后处理厂溶剂再生系统始发事件的FMEA评价

识别始发事件是事故分析的基础。目前后处理厂对始发事件的识别尚未形成通用方法。本文以后处理厂共去污分离循环的溶剂再生系统为研究示范对象,采用失效模式和影响分析(FMEA)的工程评价方法识别和筛选始发事件。分析结果表明,该系统始发事件的类型主要包括:包容放射性物料的边界(设备、管道、阀门)破损泄漏;酸、碱洗槽界面测量仪表失效;各贮槽和洗涤槽液位测量仪表失效;污溶剂接受槽有机相出口计量泵轴封泄漏。经与美国后处理厂安全分析报告和国外后处理事故实例比较,FMEA方法分析结果对于设备失效所致的事故具有良好的包络性和适用性。因此,该方法可作为选取始发事件的参考方法,并可推广应用到后处理厂的其他工艺流程系统。     

核电厂概率安全分析中动态可靠性方法综述

用动态可靠性方法弥补传统事件树/故障树方法的不足,补充和完善现有核电厂的可靠性与安全性评估,已成为核电厂概率安全研究的一新发展点。近30年来,动态可靠性已具有相对成熟的理论基础——概率动力学,并形成了蒙特卡罗（MC）模拟和离散动态事件树（DDET）两类主要方法。本文简要介绍动态可靠性理论和方法的研究现状与技术特点,并对未来趋势进行分析。     

灵敏度分析方法在非能动系统可靠性研究中的应用

在研究核电站安全时,热工水力非能动系统的可靠性研究基于所建立的热工水力学数值模型。模型通常极其复杂,具有多个输入参数,且输入参数具有不确定性,对模型输出的不确定性的影响又各不相同。灵敏度分析的目的是将各参数对模型输出的不确定性的影响进行排序,找出显著的影响参数。本文首先描述灵敏度分析的方法,然后应用秩转换回归分析方法计算HTR-10余热排出系统模型各参数的灵敏度,找出关键影响因素,将模型简化,并对简化模型应用响应面方法计算了失效概率。简化模型算得的失效概率与原模型的很接近。     

用Monte Carlo方法计算HTR-10余热排出系统物理过程的失效概率

介绍了计算物理过程失效概率的蒙特卡罗方法(Monte Carlo).应用重要抽样蒙特卡罗方法计算了10 MW高温气冷实验堆(HTR-10)余热排出系统物理过程的失效概率,并进行了误差分析.与响应面方法的计算结果进行比较后发现,两种方法得到的计算结果数量级相同,进一步验证了以下结论:由于采用了非能动设计,HTR-10的余热排出系统的失效概率至少降低了3个数量级.     

BP神经网络在AP1000核电站事故诊断应用中的初步研究

核电站发生事故时,快速准确诊断出事故类型对于应急中采取相应的安全防护措施至关重要。本文采用BP神经网络对AP1000核电站的部分事故进行事故诊断,以部分事故分析结果为训练数据训练网络,以其他分析结果为测试数据,验证网络诊断事故类型时的准确性。结果表明,BP神经网络能正确诊断所分析的事故序列。     

故障树辅助建树专家系统

故障树辅助建树专家系统（FTES）是基于本地机数据库的图形界面软件，其目标是辅助建造核电站流体系统故障树模型，本系统应用了逐级上溯和标准化了树的概念，综合应演绎法和合成法进行建树推理，系统具有典型的专家系统结构，通过应用辅助建树软件能够提高一级PSA的质量。     

放射性核素在长江三角洲的迁移扩散模拟

本文针对拟建的内陆核电站，选择二维数值模拟，基于MIKE模型构建长江河口二维水动力模型，模拟了受纳水体的流场及假想事故情况下放射性液态流出物在长江三角洲的稀释扩散情况。本文评估了在潮汐作用的影响下，核事故污染物在长江三角洲的滞留时间、影响过程和影响程度。模拟结果显示：模拟的流场基本能反映受纳水域实际情况，潮汐作用会增加核素在三角洲水域的滞留时间，但同时也会将放射性核素带向外海，核素浓度会逐渐降低。     

中国发展核能的必要性

对中国核能发展的必要性进行了研究,并将研究成果归纳为以下4个方面:可弥补经济发展的电力缺口;在国际CO2减排的大趋势下,发展核能这种稳定的低碳能源是必要的;核能具有较好的基础,目前产业链各环节都在稳步前进,不宜放弃,否则难以可持续发展;核能所用的核燃料是保障能源安全、提升能源自给率、替代化石能源进口的重要途径。     

应急决策支持系统中核事故后果评价程序的设计与改进

应急决策支持系统中核事故后果评价程序用于计算放射性核素浓度与辐射剂量的时空分布,并对应急中防护行动的确定提供建议。为了适应目前主流的计算机配置与软件设计思想,现对事故后果评价程序进行重新设计。改进其功能、逻辑结构与接口设计,提高计算能力与应用范围。添加避迁、永久再定居以及食品及饮用水控制行动决策,可对操作干预水平进行修订。采用浏览器/服务器框架结构,优化数据存储方案,实现对接口参数的统一管理,以减小程序运行限制与维护代价,提高运行效率。新版应急决策支持系统将为我国核电厂事故应急提供更加完善的技术支持。     

基于贝叶斯分类器的核电厂事故诊断方法研究

目前在核电厂事故诊断方面所使用的人工智能技术如神经网络等,难以同时具备较好的鲁棒性和可解释性,本研究提出基于贝叶斯分类器的核电厂事故诊断方法,并进一步将贝叶斯分类器细化为离散型朴素贝叶斯分类器、高斯型朴素贝叶斯分类器和贝叶斯网络3种,将这3种贝叶斯分类器用于核电厂事故诊断,并进行性能对比。研究结果表明：基于贝叶斯分类器的诊断方法将知识驱动和数据驱动相结合,具有较强的鲁棒性和可解释性。3种分类器中,高斯型朴素贝叶斯方法诊断在诊断准确率、诊断效率、事故破口尺寸诊断精度和事故可诊断的种类方面具有显著优势。