close

Вход

Забыли?

вход по аккаунту

?

Метод идентификации типа и прогнозирование последствий аварии на АЭС

код для вставкиСкачать
Ha npasecpyKonucu
IIbIOH| BAFI KXAFIb Hb.flT
TI,rrrAr,r[POrrrOSrrPOBAHnE
METOAIUEHTT,T@IIKArII{U
rro cJrEAcr Brffi ABAPwrl HA A3C
CnequanbHocrb 05.14.03 - fllepnbre eneprerrrrrecKr{eycraHoBKI{,BKJrIoqzuI
3Kc[JryaTarlEroH BbrBoArr3 3Kc[JryaTarlwl4
npoeKTlrpoBaHr,re,
AnropeQepar
Arrcceprarl[[ HacorrcKaulrey.rdnoficrerreHrr
rexHrrqecKrrx
HayK
KArrArrAara
MocKsa - 2016
Pa6ora BbrnoJrHeHaHa rca$e4pe .ArouHbrx eneKrpprqecKplxctauqufi OfBOy
BO
(Htr{Y(M3lI>
:
Ilayunrrfi pyrcoBoArrreJrb
Bopo6s6n IOpnfi EopncoBrrr
KaHAuAarrexHuqecKlrx HayK,BeA.H.c.@fEY
<<HaquoHamurrfi HccneAoBareJlrcxufi IIeHTp <KyprlaroBcrufi LIHcrr4Tyr>,r. Mocrna
OQnqHaJrbHbIe
CononbeB Ceprefi JIeoHnAoBrIrr
ONNOHEHTbI:
HayK,
AOKTOpTexHLTqeCKLIX
HayqHbrfi pyroBoALITeJIsrro MareMarI/FIecKoMy
MoAenrpoBaHrrroAO (BHI4I,IA3C>, r. MocKBa
flurnnrcon lrvrnrpnfi AprcagbeBrrrr
TeXHI{IIeCKpIX
HayK,
KaHAr4AaT
Haq€urbHrrK
ra6oparoppll4
OEy
<<Hay.rHo-
TexHlrqecrufi IIeHTp rlo a4epnofi v pa4vra\tronHofi
6esonacHocrrl), r. Mocrea
Beayqafl opraHrl3arlrrfl :
Tpy4onofo
ArqraoHepHoe o6ulecrno <<OpAeHa
Kpacnoro 3naueHLIu op.ueHarpyAa IICCP orIbITHoe
6ropo (|I4FOIIPECC>,
KoHcrpyKropcKoe
MocroBcKaro6r., r. floAoJrbcK
cocrorlrrcs(08> Seepars,2017r. s 14 qac. 00 nrun.Ha3aceAa3aqnra Alrcceprarlr4kt
coBera[ 2I2.L57.07 rpu OfBOy BO (HlTy (MOI4>)ro
lavrvr
Ancceprarlr4oHHoro
aApecy:111250, r. Mocrn&, yn. KpacHoKa3apMeHHar,
A. 14, 3at Y.renoro Coseta
HITY (M3I4>.
OfEOy BO (Htr{y (M3I4>.
B 6pr1rruoreKe
C AucceprarlrefiuoxHo o3HaKoMurbcn
AnropeQeparpa3ocnaH(
)
2016r.
Yqeusrfi cerperapb ALIccepraIIIdoHHorocoBera
[2I2.I57 .07 K.r.H.,AoIIeHr
l4;nsunakI.fI.
3
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. В процессе функционирования АЭС происходит
взаимодействие их разнообразных компонентов и различных физических процессов, что обуславливает сложное поведение как отдельных элементов АЭС,
так и всей системы при нормальной эксплуатации и, особенно, в аварийных
режимах. Поток информации, поступающий к оператору, характеризуется многомерностью, взаимовлиянием между компонентами, наложением стохастических погрешностей. Все это затрудняет правильную идентификацию состояний
АЭС, прогнозирование их развития и планирование эффективных противоаварийных мероприятий, что особенно актуально в том случае, когда необходимо
быстро принять решение. В дополнение необходимо учитывать возможные
сбои, ошибки элементов системы контроля компонентов оборудования АЭС,
когда индикация о нормальной или аварийной работе насоса, клапана и т.д. на
пульте оператора может не соответствовать действительности, а также психологический стресс в аварийной ситуации.
Имеющиеся системы поддержки оператора обычно базируются:
 на определении предаварийной ситуации и факте возникновения аварии на основе идентификации отклонения контролируемых параметров от номинальных значений;
 в основном рассматривается только начало аварии и учитывается относительно небольшое количество возможных вариантов;
 не учитываются стохастичности характеристик аварийных процессов,
неопределенности, связанные с прогнозированием по системным интегральным кодам, возникновением аварии.
В тоже время для принятия действенных противоаварийных мероприятий
необходима система, позволяющая:
 не только сигнализировать о возникновении аварии, но и распознавать
тип аварийной ситуации;
 осуществлять поддержку оператора или кризисного центра непосредственно в процессе протекания аварии;
 учесть все возможные неопределенности самой системы АЭС, связанные с условиями возникновения аварий и с моделированием по современным расчетным кодам (если при построении системы распознавания используется база данных по авариям созданная ими);
 иметь возможность настраиваться на большое количество аварийных
ситуаций;
 осуществлять относительно независимый контроль за состоянием оборудования АЭС.
Для решения этой проблемы в диссертации представляются подходы,
реализующие подход по идентификации аварии на основе нейронных сетей
(НС). Особенность предлагаемого метода заключается в совместном, гармоничном применении новых и также хорошо апробированных методов анализа
безопасности АЭС.
4
Цель и основные задачи работы. Целью диссертационной работы является обоснование и создание метода построения системы идентификации аварий на АЭС для различных стадий их развития и, на этой основе, прогнозирование последствий.
Для достижения этой цели необходимо решить следующие задачи:
- изучение особенностей построения системы идентификации аварий на
основе математических моделей нейронных сетей (НС);
- создание расширенной базы данных для аварий 64-х разных типов и характеристик с использованием метода анализа неопределённостей (АН) и
применением кода RELAP5;
- анализ и оценка качества полученной базы данных;
- создание методов для настройки системы идентификации аварий на основе НС для большого количества аварий (64-х разных типов и характеристик) и на разных стадиях их развития;
- расчёты по настройке системы идентификации аварий для демонстрации
работоспособности системы для распознавания аварийной ситуации в начальной стадии и для различных стадий развития аварий.
Методология и методы исследования, достоверность результатов.
Поставленные задачи в настоящей работе решались на основе проведения
расчетных исследований с использованием математических моделей, анализа и
оценки полученных результатов.
Достоверность результатов работы обеспечивается:
 совместным, гармоничным использованием, как новых современных
инструментов/методов обработки информации и вычислений, так и
уже хорошо апробированных вариантов: моделирования аварийных
процессов на АЭС с использованием системных кодов; методов анализа неопределенностей; математического моделирования на основе
нейронных сетей; технологии параллельных вычислений;
 сопоставлением результатов с имеющимися публикациями в литературе по: методам идентификации аварий на АЭС; моделированию
аварийных ситуаций на основе системных кодов; применению методов анализа неопределенностей.
Научная новизна. В работе получены следующие новые научные результаты:
- разработан метод для построения системы идентификации аварийных
ситуаций на АЭС на основе НС с учетом стохастических отклонений
параметров (АН);
- разработан подход для идентификации стадий развития аварий;
- впервые отработан процесс создания расширенной базы данных для
системы идентификации разных типов аварий для ВВЭР-1000 с учётом неопределенностей в контролируемых параметрах;
- разработан метод иерархического бинарного дерева для успешной
идентификации аварий в расширенной базе данных и на разных стадиях их развития;
5
- впервые успешно проведено тестирование созданных методов на основе расширенной базы данных разных типов аварий для ВВЭР-1000;
- разработан алгоритм учета различных вариантов отказа системы контроля.
Практическая ценность работы состоит в следующем:
Создание метода построения системы идентификации аварии и прогнозирования последствий, который может быть использован для создания реальной
системы для АЭС с РУ ВВЭР-1000 и других типов для:
 поддержки оператора или кризисного центра;
 кросс-верификации существующих систем поддержки оператора или
кризисного центра и действий на основе симптомно-ориентированных
аварийных инструкций;
Проработка основных моментов создания системы идентификации аварий на АЭС и ее функционирования, как в начале аварии, так и в процессе ее
развития на основе расширенной базы данных;
Формулировка направлений дальнейшего развития подхода для его практического внедрения;
Результаты, полученные в данной работе представляют практический интерес для обеспечения безопасности строящихся во Вьетнаме АЭС.
Основные положения и результаты, выносимые на защиту
1. Метод построения системы идентификации аварийных ситуаций на
АЭС на основе НС с применением метода АН;
2. Метод решения задачи идентификации аварий в процесс их развития;
3. Создание расширенной базы данных для системы распознавания аварий для РУ ВВЭР-1000, анализ ее качества;
4. Метод использования иерархической системы на основе бинарного
дерева для распознавания большого типа аварий;
5. Метод учета стохастических характеристик для идентификации аварий на АЭС в процессе их развития;
6. Результаты тестирования разработанных методов и алгоритмов на основе созданной расширенной базы данных для РУ ВВЭР-1000;
7. Алгоритм учета возможных вариантов отказа компонент системы
контроля.
Апробация работы. Основные положения диссертационной работы, результаты теоретических и расчетных исследований докладывались и обсуждались на:
1. 8-ой и 9-ой Международных научно-технических конференциях
(МНТК) «Обеспечение безопасности АЭС с ВВЭР», ОКБ «ГИДРОПРЕСС», г. Подольск, 2013 и 2015 г.
2. Конференциях молодых специалистов «Инновации в атомной энергетике», ОАО «НИКИЭТ», Москва, 2013 и 2015 г.
3. IV и VI Международных конференциях: «Облачные вычисления. Образование. Исследования. Разработка», ИСПРАН, Москва, 2013 и
2015 г.
6
4. ХХ-XXII МНТК «Радиоэлектроника, электротехника и энергетика»;
ФГБОУ ВО «НИУ «МЭИ», Москва, 2014 – 2016 г.
5. Международной научно-методической конференции «Информатизация инженерного образования (Инфорино-2014)», ФГБОУ ВО «НИУ
«МЭИ», Москва, 2014 г.
6. Третьей МНТК «Инновационные проекты и технологии ядерной энергетики», ОАО «НИКИЭТ», Москва, 2014 г.
7. Международной научно-практической конференции «Информатизация инженерного образования (Инфорино-2016)», ФГБОУ ВО «НИУ
«МЭИ», Москва, 2016 г.
8. Заседании кафедры АЭС, ФГБОУ ВО «НИУ «МЭИ», 2016 г.
Публикации. По теме диссертации опубликовано 15 печатных работ, отражающих основные положения исследования, в том числе 3 статьи в журналах, входящих в перечень ВАК РФ.
Структура и объём работы. Диссертационная работа состоит из введения, четырех глав, выводов по работе, списка использованной литературы из
135 наименований. Работа содержит 177 страницы текста, 15 таблиц, 66 рисунков.
СОДЕРЖАНИЕ РАБОТЫ
Во введении диссертации обоснована актуальность темы работы, сформулированы цель и задачи научного исследования, изложены научная новизна,
практическая значимость, основные положения и полученные результаты, выносимые на защиту.
В первой главе проведен аналитический обзор имеющихся в литературе
подходов по идентификации типа аварий на АЭС.
В начале первой главы диссертации представлена общая характеристика
проблемы диагностики аварий на АЭС – она отличается от стандартных проблем диагностирования технологического оборудования тем, что процессы,
происходящие на АЭС существенно сложнее, существует их взаимодействие,
они могут иметь разную природу – нейтронно-физические, теплогидравлические и т.д., сама станция представляет собой сочетание большого количества
компонент оборудования, взаимодействующих сложным образом в процессе
нормальной эксплуатации и, тем более, во время аварии. По сравнению с обычным технологическим оборудованием, аппаратная диагностика АЭС также затруднена в силу большого количества компонент и специфики ядерных процессов, затрудняющей такой контроль. Исходя из этих соображений, подходы к
диагностированию аварий, в общем, можно представить следующим образом:
 Идентификация отказов, относящихся к небольшому оборудованию
или простой системе;
 Идентификация отказов, относящихся к сложной системе.
Задача идентификации типа аварий на АЭС относиться к задаче диагностики сложной системы. В ней отсутствует возможность обеспечить полный
мониторинг всех компонент объекта или он может быть потерян в процессе
7
развития аварии и, следовательно, нужно осуществлять диагностику на основе
тех параметров, по которым возможен контроль. В случае АЭС это, как правило, параметры, отображающие наиболее важные характеристики станции с точки зрения безопасности, например, давление первого и второго контуров, температура на входе и выходе активной зоны и т.д. – т.е. макропараметры.
В первой главе диссертации рассмотрены коротко общие моменты распознавании отказов технологического оборудования и подробно изложены основные существующие методы идентификации аварий на АЭС, характеристики,
достоинства и недостатки каждого метода. Анализ текущих походов к идентификации аварий на АЭС показал, что имеются разные методы для выполнения
данной задачи и применение НС является одним из самых часто используемых
и эффективных методов. При их использовании можно выделить следующие
вопросы и, соответственно, направления их решения:
1. Существует проблема выбора правильной архитектуры НС и использование эффективной процедуры ее обучения;
2. В процессе настройки НС необходимо учесть все возможные неопределенности, связанные как с непосредственно с измеряемыми параметрами,
так и с используемыми моделей аварий;
3. Рассмотренные методы идентификации ограничены начальной стадией
аварии, однако большинство аварийных ситуаций могут иметь различные
пути реализации в зависимости от вариантов срабатывания компонент
систем безопасности АЭС, действий оператора и т.п. Система идентификации должна иметь возможность успешно функционировать также и в
этом случае;
4. В моделировании процессов на АЭС для систем идентификации часто
используются упрощенные модели, что ухудшает способность системы
определять тип аварии, особенно в процессе ее развития. Использование
интегральных кодов типа КОРСАР, Relap5 и т.п., прошедших обширную
процедуру верификации, позволит решить данную проблему;
5. В представленных в литературе работах функционирование системы
идентификации ограничивается небольшим количеством типов аварий на
АЭС. Неясно насколько эффективно будет функционировать система при
существенно большем количестве аварий и необходимо это исследовать;
6. Существует проблема распознавания «неизвестной» аварии и корректное
использование процедур вероятностного анализа безопасности (ВАБ) при
формировании базы обучения НС позволит это решить;
Глава заканчивается выводами и постановкой задач исследования.
Во второй главе представлены формальная постановка задачи построения системы идентификации аварии на АЭС, методы используемые для построения системы идентификации аварий на АЭС.
В начале второй главы диссертации, представлен общий формализм системы идентификации аварии на АЭС на основе нейронных сетей. В процессе
функционирования АЭС имеется возможность контролировать вектор параметров Y
, который зависит от времени t: Y(t). Данный вектор представляет собой физические параметры (например, давление на входе в реактор, тем-
8
пература), состояние оборудования (включено/выключено) и т.д. Также имеется множество возможных аварийных ситуаций на АЭС –
. Пусть
аварийная ситуация Ai начинается в момент времени t0. С момента времени t0 и
в течение интервала Δt существует m наблюдений вектора Y(t) – множество
. Задача заключается в установлении соответствия между реализацией множества YА и конкретным элементом множества A. Т.е. в отображении YAi → Ai. Связь можно установить на основе анализа динамики АЭС в процессе аварии с помощью интегральных кодов типа КОРСАР, RELAP5. Обозначим интегральный код как C. Для каждого элемента Ai множества A можно
рассчитать m значений вектора наблюдений Y(t) для промежутка времени с начала аварии Δt: Ai → С →
. Задача системы идентификации заключается в автоматизации процесса соотнесения во время аварии величин YAi
и YAic (реальных и смоделированных с помощью интегральных кодов) и определении соответствующего элемента Ai A и, следовательно, прогнозу последствий аварии т.к. имеется ее моделирование по коду С.
Интегральные расчетные коды типа RELAP5 отображают процессы с некоторой погрешностью ΔYAi=YAic - YAi, которая носит, в общем случае, случайный характер и имеет функцию распределения FAi. Это необходимо учесть в
процессе определения Ai. Также существуют параметры модели аварии имеющие чисто стохастическую природу. Например, это может быть текущая мощность реактора, отказы систем и т.д. Это вносит дополнительную случайную
составляющую в ΔYAi и FAi.
Анализ современных технологий показал, что автоматизацию соотнесения величин YAic и YAi как во время наступления аварии, так и в процессе ее
протекания оптимально выполнить на основе НС. Погрешности расчетов по
кодам C → ΔYAi и их вероятностные характеристики FAi учитываются в рамках
метода АН. Архитектура системы изображена на рис.1.
В процессе развития аварии могут происходить отказы компонент оборудования системы аварийного охлаждения активной зоны (САОЗ), неправильные действия оператора и т.д. Задача заключается в идентификации путей протекания аварии. Качественно задача может быть представлена следующим образом. Имеется некоторое множество аварий
, основанных на начальных событиях, определенных в рамках ВАБ. В процессе развития аварии Ai
при изменении параметров АЭС создаются условия для возникновения события
– k, например, отказ на срабатывание компонентов системы САОЗ. Данное событие вызывает изменение стандартного протекание аварии из состояния Ai в
состояние Aik. Т.к. в системе идентификации учитывается возможность стохастических отклонений на основе анализа неопределенностей, то временная точка
tAik для перехода Ai  Aik будет варьироваться, порождая интервал tAik от некоторой начальной точки возможного ветвления на основе события – k  tAik.
Особенность этого интервала заключается в том, что для временной точки
tjtAik при рассмотрении параметров контроля Y(t) одновременно будут присутствовать: варианты аварий сгенерированные в рамках АН для стандартных
реализаций Ai без события k; для уже совершенного перехода Ai Aik в точках
9
tk[tAik , tj] и для тех вариантов Ai  Aik, для которых переход произойдет на
интервале tk[tj , tAik + tAik]. Т.е. при использовании метода АН на интервале
tAik произойдет как ошибочное обучение НС так и последующая идентификация аварий перехода Ai  Aik. Т.е. имеется «мертвая зона» или временное окно
tAik. На рис. 2 это качественно представлено для двух типов аварий Ai и Aj. На
рисунке для обоих вариантов имеется коридор реализаций Ai и Aj, полученный на основе АН «Ai – min» – минимальная реализация и «Ai – max» – максимальная для аварии Ai и т.д. Ширина коридора реализаций определяет tAik или
tAjk.
Анализ неопределенностей
Формирование
множества аварийных
ситуаций
Множество параметров модели АЭС, подлежащих
варьированию; тип и параметры распределения для
каждого параметра. Xi={Xij, j=1,…,v | ij, Fij(Xij)}
Расчетный интегральный код C : YAс
Обучающее множество
Ао
Контрольное множество
Ат
Реальная внештатная ситуация на АЭС: Ai
Выбор архитектуры
нейронной сети, ее
настройка
Параметры настроенной нейронной
сети
Идентификация аварийной ситуации
на АЭС: YAi → Ai ;
Прогноз последствий
Рис. 1. Архитектура системы идентификации типа аварийной ситуации с использованием НС
Для снятия этой проблемы в системе распознавания, было предложено
несколько алгоритмов решения: 1) выделение tAik для аварии и исключение
аварии типа Ai в данном интервале из распознавания; 2) определение типа аварии Ai и построения семейства НС для более точной идентификации перехода
10
Ai  Aik ; 3) коррекция базы данных настройки А и уточнение процедур АН
для интервала tAik для сужения временного окна tAik.
Рис. 2. Качественное представление проблемы идентификации типа аварии в процессе ее протекания,
где min и max являются минимальной и максимальной границей реализаций соответствующих аварий в результате АН
Далее в главе выделены основные понятия, характеристики НС и методы
её настройки, рассматриваются основные архитектуры НС. Для текущих целей
в диссертационной работе используется стандартная многослойная НС. Ее обучение реализуется на основе алгоритма обратного распространения ошибки.
При этом преследуется обеспечение максимального качества прогноза. Для
этого исходные данные для настройки НС - Aн случайным образом разделяются
на два подмножества – обучающее Ао и контрольное Ат в пропорции 75% и
25%, что является обычной практикой в НС. Настройка НС по алгоритму обратного распространения ошибки с адаптивной коррекцией производится на Ао,
а независимый контроль качества обучения на Ат.
Множества базы данных для настройки НС системы идентификации создаются с использованием моделирования аварий на основе кодов улучшенной
оценки типа КОРСАР, RELAP5 и т.п. В данной работе в качестве системного
кода улучшенной оценки выбран код RELAP5 по следующих причинам:
 Выбранное множество аварий адекватно моделируется кодом;
 Имеется хорошая база верификации кода;
 Большой положительный мировой опыт использования;
 Код аттестован для РУ типа ВВЭР;
 Имеется опыт проведения анализа неопределенностей.
В следующей части главы приводится краткое описание основных особенностей кода RELAP5, иллюстрирующее его возможность адекватно отобразить рассматриваемые далее аварии для идентификации.
В описании предлагаемого подхода указывалось, что в составлении базы
данных аварий A для обучения НС необходимо учесть стохастические отклонения реальной аварии от моделируемой на основании АН, основные принципы
11
которого рассмотрены в конце главы. Здесь представлены основные методы
анализа неопределенностей. Подход на основе использования формулы Вилкса
выбран для определения необходимого минимального количества расчетов.
Третя глава. В диссертационной работе представляется исследование по
адаптации и наладки системы идентификации для расширенного набора различных сценариев аварий на АЭС для модели РУ ВВЭР-1000/В320 кода
RELAP5 и для варианта развития аварийной ситуации в течении 6000с. В данной модели используются стандартные характеристики РУ ВВЭР-1000/В-320. В
главе представляются основные характеристики РУ ВВЭР-1000/В320, описывается ее модель на основе кода Relap5.
При идентификации типов аварий, рассмотренных в данной работе наибольший интерес представляют процессы, происходящие в первом контуре РУ.
В состав модели 1-ого контура входят следующие основные элементы (рис.3):
 реактор;
 парогенераторы;
 главный циркуляционный насос (ГЦН);
 главный циркуляционный трубопровод (ГЦТ);
 система аварийного охлаждения активной зоны (САОЗ);
 система компенсации давления;
БРУ-А
БРУ-К
Второй контур
Турбина
ГЕ
ГА
ГЕ
ГА
КД
ПГ
Реактор
ПГ
ННД
ННД
ГЦН
НВД
ННД
II и IV Петли
Первый контур
I и III Петли
Рис. 3. Обобщенный вид нодализационой схемы РУ ВВЭР1000/В320
Для создания расширенной базы данных, на основе результатов ВАБ
АЭС для РУ ВВЭР-1000 и учитывая поставленные в работе цели, были выбраны аварии типа течи из первого контура с возможной вариацией места: холодная или горячая нитка. Размер течей варьировался с шагом 10 мм от 20 до 90
мм условного диаметра (ДУ). Также в качестве начального события накладывались комбинации отказов различного типа элементов системы САОЗ:
 отказ системы впрыска высокого давления JND на 4-ой петле;
 отказ одновременно 3-х систем насосов высокого давления JDH на 1ой, 2-ой и 3-ей петлях;
12
 отказ одного гидроаккумулятора (ГЕ САОЗа).
Отказы системы компонент САОЗ выбирались по принципу чувствительности последствий аварии к вводимому отказу. Комбинация различных отказов
позволила сформировать матрицу аварий из 64 разных типов и характеристик.
После формирования матрицы аварий для идентификации необходимо
проанализировать результаты моделирования ее элементов с помощью используемого системного кода (Relap5 в данной работе) на предмет разумности полученных результатов и, следовательно, в адекватности используемой модели
РУ. В диссертации приводиться пример анализа для двух характерных аварий:
1. Течь теплоносителя из горячей нитки первого контура с ДУ 30мм –
рис.4-5 (авария 1);
2. Течь теплоносителя из холодной нитки первого контура с ДУ 50мм с
наложением отказа насоса высокого давления – рис.6-7 (авария 2).
Во авариях первые 100с используются для достижения стационарного состояния модели РУ и исходное событие вводиться на 100-й секунде.
Рис. 4. Зависимость температуры оболочки максимального нагруженного ТВЭЛа от времени аварийного процесса
(авария 1)
Рис. 5. Зависимость давления в активной зоне от
времени аварийного процесса (авария 1)
Рис. 6. Зависимость температуры оболочки максимального нагруженного ТВЭЛа от времени аварийного процесса
(авария 2)
Рис. 7. Зависимость давления в активной зоне от
времени аварийного процесса (авария 2)
13
Проведенный анализ изменения основных параметров РУ для аварий
сформированной матрицы показал адекватность модели РУ ВВЭР-1000/В320
для построения расширенной базы для настройки системы идентификации.
Важной задачей для успешного функционирования системы идентификации аварии на АЭС является правильный выбор множества параметров для мониторинга состояния АЭС. В данной работе для этого были выбраны: давление
теплоносителя на входе и выходе активной зоны (АЗ), давление теплоносителя
второго контура по парогенераторам, расход теплоносителя по петлям, температура на выходе АЗ, мощность реактора, расход через быстродействующую
редукционную установку атмосферную, уровни теплоносителя в компенсаторе
давления и парогенераторах, давление в горячих и холодных петлях. При рассмотрении модели РУ имеется 34 элемента контролируемых параметров для
отображения состояния реальной установки.
Далее в главе рассматривается применение АН для непосредственной генерации базы данных. Основываясь на литературных источниках, общее количество параметров неопределенностей для модели РУ ВВЭР-1000/В320 составляет 173, однако используя анализ чувствительности можно выделить только
оказывающие наибольшее влияние на характеристики безопасности АЭС - 10
наиболее существенных факторов. С учетом нодализации РУ для кода RELAP5,
общее число параметров для моделирования неопределенностей составило 64.
На основе формулы Вилкса было определено необходимое числа генерируемых вариантов 93. Чтобы учесть возможную нестабильность в работе расчетного кода на некоторых режимах, генерировалось 100 вариантов для каждого
элемента матрицы аварий. Для увеличения эффективности проведения АН была
использована техника параллельных вычислений. При реализации вычислений
использовалось 10 компьютеров с 4-мя ядрами процессора.
В процессе расчетов с моделью РУ ВВЭР-1000/В320 для каждой из 64-х
аварийных ситуаций значения 34-х контролируемых параметров аккумулировались в специальном файле. Суммарный объём данных каждой аварии по результатам АН составляет приблизительно 2,8 Гб и, таким образом, для всех 64-х
аварий объем общей базы данных занимает примерно 180 Гб.
Полученные данные расширенной базы данных необходимо проанализировать на непротиворечивость полученных результатов. Для этого результирующие данные по каждому типу аварии были представлены в виде доверительного интервала по контролируемым параметрам. В качестве примера на
рис. 8 - 9 представлены результаты расчетов аварийного процесса течи первого
контура из холодной нитки с ДУ 30мм.
Из полученных результатов после создания базы данных А64, были сделаны следующие выводы:
 существует значительное влияние параметров неопределенностей на
характеристики протекания аварии;
 разница между максимальным и минимальным кривыми достаточно
велик и изменяется нелинейно, что может влиять на качество процесса идентификации во время протекания аварии;
14
 все данные были сгенерированы нормально и их можно использовать
на следующих этапах настройки системы идентификации.
Рис. 8. Доверительный интервал зависимости давления на входе в активную зону от времени протекания аварийного процесса
максимальное,
минимальное и
среднее значения с учетом
неопределенности параметров
Рис. 9. Доверительный интервал зависимости температуры на выходе аз от времени протекания
аварийного процесса
максимальное,
минимальное и
среднее значения с учетом
неопределенности параметров
В четвёртой главе представлены результаты расчетных работ по разработке и оптимизации системы идентификации аварии на АЭС.
Важная компонента предлагаемой системы идентификации - это использование технологий НС, для которой важным является выбор оптимальных параметров. Это касается числа слоев и количества нейронов в каждом слое т.к.
15
существует проблема переобученности НС при слишком большом количестве
нейронов, и плохое прогнозирование, если количество нейронов будет недостаточным. Для решения этого вопроса, была разработана программа neuroV для
выполнения операций по автоматизированному нахождению оптимальных параметров НС, ее обучению и распознаванию аварийной ситуации. В программе
neuroV реализовано два алгоритма поиска оптимальной структуры НС:
1. на основе конструктивного подхода (метод перебора);
2. метод поиска глобального оптимума на основе генетического алгоритма (ГА).
Метод перебора реализуется на основе последовательного перебора всех
возможных комбинаций нейронов по заданному количеству скрытых слоев.
Однако данный метод будет неэффективен при наличии большого количества
комбинаций. В главе приводиться пример расчетов по нахождению оптимальной структуры НС с использованием ГА с помощью программы neuroV, где показывается, что ГА позволяет находить глобальный оптимум настройки НС за
существенно меньшее число шагов.
После определения оптимальной структуры нейронной сети необходимо
осуществить настройку системы идентификации. Для этого был разработан алгоритм на основе автоматизации итераций «обучение – проверка», функционирование которого в neuroV обеспечивает успешное обучение НС распознаванию типа аварии. На этой основе было проведено тестирование распознавания
аварий РУ ВВЭР-1000 для начального момента аварии для сформированной базы А64. В качестве базовой использована НС с одним скрытым слоем, с числом
нейронов равным: во входном слое контролируемым параметрам РУ и в выходном слое количеству распознаваемых сценариев аварий. На основе проведенных расчетов было показано правильное распознавание всех типов аварий.
Далее в четвертой главе рассмотрено исследование по идентификации
аварийных ситуаций с параметрами отличными от первоначально заданных при
настройки НС для начальной стадии аварии и было показано, что система осуществляет качественно преимущественно правильное распознавание.
Система идентификации была настроена, проверена и показала хорошую
работоспособность на начальных стадиях аварий. Но, как было упомянуто в
второй главе, в процессе развития аварии могут реализоваться разные варианты
ее эволюции и дальше было рассмотрено распознавание для данной проблемы.
Были проведены расчётные исследования работоспособности процесса
настройки НС для 2, 4, 6 аварий, где использовалась НС одной и той же структуры для сравнимости. Во всех вариантах была достигнута настройка НС с
полной идентификацией аварий. На рис.10 представлено изменение обобщенного показателя Е трудности настройки НС для вариантов 4 и 6 аварий. Для 2-х
аварий данные на рис.10 не приводятся т.к. Е<1. Сравнение всех результатов
показало, что легче процесс настройки протекает для 2-х различных типов аварий, а для 6-ти наиболее трудно. Из рис. 10 видно, что более трудно настройка
системы осуществляется примерно до 1000 сек. аварийных процессов.
Дальнейший анализ причин повышения Е обнаружил, что это связано с
близостью значений контролируемых параметров АЭС по разным авариям. Это
16
иллюстрируется на рис. 11 для варианта 6-ти аварий.
Давление
(Па)
Рис. 10. Тренд изменения показателя Е настройки НС системы идентификации для временных точек
аварийных процессов: 1, 2 – 4 и 6 аварий
Время (с)
Рис. 11. Средние значения по реализациям для варианта 6-ти различных типов аварий для контролируемого параметра - давление на входе в активную зону
Данные расчеты показали, что хотя система успешно настраивается при
малом количестве типов аварии (в момент начала и в течение ее протекания),
но увеличение показателя Е делает проблематичным ее настройку для созданной расширенной базы данных А64 (64 типов аварий). Для решения проблемы
был разработан метод построения системы идентификации на основе иерархического принципа с использованием бинарного дерева. Основные правила:
 Разбиение всего множества возможных аварий на априорные классы разного типа – например → течи холодная/горячая нитка ГЦТ - иерархии;
 Использование отдельных относительно легко настраиваемых нейронных
сетей для каждой иерархии.
17
Разработанная структура бинарного дерева для аварий сформированной
базы А64 представлена на рис. 12.
Рис. 12. Часть бинарного дерева системы идентификации 64 аварий для
АЭС с РУ ВВЭР-1000/В320
Во второй главе была описана проблема учета стохастического разброса
для аварий моделируемых в рамках АН в процедуре идентификации момента
ветвления (проблема временных окон рис.2) и в диссертации представлены алгоритмы ее решения. В 4-й главе проводятся исследования эффективности
предложенных алгоритмов. Для этого было проведено определение временных
окон для всех 64-х аварий и часть результатов представлено в табл. 1.
Таблица 1 - Пример временных окон для некоторых аварий из базы данных А64
Тип аварий:
течь первого контура
диаметром
20 мм, из горячей нитки
60 мм, из горячей нитки
70 мм, из горячей нитки
50 мм, из холодной нитки
60 мм, из холодной нитки
90 мм, из холодной нитки
Временное окно САОЗ
JND, с
2133 – 2323
167,6 – 310
121 – 310
140 – 362
148 – 280
109 – 118
Временное окно ГЕ, с
не срабатывает
1550 – 2270
648 – 1520
не срабатывает
677 – 1569
560 – 734
Далее в четвёртой главе приводятся результаты тестовых расчетов для
проверки работоспособности алгоритмов по учету временных окон и иерархической системы на основе бинарного дерева. По полученным результатам временных окон, рассматривались два интервала времени развития аварии:
I. до 3000с – возможность существования временных окон
II. 3000 до 6000 - после прохождения всех временных окон
Было показано, что для первого интервала система эффективно распознает процессы по выработанным алгоритмам учета временных окон.
18
Для второго интервала на основе принципа бинарного дерева в каждом
его узле была достигнута полная настройка системы и получен положительный
результат по распознаванию аварий.
Характеристики процесса настройки НС системы для некоторых узлов
бинарного дерева рис. 12 по отношению к двум композитным характеристикам
– трудности настройки и ошибки обобщения приведены на рис. 13 - 14 для интервала II.
Трудность настройки
Трудность настройки
40
20
35
30
15
25
20
10
15
10
5
5
Ошибка обобщения
25
8
20
7
6
15
5
4
Ошибка обобщения
25
Ошибка обобщения
9
Трудность настройки
45
Ошибка обобщения
Трудность настройки
10
3
2
5
1
0
2000
3000
4000
5000
0
6000
Время, с
0
2000
4000
0
6000
Время, с
Рис. 13. Изменение показателей настройки НС для
распознавания аварийных процессов узла «все холодные течи + все холодные течи с отказами + все
горячие течи + все горячие течи с отказами» (рис.
12) на различных временных точках
Рис. 14. Изменение показателей настройки НС для распознавания аварийных процессов узла «все холодные
течи с отказами JND» (рис. 12) на различных временных
точках
В процессе работы системы идентификации возможны технические отказы каналов контроля в мониторинге АЭС. В 4-й главе выделяются основные
возможные варианты и предложены модификации системы для их решения.
В конце 4-й главы приводятся основные направления по развитию подхода. Это: использование процедур динамического ВАБ для идентификации аварий с максимальным риском, адаптация метода для идентификации стадий тяжелых (запроектных) аварий, адаптация/апробация к другим системным кодам
и РУ.
ОСНОВНЫЕ ВЫВОДЫ ПО РАБОТЕ
1. В диссертационной работе предложен новый поход по использованию
современных информационных технологий совместно с методами анализа динамики аварийных процессов на основе интегральных кодов
улучшенной оценки, анализа неопределенностей для построения системы идентификации аварии на АЭС.
2. Разработан метод построения системы идентификации аварии на АЭС
для разных этапов развития аварии. Описана архитектура системы,
продемонстрированы основные шаги по ее созданию на основе расширенной базы данных по 64-м типам различных аварий для РУ ВВЭР1000/В320.
19
3. На основе расчетного кода RELAP5, анализа неопределенностей была
создана полномасштабная база данных матрицы 64-х аварийных ситуаций для построения и настройки системы идентификации.
4. Созданная система была успешно протестирована для начальной стадии аварии. Проведенные расчеты продемонстрировали эффективность
заложенных алгоритмов.
5. Сформулирована проблема возможного ветвления пути развития аварии, разработана процедура учета влияния стохастических характеристик. Проведенные расчеты показали ее эффективность.
6. Разработан метод использования системы с применением иерархической архитектуры на основе бинарного дерева в процессе развития аварии для идентификации возможных путей ее развития. Была продемонстрирована работоспособность системы для распознавания всех элементов множества 64-х типов аварий АЭС в течение их протекания.
7. Проанализирована возможность работы системы идентификации с
возможными отказами каналов контроля, выделены возможные варианты и предложена модификация алгоритма настройки системы для их
учета.
8. Результаты, полученные в данной работе представляют практический
интерес для обеспечения безопасности строящихся во Вьетнаме АЭС.
ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ
ОПУБЛИКОВАНЫ В СЛЕДУЮЩИХ РАБОТАХ:
1. Ю.Б. Воробьёв, К.Н. Чыонг Ван. Система распознавания типа
аварий на атомных электростанциях. Вестник МЭИ, 2015, №4. - С.
14-20.
2. К.Н. Чыонг Ван, Ю.Б. Воробьёв. Нахождение наиболее опасных
аварий на АЭС и идентификация их возникновения в процессе
эксплуатации. Вестник МЭИ, 2016, №5.
3. Ю.Б. Воробьев, П. Кудинов, М. Ельцов, К. Кёоп, К.Н. Чыонг Ван.
Применение информационных технологий (генетические алгоритмы, нейронные сети, параллельные вычисления) в анализе
безопасности АЭС. Труды Института системного программирования РАН, том 26, 2014. Выпуск 2. - С. 137-158.
4. Ю.Б. Воробьев, Ч.В.К. Ньят, П. Кудинов. Разработка методики определения опасных состояний АЭС на основе ГА-ДВАБ подхода. Сборник трудов 8-й международной научно-технической конференции
(МНТК) «Обеспечение безопасности АЭС с ВВЭР». ОКБ «ГИДРОПРЕСС», 2013.
5. Чыонг Ван К.Н., Воробьев Ю.Б. Метод построения системы идентификации аварии на АЭС на основе нейронных сетей. Сборник трудов
конференции молодых специалистов «Инновации в атомной энергетике». ОАО «НИКИЭТ», 2013. - С. 126-135.
20
6. Ю.Б. Воробьев, П. Кудинов, М. Ельцов, К. Кёоп, В.К.Н. Чыонг. Применение информационных технологий (генетические алгоритмы, нейронные сети, параллельные вычисления) в анализе безопасности АЭС.
Сборник тезисов IV международной конференции «Облачные вычисления. Образование. Исследования. Разработка». ИСПРАН, 2013.
7. К.Н. Чыонг Ван, Ю.Б. Воробьев. Применение современных информационных технологий для определения типа аварии на АЭС на разных
стадиях ее развития. Радиоэлектроника, электротехника и энергетика.
Тез. докл. XX МНТК студентов и аспирантов. - М.: МЭИ, 2014. - Т. 4.
- С. 22.
8. Н.К. Чыонг Ван, Ю.Б. Воробьев. Использование современных информационных технологий для идентификации типа аварии на АЭС.
Сборник трудов международной научно-методической конференции
«Информатизация инженерного образования (Инфорино-2014)». - М.:
МЭИ, 2014. - С. 313-316.
9. Чыонг Ван К.Н., Воробьев Ю.Б. Применение нейронных сетей для
идентификации аварии на АЭС. Сборник трудов 3-й МНТК «Инновационные проекты и технологии ядерной энергетики». ОАО «НИКИЭТ», 2014. - С. 318-328.
10. К.Н. Чыонг Ван, Ю.Б. Воробьев. Идентификация типа аварии на АЭС
на основе использования нейронных сетей. Радиоэлектроника, электротехника и энергетика. Тез. докл. XXI МНТК студентов и аспирантов. - М.: МЭИ, 2015. - Т. 3. - С. 311.
11. Чыонг Ван К.Н., Воробьев Ю.Б. Система распознавания аварий на
АЭС для различных стадий их развития с использованием интегральных кодов и нейронных сетей. Сборник трудов 9-й МНТК «Обеспечение безопасности АЭС с ВВЭР». ОКБ «ГИДРОПРЕСС», 2015.
12. Чыонг Ван К.Н., Воробьев Ю.Б. Построение системы идентификации
аварий на АЭС для различных стадий их развития с применением
нейронных сетей. Сборник трудов конференции молодых специалистов «Инновации в атомной энергетике». ОАО «НИКИЭТ», 2015. - С.
116-127.
13. К.Н. Чыонг Ван, Ю.Б. Воробьев. Применение нейросетевых технологий для идентификации типов аварий на АЭС. Сборник тезисов VI
международной конференции «Облачные вычисления. Образование.
Исследования. Разработка». ИСПРАН, 2015.
14. К.Н. Чыонг Ван, Ю.Б. Воробьев. Cистема идентификации аварий на
АЭС на разных этапах их протекания. Радиоэлектроника, электротехника и энергетика. Тез. докл. XXII МНТК студентов и аспирантов. М.: МЭИ, 2016. - Т. 3. - С. 32.
15. Н.К. Чыонг Ван, Ю.Б. Воробьев. Возможность реализации диагностики аварий на АЭС на основе нейро-сетевых информационных технологий. Сборник трудов международной научно-практической конференции «Информатизация инженерного образования (Инфорино2016)». - М.: МЭИ, 2016. - С. 467-470.
Документ
Категория
Без категории
Просмотров
19
Размер файла
3 085 Кб
Теги
типа, метод, авария, прогнозирование, идентификация, аэс, последствия
1/--страниц
Пожаловаться на содержимое документа