论文标题：Phenomenological Nondimensional Parameter Decomposition to Enhance the Use of Simulation Modeling in Fire Probabilistic Risk Assessment of Nuclear Power Plants

论文链接：https://www.mdpi.com/2673-4362/5/3/16?n1=13&_utm_from=0eb00ba28b

期刊名：Journal of Nuclear Engineering

期刊主页：https://www.mdpi.com/journal/jne?n1=13&_utm_from=0eb00ba28b

在核能安全领域，火灾概率风险评估（Fire PRA）是确保核电厂安全运行的重要工具。然而，传统方法中仿真建模所需的海量输入参数数据收集工作耗时耗力，成为制约效率的关键瓶颈。针对这一挑战，美国伊利诺伊大学厄巴纳-香槟分校（UIUC）社会技术风险分析实验室（SoTeRIA）的Sari Alkhatib、Zahra Mohaghegh教授团队联合南德克萨斯核电运营公司、Jensen Hughes等机构，在期刊Journal of Nuclear Engineering上发表了题为《通过现象学无量纲参数分解增强核电厂火灾概率风险评估中的仿真建模应用》的研究论文，提出了一种创新方法，显著降低了数据收集成本，并开发了自动化计算平台SoTeRiA-Fire，为行业提供了高效解决方案。

研究过程与结果

研究团队提出了一种基于 现象学无量纲参数（Phenomenological Nondimensional Parameters，PNPs）分解的创新方法。PNPs是通过物理定律将多个输入参数组合而成的无量纲量，例如通风当量比、舱室长宽比等，能够直接表征火灾的物理特征。

在传统方法中，研究人员需要先收集全部输入数据，再计算PNPs并用于模型验证（图A）。新方法则反向操作：利用已知PNPs的科学范围直接反推输入参数的替代值（图B），从而避免繁琐的实地测量与数据采集。

传统火灾PRA方法（A）与基于PNP分解方法（B）的流程对比

为了验证该方法的有效性，团队在自主开发的 SoTeRiA-Fire 计算平台中集成了PNP分解功能，并以核电厂多舱室火灾为研究对象开展应用研究。以设定通风当量比 φ = 1（代表完全燃烧的保守条件）为例，平台可自动生成通风开口等效面积（0.266 m²）和高度（1 m），无需现场测量。模拟结果表明，该方法将数据收集时间缩短了35%，且输出的火灾危害时间（1095秒）完全满足保守风险评估需求。

研究总结

研究表明，PNP分解方法能够在保持计算精度的同时显著提升火灾PRA效率，特别适合在资源有限的初期筛选分析中应用。目前，平台已支持对舱室长宽比与通风当量比等参数的分解计算，未来将扩展至更多PNPs，并与高分辨率火灾动力学模型（如FDS）深度整合。

作者建议进一步在复杂电缆布局场景中验证该方法的适用性，并通过与行业合作评估其资源节约的实际潜力。该研究不仅符合美国核管会NUREG-1824对火灾模型验证的标准要求，还为风险评估提供了由“现象驱动”替代“数据驱动”的新思路。

随着人工智能与物理模型的持续融合，PNP分解方法有望成为核安全数字化转型的重要工具，为核电厂安全管理提供更高效、更经济的决策支持，推动全球核能安全水平的提升。

Journal of Nuclear Engineering期刊介绍：https://www.mdpi.com/journal/jne

主编：Dan Gabriel Cacuci，University of South Carolina， USA

期刊创刊于2020年,是一本国际开放获取期刊，发表同行评审的论文。期刊涵盖了与核和辐射过程的科学和应用相关的原创研究、想法和进展。发文类型包括original research papers, reviews, communications, brief reports, opinions, technical notes, editorials等。

截至目前，Journal of Nuclear Engineering期刊已被Scopus, ESCI (Web of Science), EBSCO等数据库收录。