Содержание к диссертации
Введение
Глава 1. Обзор основных методов идентификации типа аварии на АЭС 18
1.1 Основные положения по авариям 18
1.2 Основные моменты идентификации аварий по простым системам
1.2.1 Методы на основе модели 21
1.2.2 Безмодельные методы
1.2.2.1 Методы на основе поступающих данных 22
1.2.2.2 Методы на основе сигналов 24
1.3 Идентификация аварий на АЭС (как сложной системы) 24
1.3.1 Методы с использованием модели для идентификации аварии на АЭС 26
1.3.2 Безмодельные методы для идентификации аварии на АЭС 26
1.3.3 Статистические методы 27
1.3.4 Система на основе нечеткой логики 29
1.3.5 Походы с применением нейронных сетей для идентификации аварии на АЭС
1.3.5.1 Многослойные нейронные сети прямого распространения 31
1.3.5.2 НС для идентификации «неизвестных» типов аварий 34
1.3.5.3 НС обрабатывающие данные, зависящие от времени 35
1.3.5.4 Достоинства и недостатки методов
идентификации с НС 35
1.3.6 Нейро-нечёткие системы для
идентификации на АЭС 36
1.3.7 Выводы по главе 1 37
Глава 2. Методы для построения системы идентификации 39
2.1 Общий формализм системы идентификации аварии на АЭС
на основе нейронных сетей 39
2.2 Возможное ветвление аварии в течение ее развития 42
2.3 Основные характеристики нейронных сетей 46
2.3.1 Основные понятия НС 47
2.3.1.1 Модель нейронов 47
2.3.1.1.1 Типы функций активации 49
2.3.1.2 Архитектура НС 51
2.3.1.3 Многослойные сети прямого распространения
2.3.2 Обучение НС 54
2.3.3 Алгоритм обучения многослойной НС методом обратного распространения ошибки 57
2.4 Описание расчетного кода RELAP5 60
2.4.1 Общее сведение о расчётном коде RELAP5 60
2.4.2 Основные уравнения системного кода RELAP5 61
2.4.2.1 Система пар – жидкость без учета неконденсируемых газов и бора 61
2.4.2.2 Режимы двухфазного потока и специальные модели процессов код RELAP5 64
2.4.3 Компоненты кода RELAP5 .66
2.4.4 Использование RELAP5 в системе
идентификации аварий 67
2.5 Методы анализа неопределенностей расчётов 67 73
2.6 Определение необходимого количества расчетов с использованием формулы Вилкса
2.7 Выводы по главе
Глава 3. Создание базы данных для системы идентификации аварий ру ВВЭР-1000/В320
3.1 Краткое описание РУ ВВЭР-1000/В320 для проведения моделирования аварий на АЭС 75
3.1.1 Основные характеристики и параметры реакторной установки ВВЭР-1000 75
3.1.2 Особенности систем безопасности РУ ВВЭР - 1000/В-320 78
3.1.3 Моделирование систем безопасности на АЭС с РУ ВВЭР-1000
3.1.3.1 Нодализационная схема РУ
ВВЭР-1000/В320 по коду RELAP5 84
Выбор множества аварий для настройки базы данных по идентификации 91
Анализ процесса протекания аварий при течи теплоносителя из первого контура РУ 95
3.3.1 Течь из горячей нитки первого контура с ДУ 30мм (Hn30) 95
3.3.1.1 Описание аварийной ситуации 95
3.3.1.2 Хронологическая последовательность основных событий аварии 96
3.3.2 Течь холодной нитки первого контура с ДУ 50мм с наложением отказа насоса высокого давления JND (CnJND50) из
3.3.2.1 Описание аварии
3.3.2.2 Хронологическая последовательность основных событий аварии 100
3.4 Выбор контролируемых параметров для мониторинга состояния АЭС 102
3.5 Выбор параметров для моделирования стохастических отклонений 105
3.6 Генерация базы данных для систем идентификации аварии на основе АН 107
3.6.1 Применение технологии параллельных расчетов для АН 107
3.6.1.1 Обоснование применения техник параллельных расчетов PVM 107
3.6.1.2 Принципы работы PVM 108
3.6.2 Метод генерации базы данных на основе программы NPO 110
3.7 Результаты проведения расчетов по созданию базы данных идентификации 113
3.7.1 Результирующие данные для аварии течи первого контура из холодной нитки с ДУ 30мм (Cn30) – рис. 3.12 - 3.15 115
3.7.2 Результирующие данные для аварии течи первого контура из холодной нитки с ДУ 40мм (Cn40) – рис. 3.16 - 3.19 117
3.7.3 Результирующие данные для аварии течи первого контура из холодной нитки с ДУ 50мм (Cn50) – рис. 3.20 - 3.23 119
3.7.4 Результирующие данные для аварии течи первого контура из холодной нитки ДУ 50мм с отказом системы насоса высокого давления JND САОЗа петли 4 (CnJND50) – рис. 3.24 - 3.27 121 3.7.5 Результирующие данные для аварии течи первого контура из горячей нитки ДУ 30мм (Hn30) – рис. 3.28 - 3.31 123
3.7.6 Результирующие данные для аварии течи первого контура из горячей нитки ДУ 40мм (Hn40) – рис. 3.32 - 3.35 125
3.7.7 Результирующие данные для аварии течи первого контура из горячей нитки ДУ 50мм (Hn50) – рис. 3.36 - 3.39 127
3.7.8 Результирующие данные для аварии течи первого контура из горячей нитки ДУ 50мм с отказом одного гидроаккумулятора САОЗа (HnHA50) – рис. 3.40 - 3.43 129
3.7.9 Анализ результатов расчетов 131
3.8 Выводы по главе 3 131
Глава 4. Разработка и оптимизация системы идентификации аварий в различных режимах ее функционирования 133
4.1 Задача настройки и поиски оптимальной структуры нейронной сети 133
4.1.1 Программа neuroV для поиска оптимальных параметров НС, ее обучению и распознаванию аварий 133
4.1.2 Метод перебора для нахождения оптимальной архитектуры НС 137
4.1.3 Метод на основе генетического алгоритма для нахождения оптимальной архитектуры НС 1 4.2 Тестирование распознавания аварий РУ ВВЭР-1000 для начального момента аварии 139
4.3 Работа системы идентификации во время протекания аварии 1 4.3.1 Анализ проблемы «мертвой зоны» 141
4.3.2 Использования системы идентификации для базы данных на основе 2, 4, 6 и 16 аварий 142
4.3.2.1 Идентификация 2,4, и 6 типов аварий 142
4.3.2.2 Идентификация 16 типов аварий 147
4.3.3 Иерархическая структура системы распознавания для 64 типов аварийных ситуаций на основе бинарного дерева 149
4.3.4 Определение временных окон («мертвых зон») 1 4.4 Возможность функционирования системы идентификации при наличии ошибок в мониторинге 158
4.5 Направления развития 160
4.6 Выводы по главе 4 161
Выводы по работе 163
Литература
- Идентификация аварий на АЭС (как сложной системы)
- Многослойные сети прямого распространения
- Хронологическая последовательность основных событий аварии
- Метод перебора для нахождения оптимальной архитектуры НС
Введение к работе
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 противоава-рийных 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.
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;
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
-
Метод построения системы идентификации аварийных ситуаций на АЭС на основе НС с применением метода АН;
-
Метод решения задачи идентификации аварий в процесс их развития;
-
Создание расширенной базы данных для системы распознавания аварий для РУ ВВЭР-1000, анализ ее качества;
-
Метод использования иерархической системы на основе бинарного дерева для распознавания большого типа аварий;
-
Метод учета стохастических характеристик для идентификации аварий на АЭС в процессе их развития;
-
Результаты тестирования разработанных методов и алгоритмов на основе созданной расширенной базы данных для РУ ВВЭР-1000;
-
Алгоритм учета возможных вариантов отказа компонент системы контроля.
Апробация работы. Основные положения диссертационной работы, результаты теоретических и расчетных исследований докладывались и обсуждались на:
-
8-ой и 9-ой Международных научно-технических конференциях (МНТК) «Обеспечение безопасности АЭС с ВВЭР», ОКБ «ГИДРОПРЕСС», г. Подольск, 2013 и 2015 г.
-
Конференциях молодых специалистов «Инновации в атомной энергетике», ОАО «НИКИЭТ», Москва, 2013 и 2015 г.
-
IV и VI Международных конференциях: «Облачные вычисления. Образование. Исследования. Разработка», ИСПРАН, Москва, 2013 и 2015 г.
-
ХХ-XXII МНТК «Радиоэлектроника, электротехника и энергетика»; ФГБОУ ВО «НИУ «МЭИ», Москва, 2014 - 2016 г.
-
Международной научно-методической конференции «Информатизация инженерного образования (Инфорино-2014)», ФГБОУ ВО «НИУ «МЭИ», Москва, 2014 г.
-
Третьей МНТК «Инновационные проекты и технологии ядерной энергетики», ОАО «НИКИЭТ», Москва, 2014 г.
-
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, от
ражающих основные положения исследования, в том числе 3 статьи в журна
лах, 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.
Идентификация аварий на АЭС (как сложной системы)
Переходный процесс на атомных электростанциях (АЭС) определяется как событие, когда АЭС переходит из нормального состояния в анормальное и при его дальнейшем развитии может формироваться авария.
Авария – нарушение эксплуатации АЭС, при котором произошел выход радиоактивных веществ и/или ионизирующего излучения за предусмотренные проектом для нормальной эксплуатации границы в количествах, превышающих установленные пределы безопасной эксплуатации. Авария характеризуется исходным событием, путями протекания и последствиями [1].
Переходные процессы/аварии на АЭС могут быть инициированы отказами оборудования или внешними возмущениями. Переходные процессы/аварии должны быть правильно идентифицированы как можно скорее, чтобы противоаварийные меры смогли минимизировать или смягчать негативные последствия. В этом автоматическая система идентификации аварии может быть ценным дополнением к знанию оператора. Во время аварии, выходные данные измерительных систем АЭС отличаются от тех, которые соответствуют нормальным условиям эксплуатации и они могут быть различными для разных аварий. Таким образом, идентификация аварии, по существу, является проблемой распознавания как между нормальными и анормальными состояниями АЭС, так и типа соответствующей аварии. При этом специфика АЭС и особенности ее функционирования как чрезвычайно сложной системы делает эту задачу трудно выполнимой [2].
Из общей теории диагностики можно определить, что система диагностики отказов обычно включает в себя процессы: детектирование отказов, локализация отказов и определение типа отказов. Детектирование определяет факт наличия отказа. Далее, локализация отказов устанавливает их расположение в контролируемом объекте и на последнем этапе выполняется определение конкретных характеристик, например, размеров течи [3]. В дополнение компоненты системы идентификации могут модифицироваться в соответствии с требованиями конкретной задачи.
В нашей работе мы будем рассматривать проблему диагностики аварий на АЭС. Данная задача 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: і. Идентификация отказов, относящихся к небольшому оборудованию или простой системе (например: насосы, системы клапанов, парогенератор и т.п.). Он характеризуется: относительно простыми процессами в объекте и небольшим их количеством, зачастую отсутствием взаимовлияния между ними; возможностью достаточно полного контроля над диагностируемым объектом; динамика объекта представляется относительно простыми моделями.
Идентификация отказов, относящихся к сложной системе (АЭС, химические предприятия, аэрокосмическая техника и т.п.) Они характеризуются: ? наличием достаточно сложных процессов в объекте, количеством процессов и наличием нелинейных связей между ними; невозможностью полного контроля как отдельных процессов так и компонентов оборудования; сложными моделями с наличием неопределенностью моделирования; наличие существенных стохастических отклонений на измеряемых характеристиках.
Таким образом, задача идентификации типа аварий на АЭС относиться к задаче диагностики сложной системы. В ней у нас отсутствует возможность обеспечить полный мониторинг всех компонент объекта и, таким образом, необходимо осуществлять диагностику на основе только 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. контроль на макроуровне.
Пред рассмотрением существующих работ в области диагностики аварии на АЭС, сначала рассмотрим коротко общие методы идентификации отказов технологического оборудования. Аварии по простым системам представляются отказами технологического оборудования, такие как: повреждение подшипника машины, недостаточная смазка, отказ обмотки двигатели т.д.
В этом случае идентификация отказов может быть разделена на методы на основе модели и безмодельные методы [2]. Последнее может быть классифицировано на методы на основе поступающих многомерных данных и методы на основе одномерных сигналов.
Многослойные сети прямого распространения
Подобно биологической нейронной системе НС является вычислительной системой с огромным числом параллельно функционирующих простых процессоров с множеством связей. Модели НС в некоторой степени воспроизводят "организационные" принципы, свойственные мозгу человека. Представим некоторые проблемы, решаемые НС. Классификация образов. Задача состоит в указании принадлежности входного образа (например, речевого сигнала или рукописного символа), представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, классификация клеток крови; Кластеризация/категоризация. При решении задачи кластеризации, которая известна также как классификация образов "без учителя", отсутствует обучающая выборка с метками классов. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных; Аппроксимация функций; Предсказание/прогноз; Оптимизация; Ассоциативная память. Ассоциативная память, или память, адресуемая по содержанию, доступна по указанию заданного содержания. Содержимое памяти может быть вызвано даже по частичному входу или искаженному содержанию.
Нейрон представляет собой единицу обработки информации в НС. На блок - схеме рис. 2.3 показана модель нейрона, лежащего в основе НС. В этой модели можно выделить два основных элемента [102]:
Набор синапсов или связей, каждый из которых характеризуется своим весом или силой. В частности, сигнал х,- на входе синапса j, связанного с нейроном к, умножается на вес w/g. Первый индекс w относится к рассматриваемому нейрону, а второй - ко входному окончанию синапса, с которым связан данный вес. Сумматор складывает входные сигналы, взвешенные относительно соответствующих синапсов нейрона. Эту операцию можно описать как линейную комбинацию; Рис. 2.3. Нелинейная модель нейрона Функция активации ограничивает амплитуду выходного сигнала нейрона. Обычно нормированный диапазон амплитуд выхода нейрона лежит в интервале [0, 1] или [-1, 1]. В модель нейрона, показанную на рис. 2.3, включен пороговый элемент, который обозначен символом bk. Эта величина отражает увеличение или уменьшение входного сигнала, подаваемого на функцию активации. В математическом представлении функционирование нейрона к можно описать следующей парой уравнений: ід J и =5Х y=i (2.3) j, = р(ик+Ьк) (2.4) где Xj, х2, ..., хт - входные сигналы; wkl, wk2, yvkm - синаптические веса нейрона к; щ - линейная комбинация входных воздействий (linear combiner output); bk - порог; ер - функция активации; yk -выходной сигнал нейрона. Использование порога bk обеспечивает эффект аффинного преобразования выхода линейного сумматора щ. В модели, показанной на рис. 2.3, постсинаптический потенциал вычисляется следующим образом:
Сигмоидальная функция. Сигмоидальная функция является распространенной функцией, используемой для создания искусственных нейронных сетей. Это быстро возрастающая функция, которая поддерживает баланс между линейным и нелинейным поведением. Примером сигмоидальной функции может служить логистическая функция, задаваемая следующим выражением: где а - параметр наклона сигмоидальной функции. График сигмоидальной функции представляется на рис. 2.4.
Если пороговая функция может принимать только значения 0 и 1, то сигмоидальная функция принимает бесконечное множество значений в диапазоне от 0 до 1. При этом следует заметить, что сигмоидальная функция является дифференцируемой, в то время как пороговая – нет. 2.3.1.2. Архитектура НС
НС может рассматриваться как направленный граф со взвешенными связями, в котором искусственные нейроны являются узлами. Структура НС тесно связана с используемыми алгоритмами обучения. По архитектуре связей НС могут быть сгруппированы в два класса (рис. 2.5): сети прямого распространения, в которых графы не имеют петель, и рекуррентные сети, или сети с обратными связями.
В наиболее распространенном семействе сетей первого класса, называемых многослойным персептроном, нейроны расположены слоями и имеют однонаправленные связи между ними. На рис. 2.5 представлены типовые сети каждого класса. Сети прямого распространения являются статическими в том смысле, что на заданный вход они вырабатывают одну совокупность выходных значений, не зависящих от предыдущего состояния сети. Рекуррентные сети являются динамическими, так как в силу обратных связей в них модифицируются входы нейронов, что приводит к изменению состояния сети. Наиболее часто в технических задачах используются НС на основе многослойного персептрона и они будут рассматриваться в дальнейшем.
Хронологическая последовательность основных событий аварии
В пассивную часть САОЗ входят гидроемкости, соединенные трубопроводами с корпусом реактора. Одна половина из них сообщается с выходом активной зоны, другая - с входом в активную зону. На каждом трубопроводе от гидроемкости к реактору устанавливаются две нормально закрытые задвижки, исключающие попадание азота из емкости в реактор при срабатывании системы, и два обратных клапана, отсекающих емкости САОЗа в процессе нормальной эксплуатации АЭС от реактора. Технические характеристики гидроемкостей САОЗ проведены в табл. 3.3 [122-123]. Таблица 3.3 Технические характеристики гидроемкостей САОЗ Наименование параметра Величина Количество, шт. 4 Давление расчетное, рабочее, МПа 6,4 Давление номинальное стационарного режима, МПа 5,9 Температура рабочая, С 55-60 Объем гидроемкости, м3 60 Объем воды в гидроемкости, м3 50 Объем газовой среды, м3 10 Температура расчетная (для обоснования прочности), С 90 Давление гидроиспытания, МПа 8,3 Температура гидроиспытания, С, не менее 20 Среда, раствор борной кислоты, г/кг 16 Толщина стенок днищ, мм 84 Толщина стенок обечаек, мм 79 Внутренний диаметр корпуса, мм 3215 Высота корпуса емкости, мм 9865 Минимальная температура газа после опорожнения, С 110 Масса гидроемкости, кг 86615 Активный узел САОЗ – включает в себя независимые контура: аварийное расхолаживания и аварийный впрыска бора.
Контур аварийного расхолаживания реактора предназначен для расхолаживания реактора после отработки пассивного узла САОЗ. Этот контур также используется для планового расхолаживания реактора по следующей схеме:
Аварийный впрыск бора САОЗ состоит из трёх следующих подсистем: 1. Система поршневой насоса высокого давления – JDH. Cистема насоса для впрыска концентрированного борного раствора в первый контур при высоком давлении первого контура, которое находится в интервале (0,1 - 17,8 МРа). Система включает в себя независимое тройное резервирование и она должна быть срабатывать при аварийных ситуациях. 2. Система активного впрыска центробежными насосами высокого давления – JND. При аварийном падении давления в первом контуре ниже 11,0 МПа, что соответствует малым утечкам, насос высокого давления включает в работу системы аварийного впрыска раствора борной кислоты. Система имеет независимое тройное резервирование, при отказе 1-ой системы, 2-я система автоматически включается, а затем и 3-я если необходимо или при ремонте одной системы, другая срабатывает, а остальная система для резерва. 3. Системы активного впрыска с насосами низкого давления – JNG. Если давление в 1-ом контуре продолжает падать сильно до 2,16 МПа, что соответствует значительным утечкам, то включается система аварийного впрыска раствора борной кислоты насосами низкого давления. Как система впрыска с насосами высокого давлении, эта система также имеет 3-ех кратное резервирование. Кроме системы САОЗа и её подсистем в первом контуре, во втором контуре АЭС с ВВЭР-1000 существуют следующие установки, системы, которые используются для управления авариями: БРУ-А – быстродействующая редукционная установка сброса пара в атмосферу; БРУ-К – быстродействующая редукционная установка сброса пара в конденсатор; система аварийной питательной воды.
Четыре БРУ-А – предназначены для регулируемого сброса пара второго контура в атмосферу при аварийных ситуациях, связанных с нарушением отвода тепла через второй контур или с отказом системы БРУ-К (например, в случае обесточивания АЭС). БРУ-А срабатывают по сигналу повышения давления второго контура до 7,16 МПа, а когда давление второго контура уменьшается до 6,81 МПа клапаны БРУ-А закрываются, в табл. 3.4 также представлены основные технические характеристики БРУ-А [124].
Время полного открытия / закрытия клапана, (сек) Четыре БРУ-К - предназначены для снижения давления пара в главном паровом коллекторе сбросом пара в конденсатор турбины. Срабатывание БРУ-К необходимо при авариях, связанных с нарушением отвода тепла через второй контур и авариях, связанных с отключением турбогенератора. БРУ-К открываются с увеличением давления второго контура до 6,33 МПа, а закрывается при давлении второго контура снижается до 6,23 МПа. Основные параметры БРУ-К представлены в табл. 3.5.
Система аварийной питательной воды обеспечивает подачу питательной воды в парогенератор с помощью питательных насосов через питательный узел, включающий регулирующие питательные клапаны, управляемые от регуляторов уровня теплоносителя в парогенераторе второго контура либо по сигналу увеличения температуры первого контура.
Остальные эксплуатационные и аварийные системы перечислены ниже [125]: Системы паропроводов и питательных трубопроводов высокого давления второго контура, которые включают в себя: паропроводы высокого давления, быстродействующий запорно-отсечной клапан -БЗОК, обратные клапаны, предохранительные клапаны, управляющая арматура; Система защиты 2-ого контура АЭС применяется для предотвращения превышения давления второго контура, в состав которой кроме БРУ-А, БРУ-К еще входят: предохранительные клапаны парогенератора; Быстродействующий запорно-отсечной клапан (БЗОК). В этом пункте представляется более конкретное описание особенностей система безопасности для РУ ВВЭР-1000 в используемой модели РУ. На рис. 3.2 приведена схема моделирования системы безопасности в первом контуре, а на рис. 3.3 упрощенная схема аварийной системы второго контура.
В данной работе используется системный код RELAP5, поэтому необходимым этапом является разработка нодализационной схемы РУ ВВЭР-1000/В320. При этом используется дискретное приближение реальных геометрических и физических характеристик.
Дискретное приближение при представлении реальных объектов значит, что сложная геометрическая форма разделяется на некоторые простые элементы, которые связаны друг с другом. Иначе говоря, выход каждого элемента является входом следующего элемента, таким образом, образуется последовательность элементов аппроксимации реального геометрического объекта.
Метод перебора для нахождения оптимальной архитектуры НС
Использование суперкомпьютеров - дорогостоящий подход и он не всегда доступен. Поэтому для реализации расчетов использовалась специальная технология объединении совокупности компьютеров в сеть для решения одной задачи. Один компьютер выступает в роли главной машины, которая может запускать задачи на других машинах и осуществлять между ними соответствующий обмен данными. Для реализации данной технологии (вычислительных кластеров) используются системы MPI (Message Parsing Interface) или PVM (Parallel Virtual Machine).
В данной работе в качестве техники параллельных вычислений использовалась система PVM, так как она позволяет: работать со стандартной сетевой инфраструктурой локальной компьютерной сети (LAN); эффективно объединить разнородные программные узлы, которые работают как под операционной системой UNIX (так и семейства ОС WINDOWS). Далее рассмотрим основные принципы работы PVM.
PVM (Параллельная Виртуальная Машина с англ.) является связывающим программным звеном между гетерогенными средствами вычислительного комплекса (ядра, процессоры, компьютеры), реализующим параллельную обработку данных на разных вычислительных узлах [131].
Программный продукт был разработан при совместном сотрудничестве Окриджской национальной лаборатории, Университета штата Теннесси и Университета Эмори. Последней версией PVM является версия 3.4.6, выпущенная в феврале 2009 года.
Система PVM состоит из двух частей. Первая часть – это «демон» под названием pvmd3 - часто сокращается как pvmd, - который помещается на все компьютеры, создающие виртуальную машину. Когда пользователь желает запустить приложение PVM, он, прежде всего, создает виртуальную машину. После этого приложение PVM может быть запущено с любого UNIX-терминала на любом из хостов. Вторая часть системы – это библиотека подпрограмм интерфейса PVM. Она содержит функционально полный набор примитивов, которые необходимы для взаимодействия между задачами приложения. Эта библиотека содержит подпрограммы для обмена сообщениями, порождения процессов, координирования задач и модификации виртуальной машины.
Существует три различных алгоритма, использующиеся при разработке PVM программы [132] и в данной работе используется наиболее часто применяемая архитектура Master-slave (рис. 3.10), т.к она полностью соответствует специфики текущих вычислений. В этом случае сначала вычислительная задача запускается на master-процессоре, который будет играть роль координатора работ. В дальнейшем, после инициализации конфигурации машины, начальных условий и других предварительных действий, он запускает остальные slave-процессоры, каждый из которых вызывает свой исполняемый файл. Далее обмен информацией осуществляется следующим образом. Master передает slave процессам начальные условия задачи, последние после расчета очередного шага возвращают результаты обратно главному модулю. Master, таким образом, обрабатывает, собирает информацию и определенным образом варьирует начальные условия.
Использование PVM происходит следующим образом. Программист создает программу, которая порождает несколько процессов, взаимодействующих между собой посредством обмена сообщениями. В PVM реализованы основные типы обмена – двухточечный и коллективный. Есть средства синхронизации процессов. В состав PVM, кроме того, входят подпрограммы управления конфигурацией виртуальной машины. Они позволяют, при необходимости, удалять из виртуальной машины компьютеры или добавлять в нее новые. Любая задача может запускать новые процессы или завершать выполнение процессов, закончивших свою работу. Все это вместе дает возможность эффективно использовать ресурсы параллельной вычислительной системы и создавать устойчивые по отношению к аппаратным сбоям программы.
Для конкретной реализации параллельных вычислений в рамках АН для создания базы данных по идентификации использовался программный комплекс NPO (Nuclear Plant Optimizer), который предназначен для использования совместно с анализом безопасности АЭС таких технологий, как анализ динамических процессов РУ на основе кодов улучшенной оценки типа RELAP5, современных информационных технологий (нейронные сети, генетические алгоритмы и т.п.) [133]. Эта программа после определенной доработки использовалась для проведения анализа неопределенности [104]. Программной комплекс NPO, состоит из 3-х подпрограмм: 1- управляющая программа NPOmaster; 2- программа NPOslave; 3- программа NPOexter для обработки полученных АН; Общая архитектура программы NPO представлена на рис. 3.11.
При запуске программного комплекса NPO выборочные данные (например, максимальная температура оболочки ТВЭЛов и т.п.) определяются на основе вариации неопределенных параметров и сохраняются в файле базы данных вместе со значениями варьируемых параметров. После окончания расчетов необходимо обработать эти данные. Для этого основные цели