Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Zheng, X.; 玉置 等史; 高原 省五; 杉山 智之; 丸山 結
Proceedings of Probabilistic Safety Assessment and Management (PSAM16) (Internet), 10 Pages, 2022/09
Uncertainty gives rise to the risk. For nuclear power plants, probabilistic risk assessment (PRA) systematically concludes what people know to estimate the uncertainty in the form of, for example, risk triplet. Capable of developing a definite risk profile for decision-making under uncertainty, dynamic PRA widely applies explicit modeling techniques such as simulation to scenario generation as well as the estimation of likelihood/probability and consequences. When quantifying risk, however, epistemic uncertainties exist in both PRA and dynamic PRA, as a result of the lack of knowledge and model simplification. The paper aims to propose a practical approach for the treatment of uncertainty associated with dynamic PRA. The main idea is to perform the uncertainty analysis by using a two-stage nested Monte Carlo method, and to alleviate the computational burden of the nested Monte Carlo simulation, multi-fidelity models are introduced to the dynamic PRA. Multi-fidelity models include a mechanistic severe accident code MELCOR2.2 and machine learning models. A simplified station blackout (SBO) scenario was chosen as an example to show practicability of the proposed approach. As a result, while successfully calculating the probability of large early release, the analysis is also capable to provide uncertainty information in the form probability distributions. The approach can be expected to clarify questions such as how reliable are results of dynamic PRA.
Zheng, X.; 玉置 等史; 杉山 智之; 丸山 結
Reliability Engineering & System Safety, 223, p.108503_1 - 108503_12, 2022/07
被引用回数：16 パーセンタイル：91.89(Engineering, Industrial)Dynamic probabilistic risk assessment (PRA) more explicitly treats timing issues and stochastic elements of risk models. It extensively resorts to iterative simulations of accident progressions for the quantification of risk triplets including accident scenarios, probabilities and consequences. Dynamic PRA leverages the level of detail for risk modeling while intricately increases computational complexities, which result in heavy computational cost. This paper proposes to apply multi-fidelity simulations for a cost- effective dynamic PRA. It applies and improves the multi-fidelity importance sampling (MFIS) algorithm to generate cost-effective samples of nuclear reactor accident sequences. Sampled accident sequences are paralleled simulated by using mechanistic codes, which is treated as a high-fidelity model. Adaptively trained by using the high-fidelity data, low-fidelity model is used to predicting simulation results. Interested predictions with reactor core damages are sorted out to build the density function of the biased distribution for importance sampling. After when collect enough number of high-fidelity data, risk triplets can be estimated. By solving a demonstration problem and a practical PRA problem by using MELCOR 2.2, the approach has been proven to be effective for risk assessment. Comparing with previous studies, the proposed multi-fidelity approach provides comparative estimation of risk triplets, while significantly reduces computational cost.
Zheng, X.; 玉置 等史; 杉山 智之; 丸山 結
no journal, ,
動的確率論的リスク評価(DPRA)は、確率論的な手法と決定論的なシミュレーションを緊密に結合することにより、多数の事故シーケンスを生成して炉心損傷頻度を推定できるが、計算コストが膨大である。原子力機構は、異なる忠実度を備えた複数のシミュレータを共用し、従来のPRAに比べて信頼性が高く、計算コストを低減できる多忠実度(マルチフィデリティ)のDPRAアプローチを開発した。
Zheng, X.; 高原 省五; 玉置 等史; 杉山 智之; 丸山 結
no journal, ,
動的確率論的リスク評価(PRA)手法は、事故シーケンスの網羅性の向上や、事故影響の時間依存性のより明示的なモデリングを可能とする。動的PRA手法を用い、様々な事故シーケンスにおける放射性核種の環境中への放出開始時間を推定し、リスク指標として早期大規模放出頻度(LERF)を評価することにより、防災計画の策定や重要度評価プロセスの実施に際し有用な情報の提供を図る。
Zheng, X.; 玉置 等史; 柴本 泰照; 高田 毅士
no journal, ,
原子力機構では、決定論的事故解析と確率論的信頼性評価を統合した動的PRA手法及び計算ツールRAPIDを開発している。機器の故障確率の推定を例に、PRA評価において認識論的な不確かさが潜在する具体的事象を同定し、その不確かさを低減するために、機器作動の環境変化を考慮した確率論的故障物理及びシミュレーションコード間のカップリング方法をRAPIDツールへ導入した。
Zheng, X.; 玉置 等史; 柴本 泰照; 丸山 結
no journal, ,
原子力産業界では、プラント運転パフォーマンスの向上や原子力発電によるリスクの低減させるため、人工知能・機械学習(AI/ML)技術の研究と活用が進められている。原子力機構(JAEA)では、AI/ML技術を活用し、シビアアクシデントと確率論的リスク評価(PRA)の研究の高度化を行っている。数値シミュレーションに基づく動的PRAや事故時のソースタームの不確かさ評価を効率的に実施するため、機械学習で訓練した代替評価モデル等を導入することにより、炉心損傷頻度(条件付き炉心損傷確率)やソースタームの確率分布と重要度に関する情報を得ることができた。原子力安全の継続的な改善に向けて合理的な意思決定を実施するため、AI/MLを活用することにより、効率的にリスク情報と不確かさ情報を提供することが期待できる。
