Integrated deterministic and probabilistic safety analysis : innovative methods of risk based post-processing and on-line clustering

In this work, we present innovative methods of post-processing clustering and on-line clustering of categorical data, for retrieving accident management information related to an Integrated Deterministic and Probabilistic Safety Analysis (IDPSA) of a Nuclear Power Plant (NPP). In an IDPSA, safe scenarios, Prime Implicants (PIs), i.e., minimum combinations of failure events that are capable of leading the system into a fault state, and Near Misses, i.e., combinations of failure events that lead the system to a quasi-fault state, are generated. Post-processing is needed to extract relevant information from these scenarios, thus, we propose a novel method that resort to risk-based clustering for Near Misses identification. The risk-significant features for the clustering are extracted from: i) the probability of a scenario to develop into an accidental scenario, ii) the severity of the consequences that the developing scenario can cause to the system, iii) the overall risk of the developing scenario. The optimal selection of the extracted features is done by a wrapper approach, whereby a Modified Binary Differential Evolution (MBDE) embeds a K-means clustering algorithm. In the post-processing analysis, we create a database of scenarios generated by IDPSA. For the on-line clustering, we propose to monitor the sequence of failure events that happen during the developing scenario, and quantify its similarity with the sequence vectors of the previously classified scenarios by Hamming distance. The feasibility of the method is verified by application to a dynamic Steam Generator (SG) of a NPP. A SIMULINK model has been developed to simulate the scenarios, with generation of component faults at random times and of random magnitudes by a Monte Carlo (MC) sampling procedure.

In questo lavoro proponiamo metodi innovativi di clustering post-processing e on-line di eventi di fallimento, con lo scopo di recuperare informazioni legate ad un analisi affidabilistica integrata deterministica e probabilistica (IDPSA) di un impianto nucleare. In una analisi IDPSA completa sono generate sequenze di fallimento che non portano a guasto il sistema, altre che lo portano a quasi guasto (Near Misses) ed altre che lo portano in condizioni di guasto con combinazioni minime di fallimenti di componenti (Prime Implicats (PI)). L’analisi post-processing è necessaria per recuperare informazioni da queste sequenze, proponiamo quindi un nuovo metodo di individuazione dei Near Misses che si basa su caratteristiche che descrivono il rischio della sequenza incidentale. Il rischio è definito attraverso la probabilità che lo scenario porti il sistema in guasto e le conseguenze che lo scenario può creare al sistema. Le caratteristiche ottimali sono scelte attraverso un algoritmo wrapper che si basa su un metodo di ottimizzazione Modified Binary Differential Evolution (MBDE) per creare un set di possibili soluzioni, le quali sono valutate da un algoritmo di clustering K-means. Nell’analisi post-processing siamo in grado di definire un database che contenga tutti gli scenari generati dall’analisi IDPSA divisi fra sicuri, PIs, Near Misses. Nell’analisi on-line presentiamo un innovativo metodo di classificazione di sequenze incidentali sconosciute che si basa sulla distanza di Hamming fra il vettore sequenza dello scenario sconosciuto in evoluzione e i vettori sequenza precedentemente classificati nei tre gruppi dall’analisi post-processing. I metodi sono verificati e valutati su un modello di un generatore di vapore di una centrale nucleare sviluppato con il software SIMULINK. Le sequenze incidentali sono simulate attraverso un metodo Monte Carlo che genera fallimenti di componenti con tempi e magnitudo casuali.