CN109740103B - 一种核事故源项反演方法及系统 - Google Patents

一种核事故源项反演方法及系统 Download PDF

Info

Publication number
CN109740103B
CN109740103B CN201811435275.2A CN201811435275A CN109740103B CN 109740103 B CN109740103 B CN 109740103B CN 201811435275 A CN201811435275 A CN 201811435275A CN 109740103 B CN109740103 B CN 109740103B
Authority
CN
China
Prior art keywords
monitoring
data
source item
release
monitoring point
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201811435275.2A
Other languages
English (en)
Other versions
CN109740103A (zh
Inventor
赵丹
徐向军
姚仁太
张俊芳
陈龙泉
黄莎
胡继民
张芳
张新骞
杨彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Institute for Radiation Protection
Original Assignee
China Institute for Radiation Protection
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Institute for Radiation Protection filed Critical China Institute for Radiation Protection
Priority to CN201811435275.2A priority Critical patent/CN109740103B/zh
Publication of CN109740103A publication Critical patent/CN109740103A/zh
Application granted granted Critical
Publication of CN109740103B publication Critical patent/CN109740103B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Abstract

本发明公开了一种核事故源项反演方法及系统，方法包括：数据预处理、数据同化以及数据后处理。本发明所提供的方法及系统，利用剂量转换系数、各核事故不同放射性核素释放份额，实现核事故源项反演方法的实用性，同时实现了事故时核素释放率、累积释放量的计算。

Description

一种核事故源项反演方法及系统
技术领域
本发明涉及核事故源项反演领域，具体涉及一种核事故源项反演方法及系统。
背景技术
核设施在设计、建造和运行过程中已经采取各种措施降低严重事故发生概率，但切尔诺贝利事故和日本福岛核事故表明严重事故仍有可能发生。严重事故将有可能导致严重的放射性后果，准确的后果预测与评价能为防护行动决策和缓解事故后果提供科学的依据。判断事故严重程度和源项估算是后果评价中关键环节之一，正常情况下安全壳内相关仪表读数可以用于帮助掌握核电厂工况，但事故发生后的复杂环境(例如停电、失火、水淹、强辐射) 将有可能影响这种判别方法的可靠性。以福岛事故为例，事故向环境中释放的放射性核素数量通过现场采样、实验室分析等方法估算，花费时间较长。
目前，核事故源项估算可以分为以下两个方面：(1)根据核电厂仪表数据估算事故核素释放量、释放种类；(2)根据场外监测数据估计事故释放量。目前，根据场外监测数据估计事故释放量需要较长时间。
发明内容
针对现有技术中存在的缺陷，本发明的目的在于提供一种核事故源项反演方法及系统，利用场外监测数据，对事故释放量进行快速估算，可为事故后果评价与决策提供数据支撑，缩短响应时间。
为实现上述目的，本发明采用的技术方案如下：
一种核事故源项反演方法，包括：
S1、对监测数据、气象数据和源项信息进行数据检查；
S2、检查通过后，对所述监测数据进行筛选，去除本底数据；
S3、根据所述源项信息中的事故类型及事故向环境中释放放射性核素持续时间，确定释放的物质中不同放射性核素所占份额；
S4、将所述监测数据中的剂量率单位Gy/h转换为计算所需剂量率单位 Gy/s；
S5、根据不同放射性核素所占份额和剂量转换参数，将所述监测数据中的各监测点总剂量率转换为各监测点核素总活度；
S6、根据所述源项信息中的源项位置信息和所述监测数据中的各监测点位置信息，计算释放点与各监测点的相对位置信息；
S7、根据所述气象数据和释放点与各监测点的相对位置信息，计算观测矩阵；
S8、根据所述监测数据计算各监测点的本底，根据各监测点的本底纠正所述监测数据；
S9、根据各监测点核素总活度构建反演矩阵；
S10、根据所述观测矩阵和所述反演矩阵，进行反演迭代计算；
S11、提取迭代结果，根据不同放射性核素所占份额计算相邻两次监测数据时间内不同核素释放率；
S12、计算相邻两次监测数据时间间隔，估算自释放开始后的总释放量。
进一步，如上所述的一种核事故源项反演方法，所述气象数据包括：风速、风向和稳定度；所述监测数据包括：时间、位置和监测结果；所述源项信息包括：核素比、释放位置及高度。
进一步，如上所述的一种核事故源项反演方法，步骤S5中，将各监测点总剂量率转换为各监测点核素总活度的转换方法为：
Figure BDA0001883638830000021
其中，A总为监测点总核素活度，
Figure BDA0001883638830000022
为监测点的γ剂量率，nj为第j个放射性核素所占份额，Γj为第j个放射性核素的剂量转换参数，j为正整数。
进一步，如上所述的一种核事故源项反演方法，步骤S7中，通过高斯扩散模式计算观测矩阵。
进一步，如上所述的一种核事故源项反演方法，步骤S10中，通过卡尔曼滤波算法进行反演迭代计算。
本发明实施例中还提供了一种核事故源项反演系统，包括：
检查模块，用于对监测数据、气象数据和源项信息进行数据检查；
筛选模块，用于检查通过后，对所述监测数据进行筛选，去除本底数据；
确定模块，用于根据所述源项信息中的事故类型及事故向环境中释放放射性核素持续时间，确定释放的物质中不同放射性核素所占份额；
第一转换模块，用于将所述监测数据中的剂量率单位Gy/h转换为计算所需剂量率单位Gy/s；
第二转换模块，用于根据不同放射性核素所占份额和剂量转换参数，将所述监测数据中的各监测点总剂量率转换为各监测点核素总活度；
第一计算模块，用于根据所述源项信息中的源项位置信息和所述监测数据中的各监测点位置信息，计算释放点与各监测点的相对位置信息；
第二计算模块，用于根据所述气象数据和释放点与各监测点的相对位置信息，计算观测矩阵；
第三计算模块，用于根据所述监测数据计算各监测点的本底，根据各监测点的本底纠正所述监测数据；
构建模块，用于根据各监测点核素总活度构建反演矩阵；
反演模块，用于根据所述观测矩阵和所述反演矩阵，进行反演迭代计算；
第四计算模块，用于提取迭代结果，根据不同放射性核素所占份额计算相邻两次监测数据时间内不同核素释放率；
估算模块，用于计算相邻两次监测数据时间间隔，估算自释放开始后的总释放量。
进一步，如上所述的一种核事故源项反演系统，所述气象数据包括：风速、风向和稳定度；所述监测数据包括：时间、位置和监测结果；所述源项信息包括：核素比、释放位置及高度。
进一步，如上所述的一种核事故源项反演系统，所述第二转换模块具体用于通过以下转换方法将各监测点总剂量率转换为各监测点核素总活度，
Figure BDA0001883638830000041
其中，A总为监测点总核素活度，
Figure BDA0001883638830000042
为监测点的γ剂量率，nj为第j个放射性核素所占份额，Γj为第j个放射性核素的剂量转换参数，j为正整数。
进一步，如上所述的一种核事故源项反演系统，所述第二计算模块具体用于通过高斯扩散模式计算观测矩阵。
进一步，如上所述的一种核事故源项反演系统，所述反演模块具体用于通过卡尔曼滤波算法进行反演迭代计算。
本发明的有益效果在于：本发明所提供的方法及系统，利用剂量转换系数、各核事故不同放射性核素释放份额，实现核事故源项反演方法的实用性，同时实现了事故时核素释放率、累积释放量的计算。
附图说明
图1为本发明实施例中提供的一种核事故源项反演方法的流程示意图；
图2为本发明实施例中提供的一种核事故源项反演方法的实施例流程图；
图3为本发明实施例中提供的一种核事故源项反演方法的功能模块图；
图4为本发明实施例中提供的一种核事故源项反演系统的结构示意图。
具体实施方式
下面结合说明书附图与具体实施方式对本发明做进一步的详细说明。
如图1所示，一种核事故源项反演方法，包括：
S1、对监测数据、气象数据和源项信息进行数据检查；
气象数据包括：风速、风向和稳定度；监测数据包括：时间、位置和监测结果；源项信息包括：核素比、释放位置及高度。
在使用这几项数据之前，需要检查信息是否完备，监测数据大小是否符合启动要求。
S2、检查通过后，对监测数据进行筛选，去除本底数据；
当确定上述数据均符合启动要求时，还需要对监测数据进行筛选，去除本底数据。启动时本底数据为正常工况下本底，启动后各监测点所在位置本底数据通过扩散模式、事故下各核素释放份额及历史监测数据进行估算，避免因事故持续释放导致的高本底带来反演结果过大。
S3、根据源项信息中的事故类型及事故向环境中释放放射性核素持续时间确定释放的物质中不同放射性核素所占份额；
根据事故类型及事故向环境中释放放射性核素持续时间确定释放的物质中不同放射性核素所占份额，不同放射性核素所占份额通过不同事故类型各时间段向大气环境中释放的放射性核素种类与数量计算获得。
S4、将监测数据中的剂量率单位Gy/h转换为计算所需剂量率单位Gy/s；
S5、根据不同放射性核素所占份额和剂量转换参数，将监测数据中的各监测点总剂量率转换为各监测点核素总活度；
转换方法为：
Figure BDA0001883638830000051
其中，A总为监测点总核素活度，
Figure BDA0001883638830000052
为监测点的γ剂量率，nj为第j个放射性核素所占份额，Γj为第j个放射性核素的剂量转换参数，j为正整数。
其中，剂量转换参数通过查阅文献获取。
S6、根据源项信息中的源项位置信息和监测数据中的各监测点位置信息，计算释放点与各监测点的相对位置信息；
第一种情况：释放点、监测点位置为经纬度，则对释放点、监测点相对位置进行计算，转换为平面坐标。
第二种情况：释放点、监测点相对位置为网格坐标，则对释放点、监测点相对位置进行计算，转换为平面坐标。
S7、根据气象数据和释放点与各监测点的相对位置信息，计算观测矩阵；
具体地，可以通过高斯扩散模式计算观测矩阵。高斯扩散模式适用于均一的大气条件，以及地面开阔平坦的地区，点源的扩散模式，此处的点源即本发明所述的源项。
S8、根据监测数据计算各监测点的本底，根据各监测点的本底纠正监测数据；
扣除由于沉积导致的本底，尽可能避免由于沉积带来的影响使反演释放率过大。事故时，由于地面沉积使环境本底上升。计算本底是为了扣除监测结果中本底带来的贡献，使监测结果尽可能接近空气吸收剂量率。γ射线空气剂量率是反演最终要用的数据。因为对于不同监测点来说，由于所处位置不同，随着时间发展，沉积量会不同，有些点沉积量大于其他点，这个时候各点本底不同，不能一概而论，只能分别计算。每一时间步长根据监测数据，时间间隔和上一时刻核素沉积量估计这一时刻核素沉积量。每一时刻各核素沉积量的总和就是这一时刻的本底。
S9、根据各监测点核素总活度构建反演矩阵；
S10、根据观测矩阵和反演矩阵，进行反演迭代计算；
具体地，可以通过卡尔曼滤波算法进行反演迭代计算。卡尔曼滤波算法 (KF)是序贯数据同化的一种，KF的基本思想是利用前一时刻的状态估计值和当前时刻的观测值来获得动态系统当前时刻状态变量的最优估计，包括预报和分析两个步骤。
在预报阶段，根据前一时刻的模式状态生成当前时刻模式状态的预报值。在分析阶段，引入观测数据(观测矩阵)，利用最小方差估计方法对模式状态进行重新分析。随着模式状态预报的持续进行和新的观测数据的陆续输入，这个过程不断向前推进。即模式随着时间向前积分进行状态预报，当出现观测数据时,根据模式预报误差的协方差矩阵(已知)和观测误差的协方差矩阵 (已知)之间相对大小导出状态的最小方差估计。通过卡尔曼滤波算法进行反演迭代计算的过程包括：图2所示的计算协方差、计算增益、修正释放率、计算误差以及评估误差。
S11、提取迭代结果，根据不同放射性核素所占份额计算相邻两次监测数据时间内不同核素释放率；
S12、计算相邻两次监测数据时间间隔，估算自释放开始后的总释放量。
根据相邻两次监测数据时间内不同核素释放率和相邻两次监测数据时间间隔，以及释放持续时间可以估算自释放开始后的总释放量。
如图3所示，可以将上述步骤归纳为数据预处理、数据同化以及数据后处理三项。数据预处理包括步骤S1-S6，数据同化包括步骤S7、S9、S10，数据后处理包括步骤S11、S12。
本发明提供的一种核事故源项反演方法，其由高斯大气扩散模型、卡尔曼滤波算法、经纬度及相对位置计算方法构成。利用剂量转换系数、各核事故不同放射性核素释放份额，实现核事故源项反演方法的实用性，同时实现了事故时核素释放率、累积释放量的计算。
如图4所示，本发明实施例中还提供了一种核事故源项反演系统，包括：
检查模块1，用于对监测数据、气象数据和源项信息进行数据检查；
筛选模块2，用于检查通过后，对监测数据进行筛选，去除本底数据；
确定模块3，用于根据源项信息中的事故类型及事故向环境中释放放射性核素持续时间，确定释放的物质中不同放射性核素所占份额；
第一转换模块4，用于将监测数据中的剂量率单位Gy/h转换为计算所需剂量率单位Gy/s；
第二转换模块5，用于根据不同放射性核素所占份额和剂量转换参数，将监测数据中的各监测点总剂量率转换为各监测点核素总活度；
第一计算模块6，用于根据源项信息中的源项位置信息和监测数据中的各监测点位置信息，计算释放点与各监测点的相对位置信息；
第二计算模块7，用于根据气象数据和释放点与各监测点的相对位置信息，计算观测矩阵；
第三计算模块8，用于根据监测数据计算各监测点的本底，根据各监测点的本底纠正监测数据；
构建模块9，用于根据各监测点核素总活度构建反演矩阵；
反演模块10，用于根据观测矩阵和反演矩阵，进行反演迭代计算；
第四计算模块11，用于提取迭代结果，根据不同放射性核素所占份额计算相邻两次监测数据时间内不同核素释放率；
估算模块12，用于计算相邻两次监测数据时间间隔，估算自释放开始后的总释放量。
气象数据包括：风速、风向和稳定度；监测数据包括：时间、位置和监测结果；源项信息包括：核素比、释放位置及高度。
第二转换模块5具体用于通过以下转换方法将各监测点总剂量率转换为各监测点核素总活度，
Figure BDA0001883638830000081
其中，A总为监测点总核素活度，
Figure BDA0001883638830000082
为监测点的γ剂量率，nj为第j个放射性核素所占份额，Γj为第j个放射性核素的剂量转换参数，j为正整数。
第二计算模块7通过高斯扩散模式计算观测矩阵。
反演模块10通过卡尔曼滤波算法进行反演迭代计算。
采用本发明的方法及系统，至少具有以下优点：
(1)所需数据，均为核电站常规场外监测数据，核事故发生时容易获取；
(2)所需监测数据不需要人工剔除本底数据，数据处理简单方便，便于快速启动；
(3)计算速度快，对频率为1min/次，监测点数据量为30，总时长10h 的数据，计算花费少于5min；
(4)计算结果包括释放率及总释放量，即便于记录释放率变化，也可以实时提取累积释放量，为应急响应及时提供数据支持。
本发明之所以具有上述显著效果，正是利用卡尔曼滤波算法，再辅之于高斯大气扩散模型，对大量监测数据进行数据同化计算，减少单一监测数据可能对反演计算带来的误差；同时利用放射性核素剂量转换系数，不同事故下不同放射核素释放份额解决将反演计算应用于实际核事故的难点。最终建立一种可以应用于实际情况的核事故源项反演方法及系统。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种核事故源项反演方法，其特征在于，包括：
S1、对监测数据、气象数据和源项信息进行数据检查；
S2、检查通过后，对所述监测数据进行筛选，去除本底数据；
S3、根据所述源项信息中的事故类型及事故向环境中释放放射性核素持续时间，确定释放的物质中不同放射性核素所占份额；
S4、将所述监测数据中的剂量率单位Gy/h转换为计算所需剂量率单位Gy/s；
S5、根据不同放射性核素所占份额和剂量转换参数，将所述监测数据中的各监测点总剂量率转换为各监测点核素总活度；
S6、根据所述源项信息中的源项位置信息和所述监测数据中的各监测点位置信息，计算释放点与各监测点的相对位置信息；
S7、根据所述气象数据和释放点与各监测点的相对位置信息，通过高斯扩散模式计算观测矩阵；
S8、根据所述监测数据计算各监测点的本底，根据各监测点的本底纠正所述监测数据；
S9、根据各监测点核素总活度构建反演矩阵；
S10、根据所述观测矩阵和所述反演矩阵，通过卡尔曼滤波算法进行反演迭代计算；
S11、提取迭代结果，根据不同放射性核素所占份额计算相邻两次监测数据时间内不同核素释放率；
S12、计算相邻两次监测数据时间间隔，估算自释放开始后的总释放量。
2.根据权利要求1所述的一种核事故源项反演方法，其特征在于，所述气象数据包括：风速、风向和稳定度；所述监测数据包括：时间、位置和监测结果；所述源项信息包括：核素比、释放位置及高度。
3.根据权利要求1所述的一种核事故源项反演方法，其特征在于，步骤S5中，将各监测点总剂量率转换为各监测点核素总活度的转换方法为：
Figure FDA0003557741790000021
其中，A总为监测点总核素活度，
Figure FDA0003557741790000022
为监测点的γ剂量率，nj为第j个放射性核素所占份额，Γj为第j个放射性核素的剂量转换参数，j为正整数。
4.一种核事故源项反演系统，其特征在于，包括：
检查模块，用于对监测数据、气象数据和源项信息进行数据检查；
筛选模块，用于检查通过后，对所述监测数据进行筛选，去除本底数据；
确定模块，用于根据所述源项信息中的事故类型及事故向环境中释放放射性核素持续时间，确定释放的物质中不同放射性核素所占份额；
第一转换模块，用于将所述监测数据中的剂量率单位Gy/h转换为计算所需剂量率单位Gy/s；
第二转换模块，用于根据不同放射性核素所占份额和剂量转换参数，将所述监测数据中的各监测点总剂量率转换为各监测点核素总活度；
第一计算模块，用于根据所述源项信息中的源项位置信息和所述监测数据中的各监测点位置信息，计算释放点与各监测点的相对位置信息；
第二计算模块，用于根据所述气象数据和释放点与各监测点的相对位置信息，通过高斯扩散模式计算观测矩阵；
第三计算模块，用于根据所述监测数据计算各监测点的本底，根据各监测点的本底纠正所述监测数据；
构建模块，用于根据各监测点核素总活度构建反演矩阵；
反演模块，用于根据所述观测矩阵和所述反演矩阵，通过卡尔曼滤波算法进行反演迭代计算；
第四计算模块，用于提取迭代结果，根据不同放射性核素所占份额计算相邻两次监测数据时间内不同核素释放率；
估算模块，用于计算相邻两次监测数据时间间隔，估算自释放开始后的总释放量。
5.根据权利要求4所述的一种核事故源项反演系统，其特征在于，所述气象数据包括：风速、风向和稳定度；所述监测数据包括：时间、位置和监测结果；所述源项信息包括：核素比、释放位置及高度。
6.根据权利要求4所述的一种核事故源项反演系统，其特征在于，所述第二转换模块具体用于通过以下转换方法将各监测点总剂量率转换为各监测点核素总活度，
Figure FDA0003557741790000031
其中，A总为监测点总核素活度，
Figure FDA0003557741790000032
为监测点的γ剂量率，nj为第j个放射性核素所占份额，Γj为第j个放射性核素的剂量转换参数，j为正整数。
CN201811435275.2A 2018-11-28 2018-11-28 一种核事故源项反演方法及系统 Active CN109740103B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811435275.2A CN109740103B (zh) 2018-11-28 2018-11-28 一种核事故源项反演方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811435275.2A CN109740103B (zh) 2018-11-28 2018-11-28 一种核事故源项反演方法及系统

Publications (2)

Publication Number Publication Date
CN109740103A CN109740103A (zh) 2019-05-10
CN109740103B true CN109740103B (zh) 2022-08-23

Family

ID=66358205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811435275.2A Active CN109740103B (zh) 2018-11-28 2018-11-28 一种核事故源项反演方法及系统

Country Status (1)

Country Link
CN (1) CN109740103B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110458461B (zh) * 2019-08-14 2021-11-09 苏州热工研究院有限公司 核动力厂多堆事故放射性后果评价方法
CN110457829B (zh) * 2019-08-15 2020-05-01 王博 一种基于集成大气扩散模型的源项释放反演和扩散预测方法
CN110991010B (zh) * 2019-11-13 2023-07-14 中国辐射防护研究院 一种安全壳气溶胶喷淋和自然沉降的减弱系数估算方法
CN112434405B (zh) * 2020-11-09 2024-01-23 中国核电工程有限公司 环境影响系数的计算方法及放射性验收准则的确定方法
CN112649554A (zh) * 2020-12-02 2021-04-13 中国辐射防护研究院 假定的放射性物质运输火灾事故的释放源项的获取方法
CN115267873B (zh) * 2022-08-01 2024-04-19 中国核动力研究设计院 一种反应堆沉积源项的测量分析方法、系统、终端及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080007821A (ko) * 2006-07-18 2008-01-23 한국원자력안전기술원 방사능방재대책 기술지원 전산 시스템
JP2014130117A (ja) * 2012-12-28 2014-07-10 Mitsubishi Heavy Ind Ltd 拡散物質の拡散状況予測装置、方法およびプログラム
CN104376361A (zh) * 2014-10-15 2015-02-25 南京航空航天大学 一种基于bp神经网络算法的核事故源项反演方法
CN104933294A (zh) * 2015-05-25 2015-09-23 苏州热工研究院有限公司 放射性物质迁移和传播评估模型构建方法
CN106844996A (zh) * 2017-02-10 2017-06-13 中国科学院合肥物质科学研究院 一种基于植物氚监测数据的事故氚源项反演方法
CN107145698A (zh) * 2016-03-01 2017-09-08 中国辐射防护研究院 核与辐射突发事件后果大尺度模拟方法及模拟系统
CN107480781A (zh) * 2017-03-02 2017-12-15 南京航空航天大学 神经网络自适应卡尔曼滤波的核事故源项反演方法
CN107526852A (zh) * 2016-06-21 2017-12-29 中国辐射防护研究院 一种核设施事故场外后果实时在线评价方法及系统
CN108537424A (zh) * 2018-03-27 2018-09-14 环境保护部核与辐射安全中心 一种压水堆核电厂失水事故放射性源项评估方法
CN108804743A (zh) * 2018-04-09 2018-11-13 南京航空航天大学 一种核事故源项反演方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20080007821A (ko) * 2006-07-18 2008-01-23 한국원자력안전기술원 방사능방재대책 기술지원 전산 시스템
JP2014130117A (ja) * 2012-12-28 2014-07-10 Mitsubishi Heavy Ind Ltd 拡散物質の拡散状況予測装置、方法およびプログラム
CN104376361A (zh) * 2014-10-15 2015-02-25 南京航空航天大学 一种基于bp神经网络算法的核事故源项反演方法
CN104933294A (zh) * 2015-05-25 2015-09-23 苏州热工研究院有限公司 放射性物质迁移和传播评估模型构建方法
CN107145698A (zh) * 2016-03-01 2017-09-08 中国辐射防护研究院 核与辐射突发事件后果大尺度模拟方法及模拟系统
CN107526852A (zh) * 2016-06-21 2017-12-29 中国辐射防护研究院 一种核设施事故场外后果实时在线评价方法及系统
CN106844996A (zh) * 2017-02-10 2017-06-13 中国科学院合肥物质科学研究院 一种基于植物氚监测数据的事故氚源项反演方法
CN107480781A (zh) * 2017-03-02 2017-12-15 南京航空航天大学 神经网络自适应卡尔曼滤波的核事故源项反演方法
CN108537424A (zh) * 2018-03-27 2018-09-14 环境保护部核与辐射安全中心 一种压水堆核电厂失水事故放射性源项评估方法
CN108804743A (zh) * 2018-04-09 2018-11-13 南京航空航天大学 一种核事故源项反演方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
BP神经网络优化的无迹卡尔曼滤波核事故源项反演方法研究;凌永生;《安全与环境学报》;20181031;第18卷(第5期);1931-1936 *
Joint release rate estimation and measurement-by-measurement model correction for atmospheric radionuclide emission in nuclear accidents: An application to wind tunnel experiments;Xinpeng Li et al;《Journal of Hazardous Materials》;20180305;第345卷;48-62 *
Study on Source Inversion Technology for Nuclear Accidents Based on Gaussian Puff Model and EnKF;X.L.Zhang et al;《Proceedings of the 10th International ISCRAM Conference》;20130531;634-639 *
卡尔曼滤波反演核设施核事故中核素释放率的研究;唐秀欢;《原子能科学技术》;20141031;第48卷(第10期);1915-1920 *
卡尔曼滤波在核事故源项反演中的应用研究;徐志新;《仪器仪表学报》;20070430;第28卷(第4期);595-597 *

Also Published As

Publication number Publication date
CN109740103A (zh) 2019-05-10

Similar Documents

Publication Publication Date Title
CN109740103B (zh) 一种核事故源项反演方法及系统
Gray et al. Discharges to the environment from the Sellafield site, 1951-1992
Zhang et al. Modified ensemble Kalman filter for nuclear accident atmospheric dispersion: Prediction improved and source estimated
Winiarek et al. Towards the operational estimation of a radiological plume using data assimilation after a radiological accidental atmospheric release
CN107239659B (zh) 一种基于改进的k-rusle模型与成土速率计算土壤侵蚀的方法
CN104933294A (zh) 放射性物质迁移和传播评估模型构建方法
CN109033016B (zh) 基于放射性元素沉降模型的降雨时地表γ辐射剂量率的计算方法
CN109858722A (zh) 核电厂oil的计算方法及基于其的防护行动决策系统
Kryshev et al. Radioactivity monitoring of the surface air layer and atmospheric fallout near NPP
Quérel et al. Statistical approach to assess radon-222 long-range atmospheric transport modelling and its associated gamma dose rate peaks
CN111551978B (zh) 一种放射性土壤样品采样过程不确定度的评定方法
CN115577011A (zh) 一种输电线路监测方法及相关设备
Kim et al. Development of preliminary MACCS2 input model for the Level 3 PSA on the KAERI Site
CN110070199B (zh) 一种电网台风灾害预警方法和系统
Le Brazidec et al. Bayesian transdimensional inverse reconstruction of the Fukushima Daiichi caesium 137 release
Hoffman et al. Mapping the deposition of C137s and I131 in North America following the 2011 Fukushima Daiichi Reactor accident
Mohamed et al. A Study on the Atmospheric Dispersion of Radionuclide Released from TRIGA MARK II Reactor using Gaussian Plume Model
KR102111113B1 (ko) 방사능 재난 대응 훈련을 위한 방사능 확산 모델링 방법
CN113917517B (zh) 能谱数据处理方法、装置、计算机设备和存储介质
CN115586562B (zh) 放射性烟羽航空监测方法
CN209231929U (zh) 一种核事故早期地面辐射场同化系统
Külahcı et al. Risk assessment of distribution coefficient from 137 Cs measurements
Xu et al. Data assimilation for Fukushima nuclear accident assessments
Ghawaly et al. High-purity germanium effluents measurements at the high flux isotope reactor and radiochemical engineering development center
Paul et al. Detection of low level gaseous releases and dose evaluation from continuous gamma dose measurements using a wavelet transformation technique

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant