CN113837535B - 一种用于核电厂严重事故进程回溯的方法 - Google Patents
一种用于核电厂严重事故进程回溯的方法 Download PDFInfo
- Publication number
- CN113837535B CN113837535B CN202110947643.7A CN202110947643A CN113837535B CN 113837535 B CN113837535 B CN 113837535B CN 202110947643 A CN202110947643 A CN 202110947643A CN 113837535 B CN113837535 B CN 113837535B
- Authority
- CN
- China
- Prior art keywords
- accident
- event
- nuclear power
- power plant
- serious
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008569 process Effects 0.000 title claims abstract description 27
- 238000003745 diagnosis Methods 0.000 claims abstract description 25
- 230000004044 response Effects 0.000 claims abstract description 16
- 238000011161 development Methods 0.000 claims abstract description 4
- 238000002347 injection Methods 0.000 claims description 36
- 239000007924 injection Substances 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 24
- 238000013135 deep learning Methods 0.000 claims description 13
- 230000003111 delayed effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 7
- 239000002826 coolant Substances 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 241000321453 Paranthias colonus Species 0.000 claims description 2
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000037452 priming Effects 0.000 claims 1
- 230000006403 short-term memory Effects 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000011511 automated evaluation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000002918 waste heat Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明涉及一种用于核电厂严重事故进程回溯的方法。采用本发明所提供的方法，在核电厂发生严重事故时，可以快速诊断严重事故的始发事件类别、始发事件参数，以及***响应信息。将回溯得到的严重事故进程诊断信息输入到严重事故一体化分析程序，获得事故进程进一步发展的预测信息，从而为操纵员的干预操作提供正负面影响评价。采用本发明所提供的方法，还实现了自动化诊断，无须人工干预。同时，本发明所述的方法还提供了事故序列的严重事故进程中题头事件时间诊断，即***响应时间诊断，分析了事故序列各题头事件的延迟运行时间对严重事故进程的影响。
Description
技术领域
本发明属于核电厂的严重事故管理导则实施领域，涉及一种用于核电厂严重事故进程回溯的方法。
背景技术
严重事故管理导则(Severe Accident Management Guidelines，SAMG)是核电厂在发生严重事故时，用于主控室和技术支持中心的工作人员采取措施缓解堆芯损伤事故造成后果的指导性管理文件。严重事故管理导则许多决策的典型做法是评估拟采取操作的潜在负面影响。SAMG实施成功的关键因素之一即为技术支持人员快速进行严重事故进程诊断，诊断出严重事故始发事件、始发事件参数，以及核电厂***的响应。但是在应急辅助决策***中，缺少核电厂***中***的响应动作信息，例如高压安注泵、低压安注泵、安全喷淋泵、主蒸汽管道安全阀等的动作信号。这导致在发生严重事故时，只能由人工记录核电厂***的响应，无法实现自动化评估。
在现有的技术中，出现了一些对严重事故进程进行回溯的方法，大致包括如下的几种方法：
(1)应急运行规程：主要方法是操纵员根据最佳恢复规程，由诊断规程识别事故原因，引导进入指定的事故恢复规程，从而迅速高效的缓解特定事故的后果。
(2)智能化诊断：主要方法是使用机器学习的算法，记录关键仪表数据，根据仪表数据的时间序列特征，诊断严重事故进程的始发事件及始发事件参数。
(3)人工操作日志：主要方法是操纵员在按照应急运行规程执行操作时进行手工记录，记录泵、阀等设备的启用时间。
但是，现有的这几种严重事故进程回溯方法均存在一些不足之处：1)应急运行规程只能针对部分特定事故，即能够诊断出事故原因的事故，适用范围很窄，不能处理无法辨识事故原因的事故；而且只能诊断始发事件的类别，对于始发事件的参数无法具体诊断。2)智能化诊断方法能诊断始发事件类型及其参数，比应急运行规程处理能力更强，但没有对核电厂***的响应进行诊断。3)人工记录只能记录严重事故进程中的***响应，并不能进行始发事件的诊断；而且由于是孤立数据，难以与电子化信息化***进行融合。
因此，很有必要开发一种用于核电厂严重事故进程回溯的方法，可以在严重事故发生后，快速追溯严重事故进程，在较短的时间内提供干预操作建议，提高核电厂的严重事故管理水平。
发明内容
针对现有技术中所存在的缺陷，本发明的目的在于提供一种用于核电厂严重事故进程回溯的方法，可以在严重事故发生后，由应急运行规程转到SAMG的过程中，快速追溯严重事故进程，进而通过计算机程序模拟计算，推断各种干预手段的正负面影响；从而能够在较短的时间内提供干预操作建议，提高核电厂的严重事故管理水平。
为实现此目的，本发明提供一种用于核电厂严重事故进程回溯的方法，所述方法包括如下步骤：
S1、采用深度学习算法，进行始发事件类别及参数的诊断，所述始发事件类别的诊断参考概率安全分析报告；
S2、参考概率安全分析报告的事件树，判断步骤S1中诊断出的所述始发事件类别相对应的事件树；
S3、参考概率安全分析报告的事件树，采用深度学习算法，诊断出严重事故在所述概率安全分析报告的事件树中所属的事故序列；所述事故序列中包括多个题头事件，采用深度学习算法进行题头事件时间诊断；
S4、根据步骤S3诊断结果，自动生成严重事故一体化程序输入卡，将所述诊断结果的信息写入到输入卡中，经过所述严重事故一体化程序计算得到严重事故未来发展趋势。
进一步，所述步骤S1中，所述深度学习算法使用循环神经网络中的长短期记忆网络算法，所述长短期记忆网络算法擅长处理时间序列数据，输入数据为核电厂多个关键仪表的历史数据。
进一步，在所述概率安全分析报告中，包括详细的始发事件分析及其分类；对于运行功率运行工况概率安全分析报告，始发事件类别包括但不限于反应堆冷却剂丧失、丧失热阱、丧失给水、丧失外电源、给水管道破口、蒸汽管道破口、蒸汽发生器传热管断裂、蒸汽管道破裂叠加蒸汽发生器传热管破裂。
进一步，所述概率安全分析报告中，对每类始发事件均进行了事故序列分析，目的是确定始发事件发生后，核电厂通过自动响应和人为响应的模型以产生事件树。
进一步，所述步骤S3中，每棵所述概率安全分析报告的事件树包括多个事故序列，所述多个事故序列中包括成功缓解的事故序列、导致堆芯损坏的事故序列，每个事故序列代表严重事故的进程。
进一步，所述题头事件的类别包括但不限于所要求的安全功能、***的投入、基本事件的发生或操纵员的行为。
进一步，所述题头事件为核电厂***响应，所述核电厂***响应包括但不限于安注***泵的启动、安喷***泵的启动、操纵员执行的操作。
进一步，所述步骤S3中，所述深度学习算法采用循环神经网络中的长短期记忆网络算法，诊断严重事故进程中的核电厂***响应，确定严重事故在所述概率安全分析报告的事件树中的事故序列。
进一步，所述步骤S3中，所述题头事件时间诊断的方法为：参考所诊断出的严重事故在所述概率安全分析报告的事件树中的事故序列，使用严重事故一体化分析程序计算符合所述事故序列特征的每个题头事件延迟运行时间数据集；然后将所述每个题头事件延迟运行时间数据集划分为训练集和测试集，采用循环神经网络中的长短期记忆网络算法，诊断所述每个题头事件延迟运行时间；再将所述每个题头事件延迟运行时间汇总在一起，得到事故序列的严重事故进程中题头事件时间诊断。
进一步，所述步骤S4中，所述严重事故一体化分析程序包括但不限于美国Fauske&Associates开发的MAAP、美国Sandia国家实验室开发的MELCOR，以及法国的IRSN和德国的GRS联合开发的ASTEC。
本发明的有益效果在于，采用本发明所提供的用于核电厂严重事故进程回溯的方法，在核电厂发生严重事故时，通过可用的关键仪表监测获得的时间序列，诊断严重事故的始发事件类别、始发事件参数，以及***响应信息。将诊断信息输入到严重事故一体化分析程序获得事故进程的预测信息，诊断严重事故进程，从而为操纵员的干预操作提供正负面影响评价。采用本发明所提供的方法，还实现了自动化诊断，无须人工干预。同时，本发明所提供的方法减少了诊断所需的参数个数，不需要泵、阀的启停信号即可快速诊断，使得在无法获取泵、阀等设备的启停信号时，也能实现诊断功能。另外，本发明所提供的方法分析了事故序列各题头事件的开始运行时间对严重事故进程的影响，在深度学习输入数据集中包括了各题头事件的多个运行时间，考虑了题头事件的延迟运行时间对严重事故进程的影响。
附图说明
图1为本发明具体实施方式提供的用于核电厂严重事故进程回溯的方法主流程示意图。
图2为本发明具体实施方式提供的事故序列时间诊断流程示意图。
图3为本发明具体实施方式提供的运行功率运行工况热段中破口反应堆冷却剂丧失(即BI1A)事件树流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供的用于核电厂严重事故进程回溯方法的一个实施例的主流程示意图，在该实施例中，主要包括如下步骤：
S1、采用循环神经网络中的长短期记忆网络算法(LSTM算法)，进行始发事件类别及参数的诊断。在概率安全分析报告(PSA报告)中，部分始发事件及参数如表1所示；例如，从PSA报告中的始发事件中诊断出假设事故是中破口反应堆冷却剂丧失事故(中LOCA)。
S2、判断步骤S1中诊断出的始发事件类别相对应PSA报告的事件树。例如，根据步骤S1诊断出中LOCA的事故结论，判断出假设事故是热段中破口反应堆冷却剂丧失事故(即BI1A)，从PSA报告中找到BI1A的事件树，BI1A的事件树如图3所示。
S3、采用LSTM算法，诊断出假设事故在事件树中所属的事故序列。如图3所示，BI1A事件树中共有8个事故序列，采用LSTM算法诊断出假设事故属于事故序列2。
在图3所示的PSA报告BI1A事件树中，题头事件包括安全停堆、安全壳直接喷淋、高压安注泵经管线直接注入、操纵员执行A1.2规程、安注箱注入、低压安注泵经冷段注入管线直接注入、低压安注泵经冷段管线再循环注入、安喷泵再循环运行等。若某个题头事件成功执行，则在图3中该题头事件所在列表示为水平线；若执行失败，则在图3中该题头事件所在列表示为折线。图3中事故序列1即为发生破口事故后，因为成功执行了各个题头事件，导致事故缓解，没有发生严重事故；其他7个事故序列，均为某题头事件执行失败，导致发生堆芯损害的严重事故。采用LSTM算法，诊断出事件树中每个题头事件是否成功执行，即可诊断出导致堆芯损坏的事故序列编号。
事故序列2在PSA报告中的表述为：功率运行工况下发生热段中破口失水事故后，紧急停堆成功，安全壳直接喷淋成功，高压安注泵经管线直接注入成功，操纵员执行A1.2规程对一回路快速降温降压成功，并且安注箱注入成功，随后低压安注***成功，在安注***和安注箱运行成功的情况下，堆芯余热可以通过破口带走，但是安喷泵再循环运行失败，导致堆芯长期带热失败，最终导致堆芯损坏。
除了诊断题头事件，还采用LSTM算法进行题头事件时间诊断。例如，诊断BI1A事故序列2中高压安注泵经管线直接注入开始时间。
PSA报告中事件树题头事件时间诊断更具体的实施方案如下：
步骤P1，参考PSA报告中LOCA事件树，采用深度学习LSTM算法诊断发生的事故序列属于中LOCA事件树中的事故序列2；
步骤P2，参考PSA报告事故序列2，使用严重事故一体化分析程序MAAP计算符合该事故序列2特征的题头事件延迟运行时间数据集。例如，对于高压安注泵经管线直接注入，计算达到高压安注启动条件后0分钟、2分钟、5分钟、10分钟等多种情形下高压安注泵经管线实际注入行为的延迟时间，并将这些计算数据作为LSTM算法的高压安注泵经管线直接注入延迟运行时间数据集。
对于其他题头事件，例如安注箱注入、低压安注泵经冷段管线再循环注入阶段失效等各题头事件，也采用一样的方法使用MAAP计算，得到相对应的题头事件延迟运行时间数据集。
步骤P3，将步骤P2中得到的题头事件延迟运行时间数据集划分为训练集和测试集，采用深度学习的LSTM算法，诊断高压安注直接注入的注入时间。将步骤P2中诊断得到的各题头事件延迟运行时间汇总在一起，得到事故序列2的严重事故进程中题头事件时间诊断，即***响应时间诊断。
S4、根据上述步骤的诊断结果，自动生成严重事故一体化分析程序MAAP输入卡，将诊断信息写入到MAAP输入卡中，生成符合BI1A事故序列2的MAAP输入卡，经过MAAP计算，得到严重事故进程的发展趋势，诊断严重事故进程，从而为操纵员的干预操作提供正负面影响评价。
表1始发事件类型及参数表
上述实施例只是对本发明的举例说明，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等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种用于核电厂严重事故进程回溯的方法，其特征在于，所述方法包括如下步骤：
S1、采用深度学习算法，进行始发事件类别及参数的诊断，所述始发事件类别参考概率安全分析报告；
S2、参考概率安全分析报告的事件树，判断步骤S1中诊断出的所述始发事件类别相对应的事件树；
S3、参考概率安全分析报告的事件树，采用深度学习算法，诊断出严重事故在所述概率安全分析报告的事件树中所属的事故序列；所述事故序列中包括多个题头事件，采用深度学习算法进行题头事件时间诊断；
所述步骤S3中，所述题头事件时间诊断的方法为：参考所诊断出的严重事故在所述概率安全分析报告的事件树中的事故序列，使用严重事故一体化分析程序计算符合所述事故序列特征的每个题头事件延迟运行时间数据集；然后将所述每个题头事件延迟运行时间数据集划分为训练集和测试集，采用循环神经网络中的长短期记忆网络算法，诊断所述每个题头事件延迟运行时间；再将所述每个题头事件延迟运行时间汇总在一起，得到事故序列的严重事故进程中题头事件时间诊断；
S4、根据步骤S3诊断结果，自动生成严重事故一体化程序输入卡，将所述诊断结果的信息写入到输入卡中，经过所述严重事故一体化程序计算得到严重事故未来发展趋势。
2.根据权利要求1所述的一种用于核电厂严重事故进程回溯的方法，其特征在于，所述步骤S1中，所述深度学习算法使用循环神经网络中的长短期记忆网络算法，所述长短期记忆网络算法擅长处理时间序列数据，输入数据为核电厂多个关键仪表的历史数据。
3.根据权利要求1所述的一种用于核电厂严重事故进程回溯的方法，其特征在于，在所述概率安全分析报告中，包括始发事件分析及分类；对于功率运行工况的概率安全分析报告，始发事件类别包括但不限于反应堆冷却剂丧失、丧失热阱、丧失给水、丧失外电源、给水管道破口、蒸汽管道破口、蒸汽发生器传热管断裂、蒸汽管道破裂叠加蒸汽发生器传热管破裂。
4.根据权利要求1所述的一种用于核电厂严重事故进程回溯的方法，其特征在于，所述概率安全分析报告中，对每类始发事件均进行了事故序列分析，目的是确定始发事件发生后，核电厂通过自动响应和人为响应的模型以产生事件树。
5.根据权利要求1所述的一种用于核电厂严重事故进程回溯的方法，其特征在于，所述步骤S3中，每棵所述概率安全分析报告的事件树包括多个事故序列，所述多个事故序列中包括成功缓解的事故序列、导致堆芯损坏的事故序列，每个事故序列代表了严重事故的进程。
6.根据权利要求1所述的一种用于核电厂严重事故进程回溯的方法，其特征在于，所述题头事件的类别包括但不限于所要求的安全功能、***的投入、基本事件的发生或操纵员的行为。
7.根据权利要求1所述的一种用于核电厂严重事故进程回溯的方法，其特征在于，所述题头事件为核电厂***响应，所述核电厂***响应包括但不限于安注***泵的启动、安喷***泵的启动、操纵员执行的操作。
8.根据权利要求1-7任一项所述的一种用于核电厂严重事故进程回溯的方法，其特征在于，所述步骤S3中，所述深度学习算法采用循环神经网络中的长短期记忆网络算法，诊断严重事故进程中的核电厂***响应，确定严重事故在所述概率安全分析报告的事件树中的事故序列。
9.根据权利要求1所述的一种用于核电厂严重事故进程回溯的方法，其特征在于，所述步骤S4中，所述严重事故一体化分析程序包括但不限于美国Fauske&Associates开发的MAAP、美国Sandia国家实验室开发的MELCOR，以及法国的IRSN和德国的GRS联合开发的ASTEC。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110947643.7A CN113837535B (zh) | 2021-08-18 | 2021-08-18 | 一种用于核电厂严重事故进程回溯的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110947643.7A CN113837535B (zh) | 2021-08-18 | 2021-08-18 | 一种用于核电厂严重事故进程回溯的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113837535A CN113837535A (zh) | 2021-12-24 |
| CN113837535B true CN113837535B (zh) | 2024-05-17 |
Family
ID=78960714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110947643.7A Active CN113837535B (zh) | 2021-08-18 | 2021-08-18 | 一种用于核电厂严重事故进程回溯的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113837535B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103399820A (zh) * | 2013-08-21 | 2013-11-20 | 中国科学院合肥物质科学研究院 | 一种基于事件树的序列和后果分析的故障判断***及方法 |
| CN104915768A (zh) * | 2015-06-02 | 2015-09-16 | 中科华核电技术研究院有限公司 | 一种用于核电厂严重事故诊断及响应支持的方法及*** |
| CN107548497A (zh) * | 2015-03-10 | 2018-01-05 | 医科达有限公司 | 具有工作流管理引擎的适应性治疗管理*** |
| CN110348969A (zh) * | 2019-07-16 | 2019-10-18 | 哈尔滨工程大学 | 基于深度学习和大数据分析的出租车寻客策略推荐方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11551106B2 (en) * | 2019-08-07 | 2023-01-10 | Saudi Arabian Oil Company | Representation learning in massive petroleum network systems |
| US11934440B2 (en) * | 2019-08-07 | 2024-03-19 | Saudi Arabian Oil Company | Aggregation functions for nodes in ontological frameworks in representation learning for massive petroleum network systems |
-
2021
- 2021-08-18 CN CN202110947643.7A patent/CN113837535B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103399820A (zh) * | 2013-08-21 | 2013-11-20 | 中国科学院合肥物质科学研究院 | 一种基于事件树的序列和后果分析的故障判断***及方法 |
| CN107548497A (zh) * | 2015-03-10 | 2018-01-05 | 医科达有限公司 | 具有工作流管理引擎的适应性治疗管理*** |
| CN104915768A (zh) * | 2015-06-02 | 2015-09-16 | 中科华核电技术研究院有限公司 | 一种用于核电厂严重事故诊断及响应支持的方法及*** |
| CN110348969A (zh) * | 2019-07-16 | 2019-10-18 | 哈尔滨工程大学 | 基于深度学习和大数据分析的出租车寻客策略推荐方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113837535A (zh) | 2021-12-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Marques et al. | Methodology for the reliability evaluation of a passive system and its integration into a probabilistic safety assessment | |
| Heo et al. | A framework for evaluating the effects of maintenance-related human errors in nuclear power plants | |
| Cao et al. | PCA-SVM method with sliding window for online fault diagnosis of a small pressurized water reactor | |
| Shen et al. | A methodology for collection and analysis of human error data based on a cognitive model: IDA | |
| Peng et al. | Real-time simulations to enhance distributed on-line monitoring and fault detection in Pressurized Water Reactors | |
| Naito et al. | A real-time expert system for nuclear power plant failure diagnosis and operational guide | |
| CN113837535B (zh) | 一种用于核电厂严重事故进程回溯的方法 | |
| CN114923287B (zh) | 一种高压加热器故障预警方法、***和介质 | |
| CN113421670B (zh) | 一种核电厂事故规程定量化分析方法及*** | |
| CN115564247A (zh) | 一种核电厂事故智能识别及决策的方法及*** | |
| Park et al. | System and component anomaly detection using lstm-vae | |
| Burgazzi | Comparative assessment of passive and active systems for the development of advanced reactors | |
| Yang et al. | Analysis of errors of commission for a CE type plant with the advanced control room in the full power condition | |
| Kim et al. | Abnormal State Identifying Algorithm Using Recurrent Neural Network | |
| CN111627583B (zh) | 一种核电厂征兆导向最佳恢复事故导则确认工况选取方法 | |
| Yu et al. | Level 1 Probabilistic Safety Analysis (PSA) of TNPP Units 3 and 4 | |
| CN113806909B (zh) | 核电综合场景验证的场景选取方法及装置、核电综合场景验证方法及*** | |
| Cetiner et al. | Integrated Risk-Informed Decision-Making for an ALMR PRISM | |
| Kim et al. | Estimating Human Error Probabilities in Off-normal Situations from Full-Scope Simulator Data | |
| Kim et al. | Estimating recovery failure probabilities in off-normal situations from full-scope simulator data | |
| TWI384489B (zh) | Evaluation Method of Quantitative Health Index of Progressive Boiling Water Nuclear Power Plant | |
| Liu et al. | Application of Probabilistic Safety Assessment in the Risk Analysis and Management of Interface Systems LOCA in a Nuclear Power Plant | |
| Larsson et al. | Alarm reduction and root cause analysis for nuclear power plant control rooms | |
| Larsson et al. | A revival of the alarm system: Making the alarm list useful during incidents | |
| Picoco | Integrated Framework for Representing Recoveries Using the Dynamic Event Tree Approach |
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 |