基于长短期记忆网络的涉核运输事故后果预测.pdf
《基于长短期记忆网络的涉核运输事故后果预测.pdf》由会员分享,可在线阅读,更多相关《基于长短期记忆网络的涉核运输事故后果预测.pdf(13页珍藏版)》请在咨信网上搜索。
1、第 41 卷 第 4 期2023 年 8 月辐射研究与辐射工艺学报 J.Radiat.Res.Radiat.PVol.41 No.4August 2023基于长短期记忆 网 络 的 涉 核 运 输 事 故 后果预测阮灵盼1,2 陈春花1 陈黎伟3 阮 方1,2 李夏娟2 汪建业11(中国科学院合肥物质科学研究院 合肥 230031)2(中国科学技术大学 合肥 230026)3(合肥师范学院 合肥 230026)摘要 涉核部件在运输过程中,会因不可抗力因素发生化学爆炸事故,造成放射性核素的泄漏。在此类源项信息不完整、地形复杂的放射性核素扩散情景下,实现核素浓度变化的快速预测对于核应急决策具有重要
2、意义。本文以山丘下垫面下含钚炸药运输化学爆炸事故为研究场景,提出了一种基于堆叠式LSTM网络的核运输爆炸事故放射性核素浓度预测方法。本文通过计算流体学(CFD)软件OpenFOAM模拟生成放射性核素Pu-239的扩散数据,根据地理特征和人口密度,选择特定区域的核素浓度和气象时序数据作为堆叠式LSTM网络训练和预测的数据集。基于网格搜索寻找局部最优的模型结构,最终所提出的模型在150次迭代内可以稳定地达到平均绝对百分比误差(MAPE)低于5%的Pu-239核素浓度预测效果。该模型具有较好的预测效率,在突发核应急场景中具有较高的实用价值。关键词 核应急,化学爆炸事故,涉核运输,放射性核素中图分类号
3、 TL73,TL91DOI:10.11889/j.1000-3436.2023-0016引用该文:阮灵盼,陈春花,陈黎伟,等.基于长短期记忆网络的涉核运输事故后果预测J.辐射研究与辐射工艺学报,2023,41(4):040601.DOI:10.11889/j.1000-3436.2023-0016.RUAN Lingpan,CHEN Chunhua,CHEN Liwei,et al.Consequence prediction in nuclear transport explosion accident using long short-term memory networkJ.Journa
4、l of Radiation Research and Radiation Processing,2023,41(4):040601.DOI:10.11889/j.1000-3436.2023-0016.Consequence prediction in nuclear transport explosion accident using long short-term memory networkRUAN Lingpan1,2 CHEN Chunhua1 CHEN Liwei3 RUAN Fang1,2 LI Xiajuan2 WANG Jianye11(Hefei Institutes o
5、f Physical Science,Chinese Academy of Sciences,Hefei 230031,China)2(University of Science and Technology of China,Hefei 230026,China)3(Hefei Normal University,Hefei 230026,China)基金资助:安徽省高校优秀青年人才支持计划一般项目(gxyq2022060)资助第一作者:阮灵盼,男,1998年2月出生,2020年毕业于浙江工业大学并获得理学学士学位,现为能源动力硕士研究生,从事核素扩散模拟技术研究通信作者:陈春花,博士,副研
6、究员,E-mail:收稿日期:初稿 2023-03-01;修回 2023-03-21Supported by Outstanding Talent Support Program in University of Anhui Province(gxyq2022060)First author:RUAN Lingpan(male)was born in February 1998,and graduated from Zhejiang University of Technology with a bachelors degree in science in 2020.Now he is a g
7、raduate student of energy and power,engaged in nuclear diffusion simulation technical support researchCorresponding author:CHEN Chunhua,doctoral degree,associate professor,E-mail:Received 01 March 2023;accepted 21 March 2023阮灵盼等:基于长短期记忆网络的涉核运输事故后果预测0406012ABSTRACT During the transportation of compon
8、ents related to nuclear materials,accidental chemical explosions may occur,resulting in the release of radionuclides.Effective decision-making during nuclear transport accidents,especially in cases with incomplete source information and a complex terrain,requires the rapid prediction of changes in r
9、adionuclide concentration.This paper proposes a method for predicting the concentration of radionuclides resulting from nuclear transport explosion accidents based on stacked long short-term memory(LSTM)networks.Specifically,this study considered plutonium-containing explosive transport and chemical
10、 explosion accidents under the pad surface of a hill as a research scenario.The diffusion data of radionuclide Pu-239 were simulated using the computational fluid dynamics(CFD)software OpenFOAM.Nuclide concentration and meteorological time series data of a specific area were selected for stacked LST
11、M network training and prediction based on geographical characteristics and population density.The proposed model,optimized using grid search,can stably achieve a mean absolute percentage error(MAPE)of less than 5%within 150 iterations for Pu-239 nuclide concentration prediction.The model is highly
12、efficient and has significant practical value for use in nuclear emergencies.KEYWORDS Nuclear emergency,Chemical explosion accident,Nuclear transport,Radionuclide concentration predictionCLC TL73,TL91涉核部件在运输过程中,会因不可抗力因素发生化学爆炸事故,造成了放射性核素的泄漏。按照美国国防部 1990 年 9 月颁布的 Nuclear weapon accident response proce
13、dures,核武器事故的起因大致分为7类,其中第四类为核武器化学爆炸引起的放射性污染事故1。1950年至1968年间,美国至少发生了22起因地面交通事故引起的核武器事故,其中大部分起因为化学爆炸2-3。Pu-239是核武器中重要的裂变材料之一,在化学爆炸带来的高温高压环境下,Pu-239很容易以气溶胶形式泄漏4,其通过内照射很容易在人体骨髓脏器等器官和组织中富集,对人体生命健康具有长期危害影响5-6。目前,核素扩散的主流研究方法主要有大气示踪实验、风洞实验和数值模拟7-8。大气示踪和风洞实验方法虽然真实性高,但所需花费的时间和经济成本相对较高。另一种更有效的研究核素扩散的方法是通过高斯、拉格朗
14、日、欧拉和计算流体动力学等数值模型来实现对不同的事故场景的建模和分析9-12。其中,计算流体力学方法在求解复杂地形下大气污染物的扩散分布时尤为有效13-14。这类方法模拟精度高,被广泛应用于复杂场景,但缺点是其对输入源项信息、气象信息、地理信息等边界条件依赖性大,对预置参数精度要求很高15。然而,在发生核运输化学爆炸事故时,源项信息往往难以直接获取,且此类事故具有随机性特点。地理位置、气候多变、地理条件复杂等特点,使得传统主流核素扩散模拟方法难以及时应对。因此,对源项信息不完备、下垫面复杂场景下的核素扩散预测研究具有重要意义。长短期记忆网络是循环神经网络的改进算法,由Hochreiter于19
15、97年首先提出16。基于堆叠式长短期记忆(Long short-term memory,LSTM)的网络模型已证明其在环境科学研究中记忆长程依赖性的出色能力。Zhao等17提出了一种基于LSTM 空气污染预测模型,利用历史空气质量数据、气象数据和天气预报数据来预测特定空气质量监测站48 h内的PM2.5污染情况。Yang等18提出了一种集成了贝叶斯优化、经验分解和LSTM的混合模型,实现了CO2浓度的长期预测。LYU等19提出了一种基于LSTM的编码器-解码器模型,实现了气体浓度的短期预测。本文基于场景相似性,将LSTM网络应用于放射性核素预测研究。本文提出了一种基于堆叠式LSTM网络方法来预
16、测源项信息不完备情况下的放射性核素浓度变化。以山丘下垫面含钚炸药运输化学爆炸事故为研究案例,通过获取爆炸后特定区域放射性核素Pu-239的浓度值和气象时序数据,预测未来放射性核素浓度变化。本研究可为核应急决策提供数据参考,有利于降低核应急成本。1 方法本研究的总体技术路线如图1所示,主要包括数据集准备和LSTM预测两部分。在预测放射性核素浓度分布变化过程中考虑了化学爆炸事故后的辐 射 研 究 与 辐 射 工 艺 学 报 2023 41:0406010406013气象因素。由于真实的放射性核素浓度数据难以获取,本文通过选取基于课题组前期研究已得验证的CFD仿真模型来模拟核素扩散过程20-21,以
17、此得到核素扩散的原始时序数据。将原始数据经过图1右侧所示的一系列流程处理,转化为可供网络模型训练与预测的数据集。最后,通过对比模型预测值与CFD模拟值的相对误差来验证本研究的有效性,通过展示网络模型的收敛速度来证明模型的实用性。1.1 计算流体力学方法CFD方法在模拟复杂条件下核素扩散场景中被广泛应用。常用于计算模型内部或周围的流体流动,是一种多物理场耦合的解决方法。此方法的计算涉及多种现象的相互作用,包括流体力学和热力学。其基本原理是对连续的流体偏微分方程求数值解,以离散的数值解来近似模拟流体运动。本文利用CFD软件OpenFOAM模拟含钚炸药运输化学爆炸事故下的放射性核素分散过程,主要包括
18、流场模拟和放射性核素浓度模拟20-21。1.1.1 流场模拟流场的质量守恒方程与动量守恒方程见式(1)、(2)。()u ixi=0(1)()u it+()u iu jxi=-p xi+xj(u ixi-uiuj)(2)式中:为放射性气溶胶密度,kg/m3;t为时间,s;u为速度,m/s;为动力黏度,kg/(ms)。1.1.2 放射性核素浓度模拟放射性核素浓度变化还须考虑其在扩散中发生的衰变和沉积作用,因此,放射性核素浓度方程由式(3)给出。Ct+()uiCxi=xi(cCxi)+Sc+R+D(3)式中:C表示放射性核素的浓度,Bq/m3;c表示湍流扩散系数,m2/s;ui则表示在三维方向上的流
19、体速度,m/s;Sc表示放射性核素泄漏的源,Bq/(m3s);R和 D 表 示 因 核 素 衰 变 和 沉 积 而 产 生 的 汇,Bq/(m3s)。1.2 长短期记忆网络(LSTM)长短期记忆网络(LSTM)是一个同时拥有长时期记忆和短时期记忆的循环神经网络。其单元结构如图2所示。图1总体技术路线Fig.1Technical route阮灵盼等:基于长短期记忆网络的涉核运输事故后果预测0406014LSTM单元包含3种状态和3种特殊的门结构。存储单元状态(C)保留时间序列中的隐藏信息,以便LSTM单元保持长期依赖关系;输出状态(H)保留当前时刻LSTM单元的隐藏信息;输入状态(X)是当前时刻
20、的输入信息。三种特殊的门结构分别为遗忘门、输入门和输出门,本质上是不同状态之间的组合操作。遗忘门借助Sigmoid激活函数为先前状态分配介于0与1之间的值,通过与先前状态相乘的方式来控制长期记忆的遗忘程度,其中,1代表完全保留,0代表完全遗忘;输入门通过Sigmoid和Tanh激活函数来控制当前时刻下输入信息在长期状态的嵌入程度;输出门则通过Sigmoid激活函数控制当前状态下的信息输出程度,即短期记忆的传播。最初的LSTM网络模型是由一个隐含的LSTM层和一个标准的前馈输出层组成。随着深度神经网络的提出,越来越多的研究显示,通过增加额外的隐含层和神经元,可以使得神经网络有更大的特征抽取能力2
21、2-24。深度神经网络可以视为一个处理通道,每一层都会解决一部分问题,每一层的输出作为特征抽象的Embedding,再将其传递给下一层,直至输出最后结果。堆叠的LSTM网络具有多个隐含的LSTM层,其中每个层包含多个LSTM单元。由于LSTM网络是对时序数据进行处理操作,意味着随着时间的推移,隐含层的增加可以提升模型对输入的抽象提取能力,不同的隐含层从不同的时间尺度上对输入进行观察23。堆叠式LSTM网络结构如图3所示。2 案例研究2.1 场景源项介绍美国“Roller Coaster”25实验曾对含钚炸药进行了爆轰实验,得到了不同爆炸质量、不同炸药容器和爆炸烟云高度、顺风方向下不同爆炸物不同
22、位置的气溶胶浓度、沉积活性和放射性活度的分布规律。基于历史实验数据26-27,得到TNT炸药质量与爆炸烟云高度和半径之间的经验公式如式(4)所示。图2LSTM单元结构图(“”表示哈达玛积,“+”表示矩阵加法)Fig.2LSTM unit(denotes the hadamard product,+denotes the matrix addition)图3堆叠式LSTM网络结构图Fig.3Stacked LSTM network辐 射 研 究 与 辐 射 工 艺 学 报 2023 41:0406010406015 HTNT=61.54W14RTNT=13.13W14(4)式中:HTNT表示TN
23、T爆炸产生的柱状烟云的高度,m;RTNT表示TNT爆炸产生的柱状烟云的半径,m;W表示TNT的质量,kg。依据典型的运输事故情景和爆炸烟云经验公式,本研究将含钚炸药在运输过程中的化学爆炸事故设定为研究场景。设置爆炸初始柱状烟云高度范围为0249 m,半径为53 m。选择放射性核素Pu-239作为源项,初始源强度设置为1109 Bq/m3,东北方向风速设置为1.4 m/s。爆炸烟云扩散的下垫面设置为3 km3 km的山丘地形,下垫面模型如图4所示。在地形和植被等复杂条件的影响下,近地表气流容易产生湍流。为了准确模拟泄漏核素的分布,本文引入标准k-湍流模型13,综合考虑核素衰变和动量源损失,并建立
24、了基于CFD方法的改进模型,模拟事故条件下放射性核素的扩散过程。简化后的质量守恒方程与动量守恒方程如式(5)、(6)所示。()-uixi=0(5)()u it+()u iu jxj=-p xj+xi ()+i()u ixi+u xi+g+Su iSu i=-()12-uj-ui(6)式中:i表示湍流黏度,kg/(ms);Sui表示动量源损失,Bq/(m3s);表示压力损失系数,m-1。泄漏的放射性核素会受衰变和沉积的影响,因此浓度方程(式(3)也需要针对沉积和核素衰变进行修正20,28。目前,化学爆炸事故中放射性气溶胶源的相关实证数据表明,钚材料化所需的能量为2 MJ/kg,炸药化学爆炸中提供
25、的能量一般大于此值29。因此,约95%的钚材料在化学爆炸中会被雾化,80%的气溶胶颗粒的粒径小于1 mm,10%的粒径介于 1020 mm,10%的粒径大于 20 mm30。因此,本文将沉积因子设置为1102。修正后的放射性核素浓度方程可写为式(7)。(C)t+()u iCxi=xi()cCxi+SC-()d+vdCd=0.693T1/2(7)式中:d表示核素衰变因子;vs表示核素沉积因子;T1 2(d)表示核素半衰期。2.2 数据处理数据预处理流程图如图1中的红色虚线框所示,其中包括:扩散数据的可视化、预测区域的选择、预测区域的数值计算、数据筛选和标准化以及数据集分区。步骤1:扩散数据的可视
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 长短 记忆 网络 运输 事故 后果 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。