[发明专利]基于FCNN与PSO相结合的事故序列筛选方法

说明书

本发明公开了一种基于FCNN与PSO相结合的事故序列筛选方法，涉及事故序列筛选技术领域，包括以下步骤：S101.明确研究对象、目标参数，完成确定论与概率论建模；S201.采用并发计算方法，并发计算RELAP5程序，快速构建深度学习数据库；S301.采用FNCC分析方法构建深度学习替代模型，代替RELAP5进行事故分析；S401.采用PSO方法，调用替代模型进行事故分析，快速捕捉各个事故序列最优解，筛选出需要进行BEPU分析的序列。本发明通过全连接神经网络构建替代模型代替传统的系统仿真程序，提高单次事故分析效率，利用粒子群优化算法对构建的替代模型进行最优化计算，减少分析计算次数的高效事故序列筛选方法。

技术领域

本发明涉及事故序列筛选技术领域，尤其涉及基于FCNN与PSO相结合的事故序列筛选方法。

背景技术

传统的核电厂安全性评价方法是确定论分析方法(DSA)和概率论分析方法(PSA)。然而两种方法都具有一定的局限性：确定论安全分析方法仅针对发生概率极低的具有代表性的设计基准事故的特定序列进行安全分析，决策准则太过于保守。概率论方法能够很好的考虑事故进程中的随机不确定性，但其成功准则的计算假设很简化、保守，对核电厂小幅度运行状态变更能力较差。因此，DSA与PSA的风险指引的安全裕度特性分析方法(RISMC)成为了研究热点。

现有的RISMC方法是由PSA分析方法对所有事故序列进行建模，再利用最佳估算加不确定性分析方法(BEPU)对每个事故序列进行分析，得到最终的目标参数分布，以此判断核电厂的安全性能。如图1所示，为核电厂小破口失水事故RISMC方法的分析过程。为了衡量核反应堆堆芯完整性，以包壳峰值温度(PCT)作为目标参数。

以最佳估算程序RELAP5为例，采用i7-9700K 3.6GHz CPU计算机进行 5000s仿真计算需要约6min。为了保证不确定性分析结果的可靠性，一个序列采用随机抽样需要进行近千组计算。单序列串行计算分析需要约100h。当事故序列数量较多时，计算量过大。

因此，提出一种基于FCNN与PSO相结合的事故序列筛选方法，来提高单次事故分析效率、减小计算量，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于FCNN与PSO相结合的事故序列筛选方法，有效提高了单次事故分析效率、减小计算量。

为了实现上述目的，本发明采用如下技术方案：

基于FCNN与PSO相结合的事故序列筛选方法，包括以下步骤：

S101.明确研究对象、目标参数，完成确定论与概率论建模；

S201.采用并发计算方法，并发计算RELAP5程序，快速构建深度学习数据库；

S301.采用FNCC分析方法构建深度学习替代模型，代替RELAP5进行事故分析；

S401.采用PSO方法，调用替代模型进行事故分析，快速捕捉各个事故序列最优解，筛选出需要进行BEPU分析的序列。

可选的，S101具体包括以下步骤：

S1011.根据确定论对研究对象进行建模；

S1012.根据概率论模型，确定所有事故序列；

S1013.确定不确定性参数、分布和目标参数；

S1014.进行参数敏感性分析，筛选关键参数。

可选的，S1011.根据确定论对研究对象进行建模具体包括以下步骤：

S10111.明确分析对象和事故；

S10112.获取建模过程中所需要的所有参数信息；