BP神经网络优化的无迹卡尔曼滤波核事故源项反演方法研究

核事故发生后,通常很难根据厂内仪表数据判断事故严重程度,只能通过厂外监测数据估计源项释放量.利用CALPUFF软件模拟了核事故后放射性核素Ⅰ-131释放的过程.将无迹卡尔曼滤波算法与高斯多烟团大气扩散模型结合,构建无迹卡尔曼滤波核事故源项反演方法模型,实现核事故后厂外源项实时跟踪反演.由于污染物Ⅰ-131在大气中扩散过程受温度、气压、风速、云量、太阳辐射、地形条件等多种因素共同影响,源项反演为复杂的非线性问题.针对高斯多烟团大气扩散模型将实际条件简化引起的缺陷,使用BP神经网络对反演模型中的量测方程进行优化,从而减小模拟结果与真实情况的误差.无迹卡尔曼滤波核事故源项反演方法模型与卡尔曼滤波核事故源项反演模型相比,能更好地适应非线性条件下释放率变化的情况,反演结果与真实值更接近.