Development of a Best Estimate Plus Uncertainty method for the steam line break accident

Best Estimate Plus Uncertainty (BEPU) methods are commonly used to have a better understanding of physical phenomena and gain some margins in terms of safety criteria for better nuclear power plant operations. It is often combined to the estimation of quantiles, employing Wilks' method, to determine the cases covering 95% of the worst-case scenarios (with 95% confidence) for accidental situations. However, Wilks' method has limitations: it cannot adequately explore rare events and provides no insight into the subspace containing the worst cases in terms of safety criteria. To address these shortcomings, complementary methods are considered. This thesis focuses on a targeted sampling approach, an iterative method that explores the parametric space and propose candidates, new sets of parameters to test. Each candidate corresponds to a simulation of the accident, enabling the evaluation of safety-related quantities of interest. These results are then fed back into the sampling tool, which identifies new candidates near the region of the worst cases. The case study in this thesis involves a steam line break accident initiated at zero power. The sampling tool leverages Gaussian Processes and Bayesian Optimization. This work shows that a statistical approach to analyzing these accidents is feasible and computationally more efficient than Monte Carlo methods as it relies on the study of a 20-dimensional continuous space using less than 500 simulations. Moreover, it can confirm the robustness of the Framatome's conservative method that is based on unitary sensitivity and experts' judgements.

I metodi Best Estimate Plus Uncertainty (BEPU) sono comunemente utilizzati per comprendere meglio i fenomeni fisici e ottenere margini aggiuntivi in termini di criteri di sicurezza per migliorare il funzionamento delle centrali nucleari. Spesso vengono combinati con la stima dei quantili, impiegando il metodo di Wilks, per determinare i casi che coprono il 95% degli scenari peggiori (con un livello di confidenza del 95%) per le situazioni accidentali. Tuttavia, il metodo di Wilks presenta delle limitazioni: non è in grado di esplorare adeguatamente eventi rari e non fornisce informazioni sul sottospazio contenente i casi peggiori in termini di criteri di sicurezza. Per affrontare questi limiti, vengono considerate metodologie complementari. Questa tesi si concentra su un approccio di campionamento mirato, un metodo iterativo che esplora lo spazio parametrico e propone candidati, nuovi gruppi di parametri da testare. Ogni candidato corrisponde a una simulazione dell'incidente, consentendo la valutazione delle quantità di interesse legate alla sicurezza. I risultati ottenuti vengono poi reinseriti nello strumento di campionamento, che identifica nuovi candidati nelle vicinanze della regione dei casi peggiori. Il caso di studio analizzato in questa tesi riguarda un incidente di rottura della linea di vapore, avviato a potenza zero. Lo strumento di campionamento sfrutta i Processi Gaussiani e l’Ottimizzazione Bayesiana. Questo lavoro dimostra che un approccio statistico all’analisi di tali incidenti è realizzabile ed è computazionalmente più efficiente rispetto ai metodi Monte Carlo, in quanto si basa sullo studio di uno spazio continuo a 20 dimensioni utilizzando meno di 500 simulazioni. Inoltre, conferma che metodi conservativi, come le analisi di sensibilità unitaria, sono sufficienti per identificare il caso peggiore e mostra l’utilità delle tecniche adattative per ottenere una visione più completa di tutte le zone di guasto.