CN117390588A - 一种基于安全壳外剂量率的堆芯损伤评估方法及计算装置 - Google Patents
一种基于安全壳外剂量率的堆芯损伤评估方法及计算装置 Download PDFInfo
- Publication number
- CN117390588A CN117390588A CN202311412941.1A CN202311412941A CN117390588A CN 117390588 A CN117390588 A CN 117390588A CN 202311412941 A CN202311412941 A CN 202311412941A CN 117390588 A CN117390588 A CN 117390588A
- Authority
- CN
- China
- Prior art keywords
- containment
- core damage
- accident
- dose rate
- damage degree
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 56
- 238000011156 evaluation Methods 0.000 claims abstract description 39
- 238000013210 evaluation model Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000002285 radioactive effect Effects 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 10
- 238000001816 cooling Methods 0.000 claims description 9
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000004062 sedimentation Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 22
- 230000035515 penetration Effects 0.000 description 7
- XLYOFNOQVPJJNP-ZSJDYOACSA-N Heavy water Chemical compound [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000011261 inert gas Substances 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000002826 coolant Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 229910052792 caesium Inorganic materials 0.000 description 1
- TVFDJXOCXUVLDH-UHFFFAOYSA-N caesium atom Chemical compound [Cs] TVFDJXOCXUVLDH-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 229910052743 krypton Inorganic materials 0.000 description 1
- DNNSSWSSYDEUBZ-UHFFFAOYSA-N krypton atom Chemical compound [Kr] DNNSSWSSYDEUBZ-UHFFFAOYSA-N 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
一种基于安全壳外剂量率的堆芯损伤评估方法,包括以下步骤:提供包括核电厂典型事故序列下堆芯损伤程度和安全壳外多个检测点位剂量率的堆芯损伤评价数据库;基于循环神经网络建立回归模型,利用堆芯损伤评价数据库进行训练,建立检测点位剂量率与堆芯损伤程度及事故变量之间的映射关系,形成堆芯损伤程度评估模型;输入待评估的事故信息,由堆芯损伤程度评估模型进行评估。该方法不依赖反应堆安全壳内的检测系统,提高了事故条件下堆芯损伤程度评估的可靠性和评估效率。本发明还提供一种计算装置。
Description
技术领域
本发明属于核电领域,具体涉及一种基于安全壳外剂量率的堆芯损伤评估方法及计算装置。
背景技术
核电站发生堆芯事故时,需要及时对堆芯损伤程度进行评估,以作为核事故应急响应决策的依据,采取相应措施,避免事故恶进一步恶化。目前,国内核电厂主要参照法国的3D/3P方法以及美国的CDAG方法,采用堆芯出口温度和安全壳内辐射剂量率作为评估堆芯损伤严重程度的关键参数。在一些技术方案中,还采用了检测安全壳内氢气浓度、一回路冷却剂成分与温度、压力容器水位等安全壳内信息的方法,进一步提高了堆芯损伤评估的完备性。然而,现有技术措施对安全壳内的检测系统依赖程度较高,但事故期间,特别是事故中后期,安全壳内的温度与压力和高放射性环境会使得检测系统的有效性受到较大的考验,如果安全壳内检测系统的监测数据准确性发生偏差,会使堆芯损伤程度的评估受到误导。因此,提供一种基于安全壳外剂量率的堆芯损伤评估方法,对于提高核事故评估的准确性有较高的价值。
发明内容
本发明的目的在于提供一种基于安全壳外剂量率的堆芯损伤评估方法,不依赖安全壳内的检测数据对堆芯损伤程度进行评估。本发明还提供一种计算装置。
根据本发明一个方面的实施例,提供一种基于安全壳外剂量率的堆芯损伤评估方法,该方法包括以下步骤:
a)提供堆芯损伤评价数据,所述堆芯损伤评价数据包括核电厂典型事故序列下的堆芯损伤程度和安全壳外多个检测点位的剂量率信息;
b)基于循环神经网络建立回归模型,利用所述堆芯损伤评价数据对所述回归模型进行训练,建立所述检测点位的剂量率、事故变量信息与堆芯损伤程度之间的映射关系,形成堆芯损伤程度评估模型,其中所述事故变量信息包括安全壳内部冷却情况、反应堆停堆时长和安全壳破损情况;
c)提供事故变量信息和通过实际测量得到的多个所述检测点位的剂量率信息,由所述堆芯损伤程度评估模型给出堆芯损伤程度评估结果。该方法不依赖安全壳内的检测数据,降低事故发生后安全壳内检测系统失效带来的对事故严重程度误判的风险,提高堆芯损伤程度评估的效率。
进一步地,在部分实施例中,所述a)步骤所述中核电厂典型事故序列通过以下方式获得:提供核电站严重事故一体化分析程序,提供事故始发事件、放射性气体释放位置、放射性气体释放面积、气体沉降环境及安全壳破损情况并输入所述核电站严重事故一体化分析程序,获得反应堆停堆时长、堆芯损伤程度和多个所述检测点位的剂量率信息。
进一步地,在部分实施例中,所述核电站严重事故一体化分析程序给出多个所述检测点位剂量率信息的过程包括,根据输入的事故条件直接计算得到多个所述检测点位的剂量率信息,或根据输入的事故条件获取堆芯放射性核素源项,并利用气体扩散模型计算并获得安全壳外多个所述检测点位的剂量率信息。
进一步地,在部分实施例中,所述检测点位包括安全壳贯穿区检测点位和安全壳外表面检测点位。
进一步地,在部分实施例中,所述安全壳外表面检测点位与辐射源项相隔离,使剂量率仅为穿过安全壳壁体的辐射。
进一步地,在部分实施例中,所述安全壳外表面检测点位对应的安全壳内空间无内部固体构件干涉。
进一步地,在部分实施例中,所述b)步骤中所述回归模型包括RNN模型、LSTM模型或GRU模型。
进一步地,在部分实施例中,在所述c)步骤中还包括提供多组多个所述检测点位信息的步骤,分别由所述堆芯损伤程度评估模型给出堆芯损伤程度评估结果,以其中损伤程度最高的作为最终评估结果。
根据本发明另一个方面的实施例,提供一种计算装置,该计算装置包括存储器与处理器,其中所述存储器存储有计算程序,当所述计算程序被所述处理器执行时能够实现前述任一实施例所提供的基于安全壳外剂量率的堆芯损伤评估方法。
附图说明
图1为一实施例中安全壳贯穿区剂量率检测点位示意图;
图2为一实施例中安全壳外表面剂量率检测点位示意图。
上述附图的目的在于对本发明作出详细说明,以便本领域技术人员能够理解本发明的技术构思,而非旨在限制本发明。为了表达简洁,上述附图仅示意性地画出了与本发明技术特征有关的结构,并未严格按照实际比例画出完整装置与全部细节。
具体实施方式
下面通过具体实施例结合附图对本发明作出进一步的详细说明。
本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本文的至少一个实施例中。在说明书的各个位置出现的该短语并不一定指代同一实施例,也并非限定为互斥的独立或备选的实施例。本领域技术人员应当能够理解,在不发生结构冲突的前提下本文中的实施例可以与其他实施例相结合。本文的描述中,“多个”的含义是至少两个。
本发明一个方面的实施例提供一种基于安全壳外剂量率的堆芯损伤评估方法。该方法包括以下步骤:
首先,建立堆芯损伤评价数据库,获取可能导致堆芯损伤的核电厂典型事故序列下堆芯损伤程度和安全壳外多点位置的剂量率等堆芯损伤评价数据信息。
在优选实施例中,基于核电厂概率安全分析和工程判断,确定可能导致堆芯损伤的核电厂典型事故的始发类型清单,并在此基础上叠加具体的放射性气体释放位置、释放面积、气体沉降环境等条件,通过通用的核电站严重事故一体化分析程序获得不同事故序列以及事故序列下对应的堆芯损伤程度和放射性核素源项等变量信息。在不同实施例中,可以通过严重事故一体化分析程序直接获得不同事故序列下的堆芯损伤程度和安全壳外多点位置的剂量率信息,也可以基于变量信息通过气体扩散模型来获得安全壳外多点位置的剂量率信息。安全壳外剂量率包括气体剂量率和流体剂量率,气体剂量率的检测点位包括安全壳贯穿区检测点位和安全壳外表面检测点位。安全壳贯穿区关注点位置应离安全壳外表面尽可能地近,如图1所示,剂量率检测点位4应设置在紧邻安全壳贯穿区3的安全壳混凝土壁体2表面。安全壳外表面处关注点位置如图1所示,剂量率检测点位4应与辐射源项相隔离使其不受辐射源项的影响,并且此处安全壳混凝土壁面2厚度应是已知的,剂量率仅来自于安全壳内穿过安全壳壁体的辐射。关注点位置对应的安全壳内部空间1(γ射线体源)应具有足够大的自由体积,保证气体(安全壳内原有气体与堆芯损伤带来的放射性气体)均匀混合,不被安全壳内部固体构件干扰。如果剂量率检测点位4位置附近发生安全壳破损的情况,需要考虑破口处泄露的放射性气体对关注点剂量率的影响。流体剂量率主要来自一回路冷却剂取样系统。
接下来,建立堆芯损伤程度评估模型。
由于核电站事故与堆芯损伤程度之间的关系较为复杂,检测点位剂量率与堆芯损伤程度之间的关系并不是简单的线性关系,而关键事故变量会进一步增加检测点位剂量率与堆芯损伤程度之间对应关系的复杂度,需要通过模型建立正确的映射关系实现堆芯损伤评价数据库中数据样本的外推。基于数据驱动算法以及堆芯损伤评价数据库中的样本数据,建立堆芯损伤程度与安全壳外多个检测点位剂量率及对应关键事故变量之间的映射关系。其中,数据驱动算法为基于循环神经网络的回归模型,利用堆芯损伤评价数据库中的样本数据进行模型训练和性能评估,得到安全壳外多个检测点为剂量率与堆芯损伤程度、关键事故变量之间的映射关系。具体地,关键事故变量包括安全壳内冷却情况、反应堆停堆时长及安全壳破损情况,具体信息可以由核电厂典型事故序列确定。
最后,输入待评估的安全壳外多个检测点位的剂量率信息和关键事故变量信息,由堆芯损伤程度模型给出堆芯损伤程度的评估结果。在一些实施例中,可以输入多组多个检测点位的剂量率信息,分别由堆芯损伤程度评估模型给出评估结果,取其中损伤程度最高的作为最终评估结果。具体地,在部分实施例中,可以采用安全壳外全部可测得剂量率及核电厂关键变量信息作为输入条件,通过堆芯损伤程度评估模型获得核电厂堆芯损伤程度评估结果;分别采用安全壳贯穿区和安全壳外表面的可测得剂量率,结合核电厂关键变量信息作为输入条件通过堆芯损伤程度评估模型获得核电厂堆芯损伤程度评估结果;从两个评估结果中选取较大者作为核电厂实时堆芯损伤评估结果。
在一个优选实施例中,以某型号重水反应堆为评估对象,进行堆芯损伤程度评估。其步骤如下:
第一步,建立堆芯损伤评价数据库,获取可能导致堆芯损伤的核电厂典型事故序列下堆芯损伤程度和安全壳外多个检测点位的剂量率信息等。
基于核电厂概率安全分析和工程判断,确定可能导致堆芯损伤的核电厂典型事故的始发事件类型清单,包括:全厂断电事故、压力管破口事故、主管道小破口事故、主管道大破口事故、丧失给水事故以及完全丧失IV级电源事故等。除始发事件类型外,事故序列的始发调节还应包括放射性气体的释放位置、释放面积、气体沉降环境等条件。具体地,对于重水反应堆,放射性气体可能的释放位置有压力管破口处、给水支管破口处、主管道破口处等。气体沉降环境主要指的是安全壳内冷却情况。安全壳喷淋和非能动冷却系统是反应堆重要的安全系统之一。事故期间堆芯损伤产生的惰性气体和挥发性气体悬浮于大气中,当安全壳喷淋系统或非能动冷却系统启动时,由于冷却对气体的浸润效应,大量的挥发性气体核素会快速沉积在安全壳内部构件的表面,此时辐射剂量率主要来自惰性气体,安全壳内外的辐射剂量率明显减小。
由于安全壳混凝土壁面的屏蔽作用,即使在发生核事故后安全壳外部大多数区域的放射性核素剂量率都是低的。如图1所示,仅在贯穿区3(如气闸门)附近存在较高的剂量率。
采用通用的核电站严重事故一体化分析程序开展事故序列计算分析,给出不同事故序列下堆芯损伤程度和放射性核素源项等变量信息,并根据事故序列分析得到的变量信息利用气体扩散模型获得安全壳外多个检测点位的剂量率,或直接通过严重事故一体化分析程序获得不同事故序列下堆芯损伤程度和安全壳外多个检测点位的剂量率等信息。分析中考虑对吸收剂量率贡献较大的放射性核素,例如氪、氙等惰性气体核素以及碘、铯等挥发性气体核素。
第二步,建立堆芯损伤程度评估模型。考虑到在同一事故序列下随着停堆时长的增加,放射性核素逐渐衰减,导致放射性强度有所下降,从而影响堆芯损伤程度的评估。因此,采用基于循环神经网络的回归模型(如RNN模型、LSTM模型和GRU模型等)用于堆芯损伤程度评估。采用Python/Matlab等编程工具搭建智能评估模型框架,并利用堆芯损伤评价数据库中的样本数据进行模型训练和性能评估,确定堆芯损伤程度与安全壳外多个检测点位的剂量率、安全壳内部冷却情况、反应堆停堆时长、安全壳外剂量率检测点位附近的安全壳破损情况等变量之间的映射关系。
第三步,将待评估的反应堆信息输入堆芯损伤程度评估模型进行评估。输入信息包括待评估的安全壳外检测点位的剂量率信息、已确定的关键事故变量信息(如安全壳内的冷却情况和停堆时长),由堆芯损伤程度评估模型根据输入信息给出评估得到的堆芯损伤程度的百分比值。在进一步的可选实施例中,评估结果可以通过两种方式获得:采用安全壳外全部可测得剂量率及核电厂关键变量信息作为输入条件,通过堆芯损伤程度评估模型获得核电厂堆芯损伤程度评估结果;分别采用安全壳贯穿区和安全壳外表面的可测得剂量率,结合核电厂关键变量信息作为输入条件通过堆芯损伤程度评估模型获得核电厂堆芯损伤程度评估结果;从两个评估结果中选取较大者作为核电厂实时堆芯损伤评估结果。
上述方法能够基于安全壳外的剂量率对堆芯损伤程度进行智能评估,降低事故状态下安全壳内检测系统失效给堆芯损伤评估带来的风险与不确定性,提升核电安全性能评估的自动化程度,简化堆芯损伤程度评估流程,进而提高核事故应急响应决策的效率。
根据本发明另一个方面的实施例,提供一种计算装置,该计算装置可以是通用计算设备如计算机,也可以是专门搭建的具有存储器与处理器的计算平台,还可以是云计算装置等。该计算装置的存储器中存储有用于堆芯损伤评估的计算程序,在该计算程序被处理器执行时,能够实施前述实施例中所提供的基于安全壳外剂量率的堆芯损伤评估方法。该计算装置可以集成在核电站控制系统中,对核电站的运行状态进行实时检测与评估,也可以在事故发生后自动启动对事故严重程度进行评估。
上述实施例的目的在于结合附图对本发明的作出进一步的详细说明,以便本领域技术人员能够理解本发明的技术构思。在本发明公开的范围内,对所涉及的方法步骤进行优化或替换,以及在不发生原理冲突的前提下对不同实施例中的实施方式进行结合,均落入本发明的保护范围。
Claims (9)
1.一种基于安全壳外剂量率的堆芯损伤评估方法,其特征在于,包括以下步骤:
a)提供堆芯损伤评价数据,所述堆芯损伤评价数据包括核电厂典型事故序列下的堆芯损伤程度和安全壳外多个检测点位的剂量率信息;
b)基于循环神经网络建立回归模型,利用所述堆芯损伤评价数据对所述回归模型进行训练,建立所述检测点位的剂量率、事故变量信息与堆芯损伤程度之间的映射关系,形成堆芯损伤程度评估模型,其中所述事故变量信息包括安全壳内部冷却情况、反应堆停堆时长和安全壳破损情况;
c)提供事故变量信息和通过实际测量得到的多个所述检测点位的剂量率信息,由所述堆芯损伤程度评估模型给出堆芯损伤程度评估结果。
2.根据权利要求1所述的基于安全壳外剂量率的堆芯损伤评估方法,其特征在于,所述a)步骤中所述核电厂典型事故序列通过以下方式获得:提供核电站严重事故一体化分析程序,提供事故始发事件、放射性气体释放位置、放射性气体释放面积、气体沉降环境及安全壳破损情况并输入所述核电站严重事故一体化分析程序,获得反应堆停堆时长、堆芯损伤程度和多个所述检测点位的剂量率信息。
3.根据权利要求2所述的基于安全壳外剂量率的堆芯损伤评估方法,其特征在于,所述核电站严重事故一体化分析程序给出多个所述检测点位剂量率信息的过程包括,根据输入的事故条件直接计算得到多个所述检测点位的剂量率信息,或根据输入的事故条件获取堆芯放射性核素源项,利用气体扩散模型计算并获得安全壳外多个所述检测点位的剂量率信息。
4.根据权利要求1或2所述的基于安全壳外剂量率的堆芯损伤评估方法,其特征在于,所述检测点位包括安全壳贯穿区检测点位和安全壳外表面检测点位。
5.根据权利要求4所述的基于安全壳外剂量率的堆芯损伤评估方法,其特征在于,所述安全壳外表面检测点位与辐射源项相隔离,使剂量率仅为穿过安全壳壁体的辐射。
6.根据权利要求4所述的基于安全壳外剂量率的堆芯损伤评估方法,其特征在于,所述安全壳外表面检测点位对应的安全壳内空间无内部固体构件干涉。
7.根据权利要求1或2所述的基于安全壳外剂量率的堆芯损伤评估方法,其特征在于,所述b)步骤中所述回归模型包括RNN模型、LSTM模型或GRU模型。
8.根据权利要求1或2所述的基于安全壳外剂量率的堆芯损伤评估方法,其特征在于,在所述c)步骤中还包括提供多组多个所述检测点位信息的步骤,分别由所述堆芯损伤程度评估模型给出堆芯损伤程度评估结果,以其中损伤程度最高的作为最终评估结果。
9.一种计算装置,包括存储器与处理器,其特征在于,所述存储器存储有计算程序,当所述计算程序被所述处理器执行时能够实现如权利要求1至8中任一所述的基于安全壳外剂量率的堆芯损伤评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311412941.1A CN117390588A (zh) | 2023-10-30 | 2023-10-30 | 一种基于安全壳外剂量率的堆芯损伤评估方法及计算装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311412941.1A CN117390588A (zh) | 2023-10-30 | 2023-10-30 | 一种基于安全壳外剂量率的堆芯损伤评估方法及计算装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117390588A true CN117390588A (zh) | 2024-01-12 |
Family
ID=89462765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311412941.1A Pending CN117390588A (zh) | 2023-10-30 | 2023-10-30 | 一种基于安全壳外剂量率的堆芯损伤评估方法及计算装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117390588A (zh) |
-
2023
- 2023-10-30 CN CN202311412941.1A patent/CN117390588A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104934084B (zh) | 一种核电站燃料元件包壳破损监测方法及系统 | |
CN105006259B (zh) | 一种核电厂堆芯损伤评价方法 | |
CN111751866B (zh) | 基于中子符合计数的溶液系统钚浓度估算方法及监测系统 | |
US20190392959A1 (en) | Predicting Multiple Nuclear Fuel Failures, Failure Locations and Thermal Neutron Flux 3D Distributions Using Artificial Intelligent and Machine Learning | |
CN109346198A (zh) | 一种核电站燃料包壳破损诊断系统及其诊断方法 | |
Dong et al. | Detection of fuel failure in pressurized water reactor with artificial neural network | |
Song et al. | A simulation and machine learning informed diagnosis of the severe accidents | |
Ramezani et al. | Applications of Soft Computing in nuclear power plants: A review | |
Uchida et al. | An approach toward evaluation of long-term fission product distributions in the Fukushima Daiichi nuclear power plant after the severe accident | |
Verma et al. | Defective PWR fuel rods detection and characterization using an Artificial Neural Network | |
Sun et al. | A forward-backward coupled source term estimation for nuclear power plant accident: A case study of loss of coolant accident scenario | |
CN109545408A (zh) | 基于人工智能技术对核电站反应堆燃料元件包壳破损的判定及预测方法 | |
CN117390588A (zh) | 一种基于安全壳外剂量率的堆芯损伤评估方法及计算装置 | |
Knochenhauer et al. | Using Bayesian Belief Network (BBN) modelling for rapid source term prediction. Final report | |
Park et al. | Smart sensing of the RPV water level in NPP severe accidents using a GMDH algorithm | |
CN114662419A (zh) | 核电厂功率运行工况下管道沉积源项本底评估系统及方法 | |
Tiborcz et al. | Uncertainty and sensitivity analysis of the Phébus FPT3 test | |
Kim et al. | Input-domain software testing for failure probability estimation of safety-critical applications in consideration of past input sequence | |
Szalóki et al. | Time-dependent leakage model for the identification of defective fuel assemblies of VVER-type nuclear reactors, part 1: Theory | |
Song et al. | A machine learning diagnosis of the severe accident progression | |
Caldwell | Adressning Off-Site Consequence Criteria Using Level 3 Probabilistic Safety Assessment | |
Yavuz et al. | The Application of Artificial Intelligence to Nuclear Power Plant Safety | |
Elks et al. | Verifiable Digital I&C and Embedded Digital Devices for Nuclear Power | |
Pirouzmand et al. | VVER-1000 reactor core monitoring using ex-core neutron detectors and neural networks | |
Song et al. | A machine learning informed prediction of severe accident progressions in nuclear power plants |
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 |