突发事件的应对方法主要被分为两类，即传统的“预测-应对”模式和新兴的“情景-应对”模式。传统的“预测-应对”模式是建立在对突发事件演化规律有深入研究的基础上的，这种应对方法更多的是基于突发事件模型对未来发展趋势的预测，制定出相应的应对措施。“预测-应对”模式在应急处理非常规突发事件时存在如下弊端： 1) 非常规突发事件往往发展迅速，缺少对其演化规律的研究，可能没有相应的预测模型，甚至没有足够的时间来支持预测模型的运算，从而无法给决策者提供有用信息；2) 非常规突发事件中存在信息缺失、信息不完整的情况，导致相关预测模型参数不全、无法开展运算、无法随着事件连锁动态变化，这就导致了非常规突发事件的应对难以有效开展^{[1, 2, 3]}。

然而，近年来随着社会的进步和发展，非常规突发事件的罕见性、演化过程的复杂性及不可预测性、造成后果的严重性及不确定性愈发明显，决策者逐渐发现传统的“预测-应对”模式已经无法满足现代应急需求，因此“情景-应对”模式被越来越多的学者和应急指挥人员所广泛接受并得到了大量研究^{[4, 5]}。

本文以非常规突发事件中较为罕见但影响重大的核事故为研究对象，采用后果评价的方法研究并建立重大核事故情景库，随后利用情景库实现重大核事故源项反演。

核事故发生后，放射性物质在大气中发生扩散，在风场、温度和大气稳定度等的共同作用下，放射性物质造成的辐射影响范围和不同区域内的辐射剂量是决定采取何种应急救援措施的重要依据。由此可见，核事故后果评价在核事故应急决策支持层面具有十分重要的作用。事故后果评价一般包括事故的环境监测，事故后果的模拟计算(即后果预测)，以及对监测结果、计算结果进行分析和评价(如与干预水平或操作干预水平相比较)^[6]。核事故后果评价的开展最重要的一个决定参数是核事故的源项，因此源项反演作为核事故后果评价得以顺利开展的一个重要条件为大量学者所广泛研究。

核事故应急情况下不确定性的一个重要来源就是源项的不确定性，对源项信息的了解程度直接影响到核事故辐射后果评价以及应急措施的采取^[7]。本文的主要目标就是通过情景库的建立，以真实事故情景和情景库中的情景进行匹配的方式从而达到源项反演。

现阶段，估计事故源项的方法大致分为两类： 1) 根据核电站相关监测设备的工况数据进行源项估计；2) 通过核电站周围的监测数据使用相关的源项反演模型进行计算从而得到源项。以上两种方法在真实事故情况下都存在一些缺陷：1) 针对依靠工况数据进行源项估计这一方式。在重大核事故发生后，由于原生事件的破坏性和次生衍生事件的突发性、复杂性和不确定性导致核素开始释放的几个小时内无法获得源项数据的情况较多。以日本福岛核事故为例，原生事件地震发生后，核电站1—3号机组自动停堆，但地震造成了外部电网的损毁，应急柴油机启动供电约1 h后，核电站遭到海啸袭击，所有供电全部丧失，这就导致堆芯冷却系统失效进而造成了不同程度的堆芯熔毁，放射性物质发生泄漏。然而，由于供电系统的全部失效，人们无法通过系统仪表读取相关工况数据，导致无法获取源项信息，对后续的核事故后果评价和应急救援行动的展开带来阻力。2) 针对依靠核电站周边辐射监测数据来进行源项反演这一方式。目前，国内外所广泛使用的源项反演方法可分为4类： 最优插值法(optimum interpolation，OI)、遗传算法(genetic algorithm，GA)、人工神经网络(artificial neural network，ANN)、Kalman滤波(Kalman filter，KF)及由其发展得到的扩展Kalman滤波(extended Kalman filter，EKF)和集合Kalman滤波(ensemble Kalman filter，EnKF)方法^[7]。这4种源项反演方法又可以概括为参数估计方法，但无疑不管是哪种方法在事故发生后都需要花费不少的时间进行模型计算，这对时效性要求极高的核事故应急救援活动的开展会造成很大影响。

针对以上方法的局限性，本文考虑将所有风场条件下的后果评价在事故发生之前全部计算一遍，将结果保存。真实事故发生后，将真实风场与情景库中的风场进行比对，即可得到该真实事故下的情景。这样就省去了事故发生时的大量后果评价计算，从而为应急救援行动的开展节省大量宝贵的时间。

从人类开始利用核能以来，全球发生的重大核事故屈指可数。而且，导致这些重大核事故发生的原因和采取的应急处置措施也存在巨大差异。因此，单纯从历史案例的角度提炼情景并建立情景库是有些狭隘的。想要建立一个通用的核事故情景库，就需要采取一个重大核事故发生后开展应急救援所必要的步骤——后果评价。本文利用多次的后果评价模拟来建立情景库。在源项方面，本文选择单位源项作为模拟过程所需源项，因为在模型中其他输入参数不变的情况下，监测点数据是与源项成线性变化关系的。在气象数据方面，为了使情景库的通用性更强，本文关注风向和风速，以及对核素扩散有重要影响的大气稳定度。后果评价模型选用方面，采用Gauss烟团模型进行核素扩散后果评价。具体过程如图1所示。

图 1 情景库建立流程

图选项

日本福岛核事故发生后，Masamichi等^[8]研究人员利用核电站周边的实际监测数据除以单位源项下的计算机模拟数据来反演福岛核事故源项，计算结果与后续的一些模型反演结果吻合度较高，也被学术界所广泛采信。因此，以该方法作为本文建立情景库并进行源项反演的一个重要依据。

依据上文介绍的情景库建立流程，首先采用单位源项作为核事故后果评价的源项，即释放速率为1 g/s；其次，对简单风场的离散化处理，考虑风向和风速两个因素，风向方面每3°进行一次采样，共计120 条，风速方面0~10 m/s每 0.5 m/s 进行一次采样，10~25 m/s每1 m/s进行一次采样，共计35 条；最后，大气稳定度划分为6个水平。

将离散后的风速、风向一一组合可生成共计 4 200 个不同基础风场。在核事故早期后果评价计算中，模型计算所采用的风场随时间变化较快，因为前期核素扩散范围较小，对风的敏感性相对更强，而随着核事故进入中后期，核素扩散范围增大，对风的敏感性相对有所降低。因此，上述 4 200 条基础风场只代表事故1 h内的风场。在不进行风场简化的前提下，重大核事故情景库的情景条数应为6×4 200ⁿ 条。其中，n代表核素扩散时间，h。随着n的增加，情景库将会变得十分庞大，因此本文要尽量在提高n的情况下减小情景库的规模。

本文以1980年至1981年在美国Kincaid电站(39.59° N，89.50° W)开展的SF₆大气扩散实验为研究对象。该核电站处于开阔的平原地区，因此可以忽略地形因素对核素扩散的影响。通过分析该核电站的气象数据，得出该地平均风速为6.5 m/s。核事故早期后果评价的研究范围较小，且该实验的探测器布置最远距离核电站 50 km。因此，本文的核素扩散时间定为3 h就足以覆盖所有探测器。

另外，通过分析该地数个月的气象数据^[9]，发现该地风速、风向随时间变化较小，这对进一步缩小情景库有重要作用。如图2和3所示，在研究的6 000 h内，风速变化在±2.5 m/s内的时间达到 5 590 h，覆盖率达到93.2%。风向变化在±20°以内的时间达到5 532 h，覆盖率达到92.2%^[9]。

图 2 不同风速变化区间的覆盖率

图选项

图 3 不同风向变化区间的覆盖率

图选项

根据图2和3的结论，本文可以在大幅度缩小情景库的情景条数的同时，达到覆盖超过90%以上的风场情景，即在核素扩散的第2 h和第3 h，可以不必全部计算4 200 条基础风场，而只需要从风速变化±2.5 m/s、风向变化±20°之内的风场中选择基础风场，这样就大大缩小了情景库的情景条数。经过计算，共计有约4亿条风场情景。本文采用单位源项，分别对这4亿条风场情景进行后果评价计算，每隔30 min将相应探测器位置的核素模拟质量浓度记录下来，共计记录6 次。最后，将3 h的风场序列和6 次不同时刻的探测器质量浓度值作为一条情景保存在情景库中。真实事故发生后，首先将风场序列与情景库中情景进行匹配，然后用真实探测器值除以匹配后的情景库探测器值即可得到真实事故源项。表1是1980年7月13日的一次大气扩散实验所使用的源项和当时的风场数据^[9]。表2是根据本文建立的情景库进行源项反演后得到的源项信息。从图4可以看出，反演结果与真实源项之间差异不大。

图 4 实验用真实源项与反演结果对比

图选项

基于简单风场的重大核事故情景库基本能够覆盖研究范围内90%以上的风场情景，如果继续提高覆盖率，情景库的情景条数将成倍增加，这将大大提高计算所需时间，得不偿失。该情景库通用性很好，计算复杂度低，在进行风场匹配后只需简单的除法即可得到源项信息，适用于重大核事故早期且对精度要求不高的源项反演问题。

使用简单风场进行小尺度层面上的后果评价使得情景库具有很好的通用性，但在计算精度方面误差较大。本文将针对某一具体核电站建立复杂风场条件下的情景库。本文以辽宁省红沿河核电站为研究对象，获取了该地区2013年1月至2013年12月的风场数据，该数据为每天0时至23时13×13 个网格点(117 km×117 km区域)的风速、风向数据，总计8 760 h的风场数据。本文将分析如何利用这8 760 h的风场数据建立情景库。

辽宁省红沿河核电厂位于辽宁省瓦房店市红沿河镇东岗村，厂址地处渤海辽东湾东海岸，北、西、南三面临海，东侧与陆地接壤^[10]。核电厂直线距离大连市区95 km，直线距离营口市区115 km。由于其三面临海，且核事故早期后果评价更加关注的是核电站周边居民的安全问题，因此本文只考虑核素在辽东半岛上面的扩散，具体研究范围如图5所示。本文主要研究核素在陆地范围内的扩散，因此建立情景库时主要考虑风向为0°到60°和270°到360°，即风向分别为N、NNW、NW、WNW、W、WSW、WS和SWS。

图 5 红沿河核电站情景库研究范围

图选项

红沿河核电厂所处地区受季风和海陆风双重影响^{[11, 12]}。从季风的角度分析，秋冬季盛行西北风，如果发生核事故容易影响到大连地区。从海陆风的角度分析，白天海风吹向陆地方向，如果发生核事故同样会影响陆地。该地区2013年的相关气象数据如表3所示，其全年风玫瑰图如图6所示。

图 6 红沿河核电站100 m高空2013年风玫瑰图

图选项

根据2013年平均风玫瑰图可知，风向为N、NNW、NW、WNW、W、WSW、WS和SWS的风频为40.2%，因此，建立情景库的有效时间为24×365×0.402 h = 3 522 h。

这3 522 h所代表的风场存在一些相似风场，使用这些相似风场进行后果评价计算发现监测点模拟值差异不大，因此可以剔除这些相似风场以达到精简情景库的目的。本文以2013年12月20日22 时和23 时的风场(13×13个网格点，117 km×117 km 区域)为例。从图7a和7b可以看出，这两个时间的风场十分相似。通过后果评价模型分别计算单位源项在两个风场下的扩散区域，并对计算结果进行比对，见图7c和7d。以图7c为基准，将图7d与其比对，两幅图相对应的网格最大误差为 15.6%，平均误差为11.3%。

图 7 相似风场及相似风场下的核素扩散质量浓度

图选项

通过对红沿河地区1年的风场进行相似分析，在考虑情景库大小和计算精度的情况下，本文总结出判定两个风场相似的条件： 1) 两个风向矩阵中至少75%的对应元素差值不超过10°，其余元素差值不超过15°，矩阵相似性达到85%以上；2) 两个风速矩阵中至少75%的对应元素差值不超过 2 m/s，其余元素差值不超过3 m/s，矩阵相似性达到85%以上。利用以上方法，将3 522 h中的相似风场进行剔除，最后剩余2 136 个风场作为基础风场。

由表3可知，红沿河核电站年平均风速为 8.9 m/s，如果发生核事故导致核素扩散，大约3~4 h后即可影响到95 km外的大连地区。本文从1年的风场中抽出100组4 h的风场序列，利用情景库组合出与这100组相似的风场序列。分别采用后果评价模型计算上述200 组场景，计算结果比对后，相应网格的最大误差为60.2%，平均误差为35.6%。真实核事故发生后，利用探测器的质量浓度值除以情景库中相应位置的模拟值来计算源项，那么在使用相似风场的情况下，本文反演出来的源项为真实源项的1/(1+0.602) 倍到1.602 倍之间，这个比例基本可以保证使用情景库方法反演的源项与真实源项之间的差异满足工程应用的要求。

分别计算出这2 136个基础风场的平均风速和平均风向，采用与简单风场建立情景库相似的手段进行风场组合，共计获得2.3亿条风场情景，将这2.3亿条风场情景分别进行后果评价计算，每隔 30 min 将相应探测器位置的核素模拟质量浓度记录下来，共计记录8次。最后，将每4 h的风场序列和8 次不同时刻的探测器质量浓度值作为一条情景保存在情景库中。真实事故发生后，首先将风场序列与情景库中情景进行匹配，匹配方法就是计算相似风场的过程，然后用真实探测器值除以匹配后的情景库探测器值即可得到真实事故源项。

随着突发事件应对模式由传统的“预测-应对”向“情景-应对”模式的转变，“情景-应对”模式越来越多地应用到突发事件的应急管理与决策中，特别是罕见重大的非常规突发事件。本文以非常规突发事件中较为罕见但影响重大的核事故为研究对象，采用后果评价的方法分别针对简单风场和复杂风场展开研究并建立重大核事故情景库，并通过情景比对的方式实现重大核事故源项反演。该方法具有速度快、效率高的特点，能够为核事故应急救援工作的开展节省宝贵时间。另外，情景库的建立过程也可以作为核电站场外区域风险等级划分的一个依据，对于核应急资源配置和应急预案的制定提供帮助。