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。     

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。     

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。     

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.     

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。     

多模块核电厂概率安全分析全工况始发事件研究

为了分析多模块核电厂在不同运行状态下的风险,本文将关注重点从功率工况拓展到核电厂全工况.采用"先单模块后多模块"的思想,分析模块运行状态组合,进行对应状态的始发事件识别,实现始发事件频率的定量化计算,归纳出一套适用于多模块核电厂概率安全分析的全工况始发事件分析方法,确定了多模块概率安全分析定量化的第1步.同时,以双模块高温气冷堆丧失厂外电事故为例,对本文提出的始发事件识别过程和频率确定方法进行了论证.研究表明:该方法充分利用了单模块概率安全分析的结果,易于理解且流程简便,对多模块概率安全分析研究具有奠基意义.     

核电站风险指引设备分级的试点研究

风险指引设备分级通过定量化的概率风险分析、纵深防御的确定性分析和敏感性分析3个步骤来综合评估设备的安全重要性.重点研究了风险指引设备分级中的确定性分析评估方法,研究建立了一套改进的风险指引设备分级流程,并以大亚湾核电站的辅助给水系统、安全壳喷淋系统和设备冷却水系统为对象进行试点研究,验证了改进的设备分级流程是合理、有效的.     

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。