一种因素。

其中，所述最恶劣的事件序列包括电力供应、泵运行状态、破口类别以及破口安注管线的可用性中至少一种。

其中，所述不同参数包括温度、压力、水位以及设备可用性中任一种。

其中，在所述步骤s4中，通过数理统计方法或敏感分析法中至少一种对所述抽样参数进行不确定性量化分析。

其中，所述数理统计方法包括参数统计法和非参数统计法中任一种。

其中，所述参数统计法包括传统参数统计法和欧文因子法中任一种。

其中，所述非参数统计法包括wilks方法和bootstrap自助法中任一种。

其中，在步骤s5中，对所述惩罚参数进行不确定性量化分析具体包括：

采用响应面分析对所述惩罚参数进行不确定性分析。

其中，在所述步骤s5中，所述惩罚模型的选择需满足以下两个原则：

a、保证所述惩罚参数能够被所述惩罚模型所包络；

b、所选择的惩罚模型不应导致计算得到的破口事故分偏离真实。

其中，所述保守假设参数、所述抽样参数以及所述惩罚参数中的每一个具体参数还根据来源分为物理模型参数、初始条件参数和边界条件中任一种。

其中，所述目标参数包括包壳峰值温度和燃料包壳氧化膜厚度至少一种。

本发明实施例的有益效果在于：

本发明是保守处理叠加不确定性分析的大破口失水事故分析方法。相对于最佳估算+不确定性分析，本发明的方法通过引入惩罚模型，避免了大量的抽样计算，又增加了一定的保守性；相对于确定论现实方法drm，本发明的方法对输入参数(也即，关键参数)的不确定性进行了进一步量化，减少了过度的保守裕量。因此，本发明的方法既可以简化计算，保证一定的裕量，又能避免过度保守，具有一定的实用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的核电厂大破口事故分析方法的流程示意图。

图2是本发明实施例的核电厂大破口事故分析方法的细化流程示意图。

具体实施方式

以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。

请参照图1所示，本发明实施例提供一种核电厂大破口事故分析方法，包括：

步骤s1，建立电厂模型用于捕捉现实的大破口失水事故的主要物理现象和瞬态；

步骤s2，分析并确定影响所述主要物理现象和瞬态的关键参数；

步骤s3，对所述关键参数进行分类，所述关键参数至少分为保守假设参数、抽样参数以及惩罚参数；

步骤s4，对所述保守假设参数设定最恶劣条件假设，并对所述抽样参数进行不确定性量化分析，以获得设定水平下的目标参数值；

步骤s5，从所述惩罚参数中选择惩罚模型进行惩罚处理，以使用惩罚处理后得到的惩罚参数获得的目标参数值包络所述设定水平下的目标参数值。

具体实现中，步骤s5之后还可包括：

步骤s6，将惩罚处理后获得的目标参数值与最佳估算+不确定性分析方法获得的目标参数值进行比较，若所述惩罚处理后获得的目标参数值包络所述最佳估算+不确定性分析方法获得目标参数值，则确定惩罚处理后获得的目标参数符合保守性要求。

以下结合图2对各步骤分别进行详细说明。

在步骤s1中：

首先，基于工程分析经验，结合实验研究和数值模拟计算结果，对大破口失水事故的主要物理现象和瞬态进行了确认(步骤101)。例如，对于冷端大破口失水事故瞬态，主要有8个主要的物理现象：–燃料的能量释放；–喷放阶段堆芯的停滞现象；–喷放阶段的包壳-冷却剂传热；–eccs水进入压力容器的过程；–振荡再淹没阶段的包壳-冷却剂传热；–氮气进入一回路的效应；–稳定再淹没阶段的包壳-冷却剂传热；–再淹没阶段液体的夹带作用。

然后，分析最佳估算程序cathare程序的程序手册、用户指南、程序员指南、标准程序模型和关系式评估文件，以确定最佳估算程序cathare模拟特定现象的能力(步骤102)；

随后，基于所述最佳估算程序cathare，建立并优化捕捉所述主要物理现象和瞬态的电厂模型(步骤103)。首先，根据catharegb的用户手册，对电厂建立标准模型，随后对网格进行分析，最终使得网格数最少，同时仍然可以分析重要现象。该流程首先根据程序评估及应用经验确定网格，随后通过分离实验和整体实验的程序结果/实验值比较，对电厂模型网格进行迭代分析，最终得到最佳的模型网格，在确保能捕捉到重要现象的同时，使得计算分析量更少。edf和framatome联合开发了一系列的可选模型。

随后，还对模型进行了额外的评估(步骤104)，比如loft-l2.5测试；uptf7测试(蒸汽发生器(sg)液体夹带模型的改进)以及uptf10测试(压力容器下降段相分离模型的改进)等。

在步骤s2中：

根据之步骤s1中定义的主要物理现象，逐步分析每个现象的关键影响因素，并筛选出关键参数(步骤105)。最终得到了影响每个主要物理现象的关键参数。

在步骤s3中：

首先，根据来源将关键参数分为物理模型、初始条件和边界条件三组。随后，参考csau流程获取关键参数的不确定性分布。在最佳电厂模型网格的基础上，程序模型相关参数的不确定性通过大破口评估矩阵定量分析。程序模型的不确定性，则在确定了网格划分的基础上进行数值模拟，并与实验值进行比较后得到。此外，电厂参数的不确定性则来源于制造商的工程文件和技术规范。由此最终，将三组关键参数分类为保守假设参数、抽样参数以及惩罚参数分类(步骤106)。例如，对于cpr1000电厂冷段大破口事故分析，总共选择出70余个关键参数，见表1。

表1

在步骤s4中：

可针对每个lbloca的每个包壳峰值温度值(pct)进行不确定性分析。例如，对每个包壳峰值温度值(pct)获得95％置信水平下，95％概率下的参数值。在进行不确定性分析时，对保守假设参数设定最恶劣的条件假设(步骤107)，在设定最恶劣的条件假设时，参考：最恶劣的事件序列(如电力供应、泵运行状态、破口类别以及破口安注管线的可用性)；单一故障准则；某些技术规范书以及不同参数(温度、压力、水位、设备可用性)的认证范围；事故发生时的燃料循环(平均堆芯的寿期)。此外，可采用响应面分析对所述惩罚参数进行不确定性分析(步骤108)，以便引入相应的惩罚模型。此外，还采用合适的统计方法，对抽样参数进行不确定性量化分析，以获得95％置信水平下，95％概率下的参数值(步骤109)。

对抽样参数的不确定性量化分析具体使用：

1、数理统计方法

量化不确定性的数理统计方法分为参数统计法和非参数统计法2种。

参数统计法有传统参数统计法和欧文因子统计法：

关于传统参数统计法：

根据传统的参数统计法，首先采用恰当的正态性检验方法检验样本是否服从正态分布；当样本满足正态分布，则样本均值(μs)和总体均值(μp)以及样本标准差(σs)和总体标准差(σp)的关系为：满足t分布，满足χ²分布[6]。

对于统计量的置信区间的确定，在同样的置信水平下，双侧置信区间上限值比单侧置信区间上限值大，但是对于反应堆安全参数，根据其实际物理意义，只关注其单侧置信区间上限值。

对于给定的置信水平1-α＝95％，t分布统计量落在置信区间内的概率表达式为：

当查表得到tα(n-1)后，μp的单侧置信区间可完全由μs和σs决定，表达式如下：

同样地，由于满足χ²分布，对于给定的置信水平1-α＝95％，χ²分布统计量落在置信区间内的概率表达式为：

当查表得到后，σp的单侧置信区间可由样本标准差σs决定，表达式如下：

保守考虑采用单侧置信区间上限值作为μp和σp的估计值，即：

进一步估算满足95％概率值的上限值，即：

y95/95＝μp+1.645×σp

关于欧文因子法：

利用欧文因子法进行统计处理，首先要利用适当的检验方法检验计算结果是否满足正态分布，如果满足正态分布，则直接查表得到欧文因子(kowen)，并通过μs及σs得到95％置信度下满足95％概率的单侧置信上限值(y95/95)，即：

y95/95＝μs+kowen×σs

关于非参数统计方法：

非参数统计方法源于直接蒙特卡洛方法，其特点是不去直接获得输出参数[如包壳峰值温度(pct)]的概率分布函数。非参数统计法是一种不依赖于某种特定理论分布的统计推断方法，其所推断和检验的不是总体参数，是不依赖于某种特定的理论分布的总体分布特征，对资料信息的条件要求相对宽松，适用范围广。非参数统计方法包括wilks方法和bootstrap自助法。

关于wilks方法：

wilks方法的特点是不需获得输出参数(如pct)的概率分布函数，而是在一定置信水平下得到抽样总体在某概率水平的上限边界值。非参数统计抽样技术可通过随机抽样得到未知分布参数的误差容许限，由wilks公式可计算满足一定置信度的期望容许限的随机抽样样本容量。wilks公式为：

β＝(1-γ)ⁿ

式中，β为置信水平；γ为概率水平；n为样本容量。

通过统计分析以95％(β＝0.95)的置信水平得到95％(γ＝0.95)的边界限定值。代入计算便可得到样本容量为n＝59，即对于单个输出变量，取59个样本值中最大值即为95％(β＝0.95)的置信水平下，95％(γ＝0.95)概率值的边界限定值。guba在2003年提出了更一般性的理论，可应用于同时输出多个变量[如pct、局部最大氧化率(lmo)、总氧化率(cwo)]的情况。guba公式为：

取置信水平β＝0.95，概率水平γ＝0.95，p为输出变量数目，取p＝1，计算得n＝59；取p＝2，计算得n＝93；取p＝3，计算得n＝124。

关于bootstrap自助法：

bootstrap自助法的基本思想是：在有n个原始数据的范围内作有放回的抽样，样本容量仍为n，每个观测对象被抽到的概率相等，即为1/n[7]。它将样本看作整体，将从样本中抽样得到的子样本称为bootstrap样本，每得到一个bootstrap样本就计算一个统计量的观测值，重复n次(一般n＝1000或更多)，就得到该统计量的n个观测值，从而获得该统计量的经验分布，然后进行统计推断。由于bootstrap自助法的计算量很大，本文借助计算机软件matlab来处理计算,得到95％置信水平下的μbootstrap和σbootstrap的值，进一步通过正态性检验方法检验计算结果是否服从正态分布；若服从正态分布，则得到95％概率水平的上限值为：

y＝μbootstrap+1.645×σbootstrap

2、敏感性分析法

该方法来自于西屋公司计算偏离泡核沸腾比(dnbr)设计限制改进的热工水力设计方法(itdp)[8]，本文用于loca不确定性量化分析。假设输入参数之间相互独立，各参数值xi在其名义值μi附近小范围扰动。目标参数y的变化与各个输入参数的变化关系为：

由微分近似定义敏感性因子对上式积分得到令xi＝μi(i＝1,2,3,...,n)，则y＝μy。根据误差传递公式：

式中，σi/μi为偏离系数，表示各个变量偏离名义值的程度。

根据中心极限定理，若随机变量序列x1，x2，...,xn，相互独立且有有限的数学期望与方差，则y＝f(x1,x2，...,xn)趋近于正态分布[6]。所以，y在95％概率水平下的单侧上限值为：

y＝μy+1.645×σy。

具体实现中，本发明实施例的目标参数除了可为包壳峰值温度值(pct)之外，还可为燃料包壳氧化膜厚度。

在步骤s5中：

为了包络步骤s4获得的pct双95值，本发明在电厂模型中引入了保守裕度，称为惩罚处理(主要指对惩罚模型进行惩罚处理)(步骤110)。惩罚模型的选择需要满足以下两个原则：

a、保证所述惩罚参数能够被所述惩罚模型所包络；

b、所选择的惩罚模型不应导致计算得到的破口事故分偏离真实。

但在实际的计算分析中，由于不同的参数对瞬态过程以及pct结果的影响程度不同，为了尽可能地既不影响瞬态过程，同时又同时能包络pct双95值，最终可选择对几个参数进行惩罚。表2即为归纳的一种惩罚模型。

表2

如表2所示，步骤s5所谓的惩罚处理实际为确定出可包络pct双95值的惩罚模型的变化范围。经过分析，表2最右边一列最终确定出8个可包络pct双95值的惩罚模型的变化范围。

具体实现中，可将步骤s110惩罚处理后的惩罚参数获得的目标参数计算结果与最佳估算+不确定性分析方法获得的目标参数值进行比较，若所述惩罚处理后获得的目标参数值包络所述最佳估算+不确定性分析方法获得目标参数值，则确定惩罚处理后获得的目标参数符合保守性要求(步骤111)。

通过上述说明可知，本发明的有益效果在于：

本发明是保守处理叠加不确定性分析的大破口失水事故分析方法。相对于最佳估算+不确定性分析，本发明的方法通过引入惩罚模型，避免了大量的抽样计算，又增加了一定的保守性；相对于确定论现实方法drm，本发明的方法对输入参数(也即，关键参数)的不确定性进行了进一步量化，减少了过度的保守裕量。因此，本发明的方法既可以简化计算，保证一定的裕量，又能避免过度保守，具有一定的实用价值。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。