CN115759324A - 一种核事故后环境气溶胶监测位置优化方法 - Google Patents
一种核事故后环境气溶胶监测位置优化方法 Download PDFInfo
- Publication number
- CN115759324A CN115759324A CN202211162817.XA CN202211162817A CN115759324A CN 115759324 A CN115759324 A CN 115759324A CN 202211162817 A CN202211162817 A CN 202211162817A CN 115759324 A CN115759324 A CN 115759324A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- accident
- environmental
- nuclear
- aerosol
- 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
Images
Landscapes
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
本发明涉及一种核事故后环境气溶胶监测位置优化方法,通过初步预估核设施发生事故造成的释放源项,结合气象参数以及事故发生地的地形参数,基于大气扩散模型,初步预测放射性核素在环境中的浓度分布;基于环境气溶胶监测数据对基于大气扩散模型得到的放射性核素在环境中的浓度分布进行修正;使用空间模拟退火算法,生成具有采样代表性的应急监测点位置布置方案,以优化气溶胶监测位置采样布点。采用本发明中公开的方法,***化地整合基于环境气溶胶监测数据对预测浓度分布进行修正,并对环境监测位置进行优化,提高在核设施发生事故后对放射性核素在环境中分布的评估准确性以及实时性,满足核设施事故后对环境影响快速精准评估的需求。
Description
技术领域
本发明属于核事故后辐射监测与评价领域,具体涉及一种核事故后环境气溶胶监测位置优化方法。
背景技术
核设施发生事故后,放射性物质可能被释放到外环境中,对环境与人员安全造成威胁。快速而合理地做出后果评价与应急决策对减轻事故后果、降低事故对人员与环境危害有重要意义。
而对放射性核素在外环境中空间分布做出快速准确地评估,并进一步计算其可能导致的照射剂量是做出合理决策的基础。因此,国内外在核突发事件下人员受照剂量的估算方面进行了广泛研究,从核突发事件源项评价、污染监测到剂量评估方面取得了很大的进步。现有研究主要针对核突发事件快速响应的特点,对于在快速评估的基础上提高评估结果的准确性有待进一步研究。
目前放射性核素空间分布的评估技术主要有基于大气扩散模型的预测性评价方法与基于环境监测数据的现状评价方法两种。基于大气扩散模型的预测性评价方法以已知源项或其他方法预估的源项为基础结合气象参数、地形参数等数据,使用高斯模型、拉格朗日模型、欧拉模型等扩散模型,对外环境中不同位置与时间点的放射性核素浓度做出预测,但由于实际情况下事故的源项通常是未知的,预估的源项与气象参数存在较大的不确定性,算法所预测出的浓度分布与实际情况可能存在一定的差异。通过在外环境中布置气溶胶监测点进行采样分析,获取相关位置的放射性核素浓度可以反映环境中的实际情况,但其无法反映非监测位置的浓度信息。
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后环境气溶胶监测位置优化方法,该方法使用环境气溶胶监测数据,基于克里金插值法对预测气溶胶浓度场进行修正,并使用空间模拟退火算法对监测布点位置进行优化,以获得更为接近实际情况的环境气溶胶浓度分布场。
为达到以上目的,本发明采用的技术方案是:一种核事故后环境气溶胶监测位置优化方法,所述方法包括以下步骤:
S1、初步预估核设施发生事故造成的释放源项;
S2、使用预估的释放源项、事故发生后的气象参数以及事故发生地的地形参数,基于大气扩散模型,初步预测放射性核素在环境中的浓度分布;
S3、基于环境气溶胶监测数据对基于大气扩散模型得到的放射性核素在环境中的浓度分布进行修正;
S4、使用空间模拟退火算法,生成具有采样代表性的应急监测点位置布置方案,以优化实际气溶胶监测位置采样布点。
进一步,在步骤S4之后所述方法还包括步骤:
S5、使用优化实际气溶胶监测位置采样布点后的环境气溶胶监测数据修正放射性核素在环境中的浓度分布。
进一步,在步骤S4之后所述方法还包括步骤:
基于步骤S5中得到的修正后的放射性核素在环境中的浓度分布,使用空间模拟退火算法,生成更具有采样代表性的应急监测点位置布置方案,以优化实际气溶胶监测位置采样布点。
进一步,步骤S1中所述释放源项包括核设施事故释放的放射性核素种类、释放总量、各核素释放量以及释放持续时间。
进一步,步骤S1中根据事故工况监测数据、专家判断或其他源项反演方法预估核设施发生事故造成的释放源项。
进一步,步骤S2中所述大气扩散模型包括高斯模型、拉格朗日模型以及欧拉模型。
进一步,步骤S3中基于环境气溶胶监测数据,在获得克里金插值结果后,将所得的残差项输入到基于大气扩散模型的预测浓度场中对其进行修正。
进一步,步骤S4包括以下子步骤:
S41、将步骤S3中的回归克里金方差设定为第一部分代价函数,将应急监测点位的假阳性和假阴性所占面积的加权和作为第二部分代价函数,以第一部分代价函数与第二部分代价函数的两个代价函数加权求和以构建代价函数,以同时对事故影响范围判断以及修正后浓度分布的准确性进行优化;
S42、使用空间模拟退火算法,生成更具有采样代表性的应急监测点位置布置方案。
进一步,步骤S42包括以下子步骤:
a)从一个随机的初始监测位置S0开始,计算相关的代价函数值C(S0);
b)给定位置Sk,通过将随机选择的监测位置移动一段距离h来构建一个候选的新监测位置Sk+1,h的方向是随机选择的,其长度是一个介于零和最大位移之间的随机数,计算新位置的代价函数C(Sk+1);
c)如果C(Sk+1)<C(Sk),则接受新的位置,否则只以一定的概率接受新的位置,如果新的位置被接受,然后把k增加1,使用新的位置Sk+1作为起点,回到步骤b),否则使用旧的位置Sk;
d)在进行若干次迭代次数后,或者在满足其他的停止标准时停止,存储使代价函数值最低的监测位置。
本发明的有益技术效果在于:采用本发明所公开的一种核事故后环境气溶胶监测位置优化方法,***化地整合基于环境气溶胶监测数据对预测浓度分布进行修正的方法与对环境监测位置优化的方法,提高在核设施发生事故后对放射性核素在环境中分布的评估准确性及实时性,满足核设施事故后对环境影响快速精准评估的需求。
附图说明
图1为本发明实施例所述的一种核事故后环境气溶胶监测位置优化方法流程图。
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。
实施例一
本发明实施例提供了一种核事故后环境气溶胶监测位置优化方法,所述方法包括以下步骤:
S1、根据核设施发生事故时的工况情况,初步预估事故造成的释放源项,主要包括核设施事故释放的放射性核素种类,释放总量(Bq)、各核素释放量以及释放持续时间。
可根据事故工况监测数据、专家判断或其他源项反演方法预估事故造成的释放源项。
S2、使用预估的事故造成的释放源项、事故发生后的气象参数以及事故发生地的地形参数,基于大气扩散模型,初步预测放射性核素在环境中的浓度分布,即环境中不同位置的放射性核素浓度(Bq/m3)。
常用的大气扩散模型包括高斯模型、拉格朗日模型、欧拉模型等,已有AERMOD、CALPUFF等成熟的大气扩散模拟程序,可根据实际情况选取合适的扩散模型进行计算,具体的大气扩散模拟方法在本发明实施例中不再详述。
S3、基于环境气溶胶监测数据对基于大气扩散模型得到的放射性核素在环境中的浓度分布进行修正。
核设施周围通常设有常规的监测设备,可在核设施事故后获取环境气溶胶监测数据,基于克里金插值法,对步骤S2中基于大气扩散模型得到的初步预测的放射性核素浓度分布进行修正。
克里金插值法在数学上可对研究的对象提供一种最佳线性无偏估计(某点处的确定值)。其定义如下:
其中,z(s)为目标环境变量,即放射性核素浓度,x(s)为m个环境协变量(监测点位置坐标),s=(x,y)表示二维空间坐标,β为待估计系数,ε(s)为目标变量与协变量回归后的残差项,服从均值为零的正态分布。残差在满足地统计学二阶平稳假设条件下,ε(s)的空间自相关特性可以通过协方差函数或变差函数图来定量表达。将公式(1)写成矩阵形式为:
z(s)=x′β+ε(s) (2)
目标变量z(s)由两个部分组成,第一部分为回归项或趋势项,第二部分为残差项。首先假设目标变量和协变量之间满足一定的回归关系,根据已知n个样本点,采用广义最小二乘方法来估计回归系数回归系数β,
其中C为n×n的残差的方差-协方差矩阵,X为n×(m+1)的样本点的协变量矩阵。最后,对残差进行建模,可以得到待估计点s0处的最优线性无偏估计值为:
其中,x0为协变量在待估计点处的值构成的向量,c0为样本点与待估计点处的协方差构成的向量,C和c0均从ε(s)的变差图中得到。
可以得到s0处回归克里金的方差为:
σ2(s0)=c(0)-c′0C-1c0+x′a(X′C-1X)-1xa (4)
其中,xa=x0-X′C-1c0。公式(4)可以分解为两个部分,第一部分(前面两项)为残差的估计误差方差,第二部分(最后一项)为趋势项的估计误差方差。
在获得克里金插值结果后,将所得的残差项输入到基于大气扩散模型的预测浓度场中对其进行修正,最终所得的修正后浓度分布既包含了根据反演源项与气象参数所模拟的浓度分布数据,也包含了监测点位的实际监测数据,修正后浓度分布将更符合实际情景。
S4、使用空间模拟退火算法,生成更具有采样代表性的应急监测点位置布置方案,以优化实际采样布点,进而获取具有代表性的气溶胶监测数据。
优化应急监测点位置布置。核设施发生事故后,可以增加布设应急监测设备,获取更为精细的放射性核素浓度分布情况。
监测点位的布置会影响对浓度分布进行修正的结果,使用空间模拟退火算法,生成具有足够的代表性监测位置,以满足空间大尺度范围的浓度分布修正需求,保证修正后的浓度分布能最大程度描述空间所有点位的浓度分布实际情况。
步骤S4包含以下两个子步骤:
S41、构建代价函数
布置应急监测点的一部分目的是为了获取尽可能准确的修正浓度分布,第一部分代价函数可被设定为公式(4)中的回归克里金方差,以获得最优的插值结果。
对于事故后应急监测,在设置适当的预警浓度阈值后,目标区域内的位置可以分为四个子区:假阳性、假阴性、真阳性和真阴性。
选取最佳应急监测点的另一部分目的是使与假阳性和假阴性决策相关的代价最小化。当由于预测浓度分布错误而超过设定的阈值时,就会出现假阳性决策,导致不必要的措施,如将人们从一个实际上安全的地区疏散。相反,与假阴性决策相关的代价是没有采取措施,而事实上这些措施是必要的,假阴性的代价可能比假阳性的代价更大,因为这会严重影响到人们的健康和生命。因此对于应急监测点位的另一部分优化目标是最小化假阳性和假阴性所占面积的加权和,第二部分代价函数为:
C=α·area(假阳性)+(1-α)·area(假阴性) (5)
其中α为权重因子,由于出现假阴性的后果更加严重,其取值应小于0.5。
本专利以公式(4)与公式(5)的两个代价函数加权求和后作为最终代价函数,以同时对事故影响范围判断以及修正后浓度分布的准确性进行优化,获取最佳的应急监测点位置。
S42、使用空间模拟退火算法,生成更具有采样代表性的应急监测点位置布置方案。
空间模拟退火是模拟退火算法的空间扩展,其有五个主要步骤:
a)从一个(随机的)初始监测位置S0开始,计算相关的代价函数值C(S0);
b)给定位置Sk,通过将随机选择的监测位置移动一段距离h来构建一个候选的新监测位置Sk+1。h的方向是随机选择的,其长度是一个介于零和最大位移之间的随机数。在空间模拟退火迭代过程中,最大移动量会逐渐减少;
c)计算新位置的代价函数C(Sk+1)。如果C(Sk+1)<C(Sk),则接受新的位置,否则只以一定的概率接受新的位置(其目的是为了确保算法能够摆脱局部最优解)。如果新的位置被接受,然后把k增加1。随着空间模拟退火迭代的进行,接受劣位置的概率会逐渐降低;
d)回到步骤b),如果新的位置被接受,则使用新的位置Sk+1作为起点,否则使用旧的位置Sk;
e)在一定的迭代次数后,或者在满足其他的停止标准时停止。存储使代价函数值最低的监测位置。
由于实际无法获取外环境中全部位置浓度数据的实际值,因此可以通过向基于大气扩散模型的预测浓度分布添加随机误差的方法来模拟许多可能的现实情况,对大量可能的现实情况计算选定监测位置的代价函数值,如果模拟现实的数量足够多,则计算出的平均代价将接近于与监测位置相关的预期代价。
S5、使用优化监测布点后的环境气溶胶监测数据修正放射性核素在环境中的浓度分布。
根据步骤S4中得到的优化监测布点方案,布置环境气溶胶监测设备,获取环境气溶胶监测数据,基于克里金插值法,使用优化监测布点后的环境气溶胶监测数据修正放射性核素在环境中的浓度分布。
可根据实际需要迭代进行步骤S4与步骤S5的过程,多次基于空间模拟退火方法优化环境监测布点方案,布设应急监测设备,获取环境气溶胶数据,并基于克里金插值方法使用监测数据对放射性核素在环境中的浓度分布场进行修正,以获取更为符合实际情况的环境气溶胶浓度分布场。
通过上述实施例可以看出,本发明公开的一种核事故后环境气溶胶监测位置优化方法,基于克里金插值,使用环境监测数据对放射性核素浓度场分布进行快速修正,同时结合了基于空间模拟退火算法的环境监测位置布置优化方法,提高了核设施事故后放射性核素环境浓度分布预测准确性以及及时性,实现更为精准实时的事故后评价。
本发明所述的方法并不限于具体实施方式中所述的实施例,本领域技术人员根据本发明的技术方案得出其他的实施方式,同样属于本发明的技术创新范围。
Claims (9)
1.一种核事故后环境气溶胶监测位置优化方法,所述方法包括以下步骤:
S1、初步预估核设施发生事故造成的释放源项;
S2、使用预估的释放源项、事故发生后的气象参数以及事故发生地的地形参数,基于大气扩散模型,初步预测放射性核素在环境中的浓度分布;
S3、基于环境气溶胶监测数据对基于大气扩散模型得到的放射性核素在环境中的浓度分布进行修正;
S4、使用空间模拟退火算法,生成具有采样代表性的应急监测点位置布置方案,以优化实际气溶胶监测位置采样布点。
2.如权利要求1所述的一种核事故后环境气溶胶监测位置优化方法,其特征在于,在步骤S4之后所述方法还包括步骤:
S5、使用优化实际气溶胶监测位置采样布点后的环境气溶胶监测数据修正放射性核素在环境中的浓度分布。
3.如权利要求2所述的一种核事故后环境气溶胶监测位置优化方法,其特征在于,在步骤S4之后所述方法还包括步骤:
基于步骤S5中得到的修正后的放射性核素在环境中的浓度分布,使用空间模拟退火算法,生成更具有采样代表性的应急监测点位置布置方案,以优化实际气溶胶监测位置采样布点。
4.如权利要求3所述的一种核事故后环境气溶胶监测位置优化方法,其特征在于:步骤S1中所述释放源项包括核设施事故释放的放射性核素种类、释放总量、各核素释放量以及释放持续时间。
5.如权利要求4所述的一种核事故后环境气溶胶监测位置优化方法,其特征在于:步骤S1中根据事故工况监测数据、专家判断或其他源项反演方法预估核设施发生事故造成的释放源项。
6.如权利要求5所述的一种核事故后环境气溶胶监测位置优化方法,其特征在于:步骤S2中所述大气扩散模型包括高斯模型、拉格朗日模型以及欧拉模型。
7.如权利要求6所述的一种核事故后环境气溶胶监测位置优化方法,其特征在于:步骤S3中基于环境气溶胶监测数据,在获得克里金插值结果后,将所得的残差项输入到基于大气扩散模型的预测浓度场中对其进行修正。
8.如权利要求7所述的一种核事故后环境气溶胶监测位置优化方法,其特征在于,步骤S4包括以下子步骤:
S41、将步骤S3中的回归克里金方差设定为第一部分代价函数,将应急监测点位的假阳性和假阴性所占面积的加权和作为第二部分代价函数,以第一部分代价函数与第二部分代价函数的两个代价函数加权求和以构建代价函数,以同时对事故影响范围判断以及修正后浓度分布的准确性进行优化;
S42、使用空间模拟退火算法,生成更具有采样代表性的应急监测点位置布置方案。
9.如权利要求8所述的一种核事故后环境气溶胶监测位置优化方法,其特征在于,步骤S42包括以下子步骤:
a)从一个随机的初始监测位置S0开始,计算相关的代价函数值C(S0);
b)给定位置Sk,通过将随机选择的监测位置移动一段距离h来构建一个候选的新监测位置Sk+1,h的方向是随机选择的,其长度是一个介于零和最大位移之间的随机数,计算新位置的代价函数C(Sk+1);
c)如果C(Sk+1)<C(Sk),则接受新的位置,否则只以一定的概率接受新的位置,如果新的位置被接受,然后把k增加1,使用新的位置Sk+1作为起点,回到步骤b),否则使用旧的位置Sk;
d)在进行若干次迭代次数后,或者在满足其他的停止标准时停止,存储使代价函数值最低的监测位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211162817.XA CN115759324A (zh) | 2022-09-23 | 2022-09-23 | 一种核事故后环境气溶胶监测位置优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211162817.XA CN115759324A (zh) | 2022-09-23 | 2022-09-23 | 一种核事故后环境气溶胶监测位置优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115759324A true CN115759324A (zh) | 2023-03-07 |
Family
ID=85351839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211162817.XA Pending CN115759324A (zh) | 2022-09-23 | 2022-09-23 | 一种核事故后环境气溶胶监测位置优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115759324A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739151A (zh) * | 2023-05-23 | 2023-09-12 | 中国电器科学研究院股份有限公司 | 一种近海区域盐雾预测修正及准确度评估方法 |
CN116973523A (zh) * | 2023-09-22 | 2023-10-31 | 深圳市智芯微纳科技有限公司 | 基于mems气体传感器阵列的气体检测方法及*** |
CN116976202A (zh) * | 2023-07-12 | 2023-10-31 | 清华大学 | 基于深度神经网络的固定复杂源项分布反演方法及装置 |
-
2022
- 2022-09-23 CN CN202211162817.XA patent/CN115759324A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116739151A (zh) * | 2023-05-23 | 2023-09-12 | 中国电器科学研究院股份有限公司 | 一种近海区域盐雾预测修正及准确度评估方法 |
CN116739151B (zh) * | 2023-05-23 | 2024-05-31 | 中国电器科学研究院股份有限公司 | 一种近海区域盐雾预测修正及准确度评估方法 |
CN116976202A (zh) * | 2023-07-12 | 2023-10-31 | 清华大学 | 基于深度神经网络的固定复杂源项分布反演方法及装置 |
CN116976202B (zh) * | 2023-07-12 | 2024-03-26 | 清华大学 | 基于深度神经网络的固定复杂源项分布反演方法及装置 |
CN116973523A (zh) * | 2023-09-22 | 2023-10-31 | 深圳市智芯微纳科技有限公司 | 基于mems气体传感器阵列的气体检测方法及*** |
CN116973523B (zh) * | 2023-09-22 | 2023-12-15 | 深圳市智芯微纳科技有限公司 | 基于mems气体传感器阵列的气体检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115759324A (zh) | 一种核事故后环境气溶胶监测位置优化方法 | |
Li et al. | Deep learning for high-dimensional reliability analysis | |
Burges et al. | PROBABILISTIC METHODS IN STREAM QUALITY MANAGEMENT 1 | |
Mu et al. | Ground motion prediction equation development by heterogeneous Bayesian learning | |
CN110321603A (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
BROWN et al. | Randomness and local regularity of points in a plane | |
Zio et al. | How to effectively compute the reliability of a thermal–hydraulic nuclear passive system | |
Wang et al. | A Bayesian framework for estimating fragility curves based on seismic damage data and numerical simulations by adaptive neural networks | |
CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
Lee et al. | An online operator support tool for severe accident management in nuclear power plants using dynamic event trees and deep learning | |
CN112507611A (zh) | 一种基于集成学习的反应堆状态转移概率的实时估计方法 | |
CN112948743A (zh) | 一种基于时空融合的煤矿瓦斯浓度缺失值填充方法 | |
Li et al. | Deep reliability learning with latent adaptation for design optimization under uncertainty | |
CN110043808B (zh) | 基于时间序列分析的供水管网漏损监测预警方法 | |
Kennedy et al. | Bayesian analysis of computer code outputs | |
Ling et al. | Improving the estimation accuracy of multi-nuclide source term estimation method for severe nuclear accidents using temporal convolutional network optimized by Bayesian optimization and hyperband | |
Kang et al. | Deep neural network‐based regional seismic loss assessment considering correlation between EDP residuals of building structures | |
CN116300480B (zh) | 基于改进粒子滤波和生物启发神经网络的放射源搜寻方法 | |
JP2014229283A (ja) | 設計計算結果補正装置および設計計算結果補正方法 | |
CN103197564B (zh) | 数字化人机界面监视单元数量优化方法及*** | |
CN110400042B (zh) | 基于马尔可夫过程的核燃料循环设施应急状态的确定方法 | |
Drábek et al. | Statistical-based control points selection for indoor illuminance measurement | |
CN114139431A (zh) | 一种基于粒子抽样位置实时优化的屏蔽快速计算方法 | |
CN113887125A (zh) | 一种复杂仿真***运行有效性评估方法 | |
CN111104298A (zh) | 一种基于lstm的电网服务器运行状态预测装置 |
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 |