Предлагается подход для разработки методики автоматизированного определения состояния аварийного энергоблока АЭС с ВВЭР-1000 на основе анализа численных значений ограниченного перечня параметров технологического оборудования.
Преимуществом автоматизированного определения состояния аварийного энергоблока является то, что если передать полученные результаты в программу, выполняющую прогнозный расчет, то можно получить прогноз развития аварии еще до прибытия первых экспертов. Это значительно облегчит их работу и позволит быстрее и точнее оценить текущее состояние аварийного энергоблока и результаты предварительного прогноза.
Представлены возможные способы решения данной задачи. Описаны их достоинства и недостатки. На основе анализа этих способов предложена методика, основанная на использовании конечных автоматов.
Методика основывается на разделении задачи на отдельные независимые подзадачи. Каждая подзадача представляет собой оценку состояния конкретной единицы оборудования, например: насоса, дизель-генератора, паросбросного устройства. Логика оценки состояния оборудования разрабатывается на основе применения конечных автоматов с учетом экспертного опыта.
В качестве примера представлена методика разработки диаграммы переходов автомата, предназначенного для определения диаметра малой течи из первого контура. Идентификация малой течи основывается на одновременном наличии двух явлений – снижении давления в первом контуре и повышении давления и температуры в защитной оболочке. Предотвращение ложной идентификации течи осуществляется за счет зоны нечувствительности по давлению и температуре в защитной оболочке. Оценка диаметра течи производится путем интерполяции таблицы скорости снижения давления в первом контуре. Эта таблица получена расчетным путем. Разработанный автомат позволяет определять диаметр малой течи в диапазоне 20–90 мм с погрешностью до 15 %.
Ключевые слова: ВВЭР-1000, течь, методика, нейронная сеть, конечный автомат, аварийное реагирование.
Язык статьи: русский. Cc. 40–52. DOI: 10.26277/SECNRS.2021.100.2.004.
Finite state machine application to determine initial event at NPP with VVER-1000 during emergency response
An approach for the development of the methodology for automated determination of the state of an emergency NPP unit with VVER-1000 based on the analysis of numerical values of a limited list of technological equipment parameters is proposed.
The advantage of automated determination is that it is possible to obtain accident developments forecast before arrival of experts. This will significantly facilitate experts’ work and allow to assess the current state of the emergency power unit and to obtain preliminary forecast results.
Possible ways to solve this problem as well as their advantages and disadvantages are presented. Based on the analysis of these methods, a methodology on the basis of the finite state machines is proposed.
The methodology is based on dividing the task into separate independent subtasks. Each subtask is an assessment of particular equipment state (pump, diesel generator, steam dump valve, etc.). The logic of equipment state assessing is developed on the basis of finite state machines application, considering expert experience.
The methodology of a finite state machine diagram developing for determining the diameter of a small leakage from the primary circuit is presented as an example. The primary circuit leakage identification is based on the simultaneous presence of two phenomena – primary circuit pressure decreasing and pressure and temperature increasing in the containment. Prevention of false leakage identification is carried out by the pressure and temperature insensitivity range in the containment. The leakage diameter is estimated by interpolating the primary pressure reduction rate table, obtained by calculation. The developed finite state machine allows to determine the diameter of a small leakage in the range of 20–90 mm with an error of up to 15 %.
Keywords: VVER-1000, leakage, methodology, neural network, finite-state machine, emergency response.
Article language: Russian. Pp. 40–52. DOI: 10.26277/SECNRS.2021.100.2.004.
