Dana Sarah Lüdemann | Jens Peter K.W. Frankemölle | Stijn Van Leuven | Pieter De Meutter | Jan Pehrsson
DTU风能和能源系统，Frederiksborgvej 399，DK-4000，Roskilde，丹麦
摘要
准确预测近范围大气扩散对于评估小型模块化反应堆的影响至关重要，然而大多数运行模型并不是为短距离设计的。本研究比较了四种模型——ADER、FLEXPART、RIMPUFF和URD——使用来自比利时Mol反应堆1的41Ar释放数据。在可控释放过程中，通过现场环境辐射监测网络记录了这股41Ar羽流的信号。这些模型与监测网络进行了基准测试。经过对模型进行近范围应用的仔细调整后，它们在时间积分浓度和环境剂量估计方面产生了一致的结果。主要差异来源于气象输入：基于现场数据的模拟更好地捕捉到了局部变化，而基于数值天气预报（NWP）的FLEXPART无法解析细尺度风结构。最大时间积分浓度（TIC）在最低（RIMPUFF）和最高预测（ADDER）之间相差51%，而最大剂量在最低（FLEXPART）和最高预测（URD）之间相差39%。与观测结果的比较证实了模型的一致性，同时也突显了模型在再现极端情况时的局限性。这些发现强调了为可靠的近范围应急准备而仔细调整和基准测试运行模型的重要性。
1. 引言
在2023年举行的第28届联合国气候变化大会（COP28）上，超过20个国家承诺到2050年将核电产能增加两倍，认识到核能在实现净零排放目标中的关键作用。在此背景下，小型模块化反应堆（SMRs）受到了越来越多的关注。与传统核电站相比，SMRs具有多个优势，包括更小的物理占地面积、更低的资本成本和更小的燃料库存（IAEA，2024年）。首批SMRs已在阿根廷、中国、日本和俄罗斯投入运行或建设中，美国和韩国的监管机构也批准了三种额外设计。目前重点仍在于首批项目，而非批量部署（NEA，2024年），这表明如果SMRs要在2050年前实现净零排放目标，仍需取得更多进展。
简化SMRs的（预）许可流程（应急准备和响应计划是其中的重要部分）具有重要意义（Cipiti，2011年）。特别是，人们希望能够建立更小（甚至无需）的场外应急规划区和应急规划距离，即IAEA《通用安全建议》第7部分中定义的区域和距离（IAEA，2015年）。由于较小的核心库存意味着潜在释放的规模较小，因此任何影响可能仅限于近范围（大约1公里内）。已有众多研究报道了各种SMR技术的源项估算（Cui等人，2025年；Malicki等人，2024年）以及适当的SMR应急规划区规模（Lebel等人，2026年；Blul，2021年；Hummel等人，2020年；Carless等人，2019年；Xuan等人，2018年）。
然而，一个关键问题是：在放射性影响模型中（近范围）大气扩散模型是否足够适合这一任务。2011年福岛第一核事故后，开发或改进了运行扩散模型，以模拟从区域到全球范围的释放事件，支持远距离源点的应急规划和疏散区划定（Leelőssy等人，2018年）。转向SMRs引发了这样一个问题：传统上为中等范围和长距离传输开发的扩散模型是否适合准确模拟近范围意外释放。据我们所知，目前尚未解决使用运行模型进行近范围影响建模时的不确定性问题。因此，在运行限制条件下，我们没有尝试使用计算流体动力学（CFD）进行高精度流动解析，而是关注这些建模不确定性带来的影响。
在中等范围内，大气扩散建模的主要不确定性来源于气象输入数据和源项——即释放物的数量、物理和化学性质及其时间演化（Sørensen等人，2020年；Leadbetter等人，2020年）。对于近范围或城市释放事件，这些不确定性还会因复杂的小尺度湍流、建筑物引起的流动效应和局部遮挡而加剧（Li等人，2021年；Brown，2004年）。虽然大规模模型通常无法解析这些特征，但近范围建模需要高分辨率输入，包括现场气象测量结果以及详细的地形和建筑物表示。在距离源点仅50-100米的范围内，许多运行模型依赖于对实际环境的经验公式，例如湍流和混合效应以及建筑物和植被的影响，这进一步增加了不确定性。尽管这项工作的主要动机是与SMRs相关的应用，但这里描述的挑战并不局限于SMRs的空气释放。在更广泛的化学、生物、放射性和核（CBRN）紧急情况中，使用类似的运行模型时也同样存在这些挑战。
在这项研究中，我们进行了专注于近范围大气扩散的模型互比。由于在近范围内高质量验证数据的可用性有限，当前分析基于一个仪器齐全的真实释放事件。类似的单一事件互比也已经针对远场扩散进行过，尤其是福岛第一核事故（Iwasaki等人，2019年；Sato等人，2018年；Kitayama等人，2018年；Draxler等人，2015年），以及IAEA MODARIA项目中的受控短距离放射性示踪实验（Thiessen等人，2022年）。我们使用比利时核研究中心（SCK CEN）的比利时反应堆1（BR1）在常规运行期间释放的氩-41（41Ar）的实际释放场景来评估四种成熟模型的性能。由于在释放点附近有密集的高分辨率环境剂量监测站网络、激光雷达点云数据（用于获取建筑物位置和高度）以及现场气象站，该数据集能够验证与SMRs相关的大气扩散模型。
我们在互比中包括了四种模型：高斯羽流模型ADER（Frankemölle等人，2022a）、拉格朗日粒子模型FLEXPART（Stohl和Thomson，1999年；Stohl等人，1998年；Pisso等人，2019年），以及高斯羽流模型RIMPUFF（Thykier-Nielsen和Olsen，2002年）和URD（P. Astrup，2025年6月个人交流——参见附录）。我们通过比较浓度和剂量预测来评估这些模型在SMR相关环境下的近范围扩散模拟能力。随后将这些模型的表现与现场的伽马剂量检测器的测量结果进行对比，为评估模型在近范围应急响应中的性能提供了可靠的数据集。
本文结构如下。接下来的两部分分别介绍材料和方法。第2部分描述了案例研究，包括地点、测量网络和气象条件。第3部分概述了各个模型，重点介绍了每个扩散模型和伽马剂量模型的主要特点。结果和讨论也分为两部分。第4部分通过比较模型之间的结果来展示浓度相关发现。第5部分重点是将模型预测与剂量测量结果进行对比。最后，第6部分总结了主要发现。
下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像
图1. SCK CEN地点概览，包括检测器位置（白色点）、BR1堆栈位置（黄色星号）、气象桅杆位置（绿色方块）以及用紫色标出的建筑物轮廓。（关于图例中颜色的解释，请参阅本文的网络版本。）
下载：下载高分辨率图像（171KB）
下载：下载全尺寸图像
图2. 2014年7月9日BR1的释放率，由堆栈监测器测量。蓝色表示堆栈监测器直接报告的1分钟平均值（Raw）。深蓝色表示10分钟平均值（Median）。在平均之前，这些值经过了21分钟的中值滤波处理。（关于图例中颜色的解释，请参阅本文的网络版本。）
2. 材料和方法 I：案例研究描述
本模型互比的案例研究选自比利时核研究中心（SCK CEN）和比利时核控制管理局（FANC）多年来的扩散数据集。该数据集包括BR1的堆栈监测数据、现场气象桅杆的气象数据以及现场和附近站点的环境剂量测量数据。我们补充了2013-2015年间生成的激光雷达点云数据，这些数据是当前佛兰德斯地形高度和建筑物轮廓图的基础（Agentschap Digitaal Vlaanderen，2014a）。在考虑了本研究中包含的各种模型的要求后，我们选择了2014年7月9日作为最合适的日期。
下载：下载高分辨率图像（1MB）
下载：下载全尺寸图像
图3. SCK CEN地点的16个TELERAD探测器（IMR-M01至IMR-M16）记录的环境剂量当量率（nSvh−1）。浅蓝色线条表示原始探测器信号及其对应的虚线背景（BG）水平和带阴影的±2σ区间。黑色线条表示经过降雨校正的信号，同样带有虚线BG水平和带阴影的±2σ区间。虚线灰色线条表示释放期的开始和结束时间。（关于图例中颜色的解释，请参阅本文的网络版本。）
下载：下载高分辨率图像（372KB）
下载：下载全尺寸图像
图4. Mol地区的NWP模拟降雨（0.1°分辨率）与堆栈后方的TELERAD探测器（IMR-M08、M09、M10、M13）记录的降雨信号进行对比。每个降雨信号表示超出基线的量减去其集合模型预测值，其集合平均值以粗体显示。阴影区域表示释放期以外的时间。
2.1. 地点和建筑物特征
图1显示了2014年SCK CEN及其周围地区的历史航拍照片。核设施位于一个以常绿松树为主的森林区域。建筑物的高度通常在5米到25米之间，除了40米的比利时反应堆2（BR2），中间有森林区域或无树木的区域。此外，还有几座塔状结构：BR1和BR2的60米高塔、45米高的水塔以及114米高的气象桅杆。虽然如图1所示的摄影数据至少每年可获得一次，但只有两次更详细的激光雷达点云数据集的扫描结果可用于生成建筑物轮廓和地形图。最新资源是Digitaal Hoogtemodel Vlaanderen II（佛兰德斯数字高度模型II，Agentschap Digitaal Vlaanderen，2025年）。2013-2015年间由飞机收集的原始激光雷达点云数据分辨率为每平方米16点（2014a），以及几个衍生产品均向公众开放。为了完整性，我们提到了那些在大气扩散建模中我们认为相关的资料，尽管并非所有数据集在实际工作中都得到了使用。数字地形图（不包括植被和建筑物高度）的分辨率分别为1米（2014b）和5米（2014c）。还包括数字表面图，分辨率分别为1米（2014d）和5米（2014e）。此外，还有一个佛兰德斯所有建筑物的数据集，细节级别分别为0（LoD 0，地理参考的建筑物轮廓）和1（LoD 0的简单拉伸）（2014f）。关于建筑物LoD的详细描述可见于Biljecki等人（2016年）的论文。URD模型可以利用上述建筑物数据来优化其城市扩散参数化。为了确保数据集之间的整体一致性，我们选择了与建筑物数据时期相匹配的释放场景。
2.2. BR1的41Ar大气释放
BR1是一种空气冷却的、使用石墨慢化的反应堆，在常规运行期间会释放微量41Ar——这是空气中天然存在的40Ar中子捕获的结果。该反应堆首次运行于1956年，最初是作为4 MW的研究反应堆用于反应堆和中子物理学研究以及放射性同位素的生成。如今，BR1每年仅在营业时间运行约50天，功率为700千瓦。在运行期间，41Ar从位于SCK CEN场地西端的60米高烟囱中排放（见图1中的黄色星号）。基于中子计算的源项为（55.6±2.0）GBqh−1，但这个数值在大气扩散建模的文献中存在争议，有报告称该数值是这个值的两到四倍（Rojas-Palma等人，2004年；Bijloos等人，2020年；Frankemölle等人，2022b年）。虽然BR1内装有监测设备，但尚未进行校准。该设备并不报告以Bqs−1为单位的释放率，而只是记录它测量的每秒计数（cps）。对于2014年7月9日的数据，图2显示了探测器原生输出的1分钟平均释放率以及用于扩散建模的10分钟平均释放率。为了将cps转换为Bqs−1，我们从信号中减去清晨和傍晚检测到的基础cps（约0.75 cps），然后计算启动阶段后和关闭阶段前的平均cps（即cps保持不变时），最后将该平均cps与源项相等以获得以Bq为单位的校准因子。为了与大气扩散模型保持一致，我们决定使用中子源项乘以四倍，正如Frankemölle等人（2022b年）所做的那样。图2显示了BR1在700千瓦功率下运行的典型曲线。释放率在开始时的急剧增加与反应堆的启动阶段（UTC时间7:00）相吻合，启动阶段持续约20分钟，期间功率从0千瓦增加到700千瓦。20分钟后，释放率逐渐稳定在一个恒定水平，这对应于通风流中41Ar的平衡状态。大约在UTC时间9:00之后，释放率保持稳定。UTC时间14:00时，反应堆完全关闭，此时不再产生新的41Ar。14:00至18:00期间观察到的尾迹是由于通风系统继续运行造成的。尾迹中的行为显示了剩余41Ar的衰减和持续排放的共同效应，后者可能受到通风体积流量的影响。
2.3. 通过TELERAD网络进行的现场及附近地区的流入监测
41Ar羽流通常会出现在环形区域的流入监测器（IMRs）上，在某些天气条件下甚至会出现在聚集区域的流入监测器（IMAs）上——这些都是FANC TELERAD网络的一部分（Sonck等人，2010年）。图1中绘制的SCK CEN周围的IMRs配备了1.5英寸×1.5英寸的钠碘化物（NaI）闪烁探测器用于伽马光谱分析，以及盖革–米勒（GM）管用于伽马剂量测量。在低剂量范围内（如本研究所考虑的情况），伽马剂量率是通过积分NaI探测器的光谱获得的，这样可以获得更好的计数统计结果。IMA站点仅配备了GM探测器，在低剂量下的计数统计效果较差。IMRs和IMAs都经过校准，能够报告平均10分钟窗口内的环境剂量当量率Ḣ∗(10) nSvh−1。
SCK CEN周围有几个检测器“环”围绕着核设施（见图1）。其中七个位于BR1周围的一个圆形区域内。这些探测器无论风向如何都能捕捉到羽流。然而，它们只能捕捉到极近范围内的扩散，因为它们距离烟囱100米到150米之间。由于BR1位于场地的最西端，因此只有当风向来自一个相对狭窄的区域时，围绕其他设施的探测器才能检测到羽流。为了使相当数量的探测器能够实际检测到羽流，风向必须在西风到西北西风之间。这个范围相当狭窄——只有风向玫瑰图的1/16——而场地的主导风向是西南风。因此，风向是选择适合此案例研究数据的限制因素。当满足这一条件时，大约有12个探测器能够在距离烟囱100米到1000米的范围内捕捉到清晰的羽流信号。图3展示了2014年7月9日的TELERAD时间迹线。
理想情况下，我们希望选择没有降水的一天，因为已知降水会导致空气中天然存在的氡-222（222Rn）的衰變产物发生湿沉降，从而导致环境剂量当量率出现显著波动（Livesay等人，2014年）。由于候选天数已经受到狭窄风向范围的限制，同时还需要选择接近2014年的日期——即雷达点云数据可用的时期——我们无法要求这一天没有降水。
在假设空气中的222Rn浓度或降水量都没有显著变化的情况下，所有探测器在降雨后的响应应在其基线ΔḢ∗(10,t)的基础上保持一致。我们通过从烟囱上游的四个探测器IMR-M08到IMR-M10以及IMR-M13中减去相应的无降水基线来计算ΔḢ∗(10,t)。此外，我们还考虑了羽流的微小（相对于降水而言）但非零的影响，通过减去四个模型预测的平均值来抵消羽流的贡献。虽然这引入了降水校正观测结果对模型结果的一定依赖性，但我们认为这总比完全不考虑羽流贡献要好。
图4分别显示了四个探测器的ΔḢ∗(10,t)，以及平均ΔḢ∗(10,t)。尽管趋势非常相似，但各个探测器对降雨的响应幅度并不完全相同，这种校正可能会导致大约几nSvh−1的不确定性。尽管如此，校正后的TELERAD信号的变化幅度比未校正的TELERAD信号小得多，如图3中的阴影区域所示。
下载：下载高分辨率图像（898KB）
下载：下载全尺寸图像
图5. 2014年7月9日可用的气象数据时间序列。虚线代表来自ECMWF的0.1°分辨率的数值天气预报（NWP）数据，这些数据已插值到气象桅杆的测量高度。实线显示了气象桅杆的每小时观测数据平均值，阴影区域代表相应的标准差。非阴影区域代表BR1的释放时间窗口（UTC时间7:00–16:20）。
2.4. 气象
现场气象桅杆提供10分钟平均的微气象数据，包括三个高度（24米、48米和69米）的风速和风向。它还记录了8米和114米处的温度，以及相对湿度和大气压力。
使用Pasquill–Gifford（PG，Gifford，1975年；Pasquill，1961年）方案，根据现场的气象测量数据（风速、风向、云量和温度）确定了2014年7月9日释放期间的大气稳定性。虽然没有直接测量云量和日照强度的数据，但全天的降水量表明当天天空处于多云状态。该方案在主要释放期间（UTC时间07:00–16:30）一致地指示为中性条件（D类），而在日出前和反应堆关闭后观察到稳定条件（E类）。这些短暂的时间段发生在主要释放窗口之外，因此对释放过程没有可测量的影响。根据Bultynck–Malet（BM，Bultynck和Malet，1972年）方案（该方案是ADER中扩散参数化的基础）的分类，这些时间段属于略微稳定的条件（BM类3，PG类E）。然而，由于原本没有测量日照强度和云量，因此该方案没有考虑云量的影响，这解释了这里的情况差异。由于这些信息间接适用于本案例研究，我们采用了PG分类，并在ADER中设置为中性稳定性（BM类4，PG类D）。
在释放期间，风向主要是西北西风（WNW）。虽然ADER、RIMPUFF和URD可以使用气象桅杆的单一位置数据，但FLEXPART则不可以。因此，对于FLEXPART模拟，我们使用了来自欧洲中期天气预报中心（ECMWF）的运行中的综合预报系统（IFS）的存档数值天气预报（NWP）数据。为了证明气象桅杆和NWP数据的一致性，图5展示了这两个数据集的时间序列比较。这里，我们将气象桅杆数据的每小时平均值和标准差与NWP数据的每小时平均值进行了对比。将Pasquill–Gifford方案应用于IFS的NWP场数据，确认了其与基于现场数据得出的稳定性分类的一致性。
虽然FLEXPART依赖于NWP数据，而其他三个模型使用现场桅杆的观测数据，但这种差异反映了它们典型的运行配置。此外，它还使我们能够研究使用NWP数据可能产生的影响——如图5所示，FLEXPART的模拟结果与现场测量结果相似，但变化性较小。为了支持后续分析，表1提供了气象数据的定量比较。平均偏差和均方根误差（RMSE）是根据每小时NWP值与每小时平均观测值之间的差异计算的。平均偏差量化了NWP数据相对于观测数据的系统性过高或过低估计，而RMSE表示误差的整体幅度。比较显示，NWP数据很好地再现了温度，偏差小且RMSE值低。相比之下，风速在所有高度上都普遍被高估，而风向的平均偏差较小，但RMSE值较大，表明现场数据的可变性较大。总体而言，NWP数据较好地再现了气象条件，但风速的偏差较大。
为了验证结果是否对特定桅杆输入过于敏感，我们使用RIMPUFF、URD和ADER进行了测试，比较了结合48米和69米数据的模拟结果与仅使用69米数据的结果。羽流差异很小，证实了结果对气象输入的微小变化具有鲁棒性。
表1. 每小时平均气象桅杆观测数据与NWP数据之间的比较。平均偏差和均方根误差（RMSE）是根据每小时差异计算得出的。
| 度量 | 温度 [°C] | 风速 [m s−1] | 风向 [°] |
|-------|---------|-----------|---------|
| 24米 | | | |
| 114米 | | | |
| 48米 | | | |
| 69米 | | | |
| | | 0.42 | -0.08 |
| | | 1.93 | 1.35 |
| | | 1.27 | -4.21 |
| | | 8.92 | -6.40 |
| | | 0.50 | 0.40 |
| | | 2.00 | 1.58 |
| | | 1.54 | 15.54 |
| | | 14.68 | 26.22 |
我们原本打算包括24米风速的测量数据，但最终放弃了这一做法。如图5所示，24米风向数据的变异性很大，10分钟内的风向变化超过了50°，这与更高的桅杆高度（48米和69米）和NWP数据的趋势不符。这种行为很可能是由于风向仪故障或对准不当造成的。此外，只有RIMPUFF和URD能够解释这种来自桅杆的垂直风向变化，而ADER使用的是垂直均匀的气象输入。因此，包括24米数据只会使模型比较复杂且不会提高准确性。
因此，决定排除24米数据，仅使用48米和69米的数据。对于ADER模型，这两个高度的平均值被用于风向和风速的计算。结合NWP数据，我们获得了可用于模拟的比较气象数据集。
3. 材料和方法II：模型描述
在这项对比研究中考虑了四种大气扩散模型。我们在第3.1至3.4节中简要讨论了ADER、FLEXPART、RIMPUFF和URD。由于并非所有模型都具备计算剂量和剂量率的功能，我们决定仅让扩散模型输出浓度场，并使用一个模型来计算所有情况下的剂量。我们选择了ADER中实现的剂量计算方法，因为它是唯一一个能够评估完整3D剂量率积分的方法。由于这种方法非常精确——它不依赖于简化的云层几何形状——因此在计算剂量率时不会产生较大的额外模型误差。这意味着模型剂量率预测的质量可以直接与浓度场的质量相关联，从而可以进行公平的整体比较。详见第3.5节。模型的数值设置在第3.6.3.1节中讨论。
**ADDER**
大气扩散和剂量当量率（ADDER）模型是SCK CEN正在开发的一种内部近距大气扩散模型（Frankemölle等人，2022a）。该模型的基础是一个扩展的高斯烟羽模型，包括对地面和逆温层底部的反射选项。目前实现的扩散参数化——用于水平和垂直扩散系数σy和σz——是一种基于类方法，在比利时已被广泛采用，该方法基于20世纪70年代在SCK CEN附近进行的示踪实验（Bultynck和Malet，1972年）。由于这些系数是为1小时平均值推导出来的，ADDER采用了Beychock（1994年）提出的校正因子来考虑在较小时间窗口内烟羽的弯曲情况。这是对Frankemölle等人（2022a）原始公式的小幅更新，他们将这个因子同时应用于σy和σz。也可以选择包括热浮力烟羽上升（Briggs，1971年）的模拟。ADDER所需的输入信息非常少。在气象学方面，用户需要提供风向、风速以及特定高度上的稳定性等级和时间分辨率。在源信息方面，只需要提供排放率和排放高度。如果使用了烟羽上升模块，用户还需要提供排放气体的流出率和环境温度。虽然高斯烟羽模型没有时间分量，但ADDER仍然可以通过假设连续的10分钟时间段为独立稳态，并使用每个时间段的平均气象条件来生成时间轨迹。对于涉及放射性核素的排放，ADER包含了一个有限烟羽计算模块（Healy和Baker，1968年）。这使得在烟羽几何形状至关重要的近距情景中能够高精度地估算烟羽引起的γ剂量率（即“云光”）。为了计算剂量，用户需要提供放射性核素的信息。ADDER还提供了计算沉降引起的γ剂量率（“地面光”）的选项。有关有限烟羽计算的更详细描述，请参见第3.5节。
**FLEXPART**
FLEXPART是一个拉格朗日粒子扩散模型。在这项研究中使用了FLEXPART v10.4版本（Stohl和Thomson，1999；Stohl等人，1998；Pisso等人，2019）。FLEXPART计算代表感兴趣的空中烟羽的许多计算粒子的位置。这些粒子根据数值天气预报（NWP）数据随风传输，并加入湍流分量。在行星边界层中，湍流风分量通过朗之万方程得到（Thomson，1987）。在假设高斯湍流的前提下，需要确定湍流风分量的拉格朗日时间尺度和标准差。为此，在稳定、中性及不稳定条件下使用了Hanna（1982）的参数化方法。在自由对流层中，使用恒定的水平扩散率Dh=50 m² s⁻¹（Legras等人，2003）。为了考虑对流效应，FLEXPART的对流方案在此情况下被关闭。每次排放过程中释放了60,000个计算粒子，由于最小模型时间步长设置为1秒，相当于每秒100个粒子。在每个排放阶段内，计算粒子最初携带相同的质量，但由于放射性衰变，这些质量会随时间减少。粒子质量还可能由于干沉降和湿沉降的影响而进一步减少，但在此研究中这并不重要。如果定义了输出网格，粒子的位置和质量可以转换为浓度场。本例中的输出网格是经纬度网格，具体细节将在第3.6节中说明。为了提高效率，粒子被设定在1小时后消失。这不会影响结果，因为此时粒子已经离开了关注区域。浓度计算涵盖了20个等距的垂直模型层，从地面开始到地面以上10米的第一层，到地面以上190米到200米的最后一层。
**RIMPUFF**
RIMPUFF（Mikkelsen等人，1984）是一种拉格朗日大气脉冲模型，用于计算中等尺度下危险物质释放造成的剂量和浓度。连续释放通过连续的脉冲来模拟。每个脉冲遵循三维高斯分布，其最大浓度位于中心，并通过标准差（σx、σy、σz）表征其在沿风方向、侧风方向和垂直方向上的扩散情况。这使得RIMPUFF能够在考虑非静止和非均匀风场的情况下模拟短期的烟羽行为。在每个内部时间步长内，模型根据气象输入对各个脉冲进行平流、扩散和沉降处理。在本研究中，内部时间步长设置为1秒。扩散模拟采用了相似性缩放方法，用物理参数（如热通量w∗、剪切应力u∗、逆温层高度zi和Monin–Obukhov长度L）替代了传统的Pasquill–Gifford稳定性类别。这种方法通过连续参数zL⁻¹（Carruthers等人，1992）反映了实际的大气湍流情况，从而提高了精度。脉冲上升的模拟考虑了释放点与周围大气之间的温度差异，遵循Macdonald（2003）和Briggs（1975）的理论。RIMPUFF还包括了气溶胶和元素/有机碘的干沉降和湿沉降过程。核同位素的衰变（包括衰变链和从空气或地面沉降的同位素向地面释放的γ辐射）通过表格形式进行积分计算。该模型采用模块化系统，包括气象预处理器（Astrup等人，2001）和LINCOM（Astrup等人，1996）来生成湍流场。LINCOM利用现场气象数据参数化对数风廓线，然后根据地形和地表粗糙度的空间变化来扭曲气流。RIMPUFF已在诸如厄勒海峡实验（Thykier-Nielsen和Olsen，2002）和41Ar测试案例（Lauritzen等人，2003）等研究中通过实验验证。RIMPUFF模型被集成到RODOS系统（Ehrhardt，1997）以及事故报告和指导操作系统（ARGOS）（Hoe等人，2009）中，后者提供了扩散和剂量计算的可视化功能，作为应急规划和响应的一部分。
**URD**
城市释放和扩散（URD）模型是RIMPUFF模型的城市扩展版本（P. Astrup，2025年私人交流——参见附录）。尽管两个模型基于相同的拉格朗日脉冲框架，但URD明确处理了排放物与建筑物之间的相互作用。相比之下，RIMPUFF通过增强地表粗糙度间接体现城市效应。在URD中，建筑物通过多种方式影响烟羽的演变：障碍物的存在限制了大尺度水平涡旋的形成，将有效扩散限制在典型街道峡谷宽度范围内。同时，建筑物引起的流动分离使烟羽在扩散到附近结构边缘时发生横向扩展。URD的一个关键特点是它能够考虑建筑物背风侧的再循环区域：烟羽的一部分暂时滞留在这些准静止区域中，并逐渐重新排放，导致下风方向的传输延迟。这些效应在风向变化时尤为重要，因为储存在建筑物后面的残留物质可能会重新释放。URD将排放源分为主要源和次要源。由于URD的应用范围广泛，可以定义不同大小的多种主要源。根据具体场景，源可以是化学的、生物的、放射性的或核的。在本研究中，主要源是放射性的。当脉冲与建筑物相互作用时，次要源会自动生成：来自冲击脉冲的质量的一部分根据建筑物几何形状和经验公式（Fackrell，1984）遵循指数衰减律被重新释放。这种结合了几何感知扩散、延迟释放区和大小及物种特定沉降机制的方法使URD能够高精度地模拟城市环境中的复杂传输动态。
**云光模型**
由于本模型比较中并非所有模型都具备计算由放射性烟羽引起的γ剂量（率）的能力（在领域中称为“云光”），我们决定对所有计算使用一个统一的模型。在本研究关注的近距范围内，仅使用剂量转换系数（DCCs）是不够的，因为这些系数假设对象浸没在无限且均匀的云层中。然而，在本研究范围内，这一假设是不成立的。相反，我们需要计算整个云层的积分，对于单一放射性核素的单一γ发射线，该积分可以表示为：
∂∂t Hγ∗(10,r,t) = ∫_B γμγ ‖r−r′‖ exp⁻μγ ‖r−r′‖ 4π ‖r−r′‖² c(r′,t) dr′
该方程给出了任何空间点r在时间t由于浓度场c(r′,t)描述的云层而产生的环境剂量当量率。前因子Aγ等于μen,γρ⁻¹CγIγKEγ，其中μen,γρ⁻¹是质量能量吸收系数（m²kg⁻¹），Cγ是从空气kerma到环境剂量当量率（SvGy⁻¹）的转换系数，Iγ是任何给定光子的特定核素强度（即每次衰变释放的光子数），K=1.6×10⁻¹³ JMeV⁻¹是转换系数，Eγ是光子能量（MeV），ρ是空气密度（kgm⁻³）。下标γ表示某个参数依赖于Eγ。
在积分中，‖r−r′‖表示源与探测器之间的距离，exp⁻μγ ‖r−r′‖表示衰减因子，μγρ⁻¹是质量衰减系数（m²kg⁻¹），Bγ(μγ‖r−r′‖)表示累积因子。关于基础物理的详细描述——虽然非常有趣，但超出了本文的范围——我们参考了Healy和Baker（1968）的出色阐述。对于μγ、μen,γ和Bγ(μγ‖r−r′‖）这些依赖于Eγ、μγ‖r−r′‖和介质本身的参数，ADER使用了查找表（Trubey等人，1991）。系数Cγ来自ICRP（1996），而Iγ和Eγ直接从Livechart的API（IAEA，2025）获取。方程（1）中的积分需要对每个光子能量进行计算，然后总和（2）∂∂t H∗(10,r,t) = ∑_γ=1 N ∂∂t Hγ∗(10,r,t)得出由单个放射性核素引起的总剂量。在实际排放中通常存在多种放射性核素，因此还需要对公式（2）中对所有核素进行求和。但在当前案例研究中，只有一种放射性核素，它仅有两条γ发射线：1293.64 keV线强度为99.157%，1677.0 keV线强度为0.0515%。例如，在上述空间均匀浓度假设下，这些方程可以简化为DCC方法，其中局部浓度可以直接乘以DCC得到局部剂量率。还存在更高级的近似方法，例如在RIMPUFF（Thykier-Nielsen和Olsen，2002年）中使用的方法。然而，最好的方法是显式计算积分，而这正是ADER实现能够高效完成的任务。为了公平地比较所有四个模型，我们决定在这项工作中对所有模型都使用ADER实现。
3.6. 数值网格
为了计算浓度场，我们在所有模型中定义了一个一致的域。该域在经度上从5.07°E延伸到5.11°E，在纬度上从51.210°N延伸到51.225°N。离散化的网格在经度上有400个单元格，每个单元格大约7.0米长；在纬度上有300个单元格，每个单元格大约5.6米宽。垂直网格间距为10米，高度达到200米。根据不同的模型，网格可能会有所不同。FLEXPART使用等距的纬度-经度网格，而其他模型则将纬度-经度网格投影为笛卡尔网格。ADER依赖于比利时Lambert 72系统，而RIMPUFF和URD使用UTM系统。由于域相对较小，这些差异可以忽略不计。对于地面浓度，对于ADER、RIMPUFF和URD，我们在0米高度输出浓度；对于FLEXPART，我们在0-10米深度的输出层输出浓度。
为了计算剂量率场，我们在所有模型中定义了另一个一致的域。该域在经度上从5.08°E延伸到5.107°E，在纬度上从51.212°N延伸到51.220°N。离散化的网格在经度上有136个单元格，每个单元格大约14米宽；在纬度上有81个单元格，每个单元格大约11.2米高。这个网格在任何点上都至少距离浓度网格边界500米（对于1294 keV的典型41Ar光子而言，大约是5个半长度），这样可以防止云层辉光积分“看到”边界，同时仍然包含所有TELERAD探测器。为了节省计算时间，在没有TELERAD探测器的北部和西部末端选择了更大的间距。由于剂量率场通常比浓度场更加平滑，因此网格分辨率也减半。
对于时间依赖的 输出，我们将所有输出统一到了10分钟的频率。如上所述，对于ADER来说，这只需将连续的10分钟周期视为稳态，并将每个10分钟周期的平均气象参数输入模型即可。FLEXPART内部运行的时间步长为1秒（每次步长发射100个粒子），并设置为输出10分钟平均值。RIMPUFF和URD的内部时间步长也为1秒（每次步长发射1个烟羽），输出结果为10分钟平均值。
4. 结果与讨论 I：模型之间的模拟浓度比较
本研究采用了两阶段方法来比较不同模型。首先，我们对16个地点的2D时间积分浓度图和瞬时浓度时间轨迹进行了模型间的比较。由于发现了一些需要解决的模型问题，因此进行了多次迭代以确保公平比较。在这一部分，我们讨论了遇到的问题、解决方法以及模型之间的最终比较结果。然后，我们使用这些浓度场计算了这些相同地点的2D环境剂量当量图和瞬时环境剂量当量率时间轨迹。在下一部分，我们探讨了模型间浓度差异如何转化为剂量差异。我们还讨论了模拟剂量率与这些地点实际观测到的剂量率之间的模型-测量比较。
图6. 由(a) ADDER、(b) FLEXPART、(c) RIMPUFF和(d) URD模拟的41Ar（Bqsm−3）的时间积分浓度（TIC）场，绘制在SCK CEN的卫星图像上。对于FLEXPART，这是turb_meso设置为×4的结果（参见正文）。白色点表示图1中指定的相同探测器位置，黄色星号表示BR1的烟羽堆。为了平滑小尺度噪声并增强整体羽流结构的可见性，对(b)应用了高斯滤波处理。（关于图例中颜色参考的解释，请参阅本文的网络版本。）
4.1. 现场数据与数值天气数据对TIC足迹的影响
图6显示了所有四个模型在1米高度输出的时间积分浓度（TIC）图。乍一看，这三个高斯模型看起来非常相似。然而，下午风的方向变化（参见图5）在图6中可以清晰区分出来，并且在所有图中都是一致的。但是FLEXPART提供了一个更分散的足迹，并且如图6(b)所示，没有明显的风向变化。考虑到驱动模拟的气象输入，这是合理的。尽管ADER、FLEXPART、RIMPUFF和URD使用了相同的源项（参见图2），但它们使用的气象数据不同。ADER、RIMPUFF和URD使用了现场气象数据，而FLEXPART使用了NWP数据。现场数据和NWP数据的趋势相似，但现场数据以更高的时间细节解析了风场，因此显示出更大的变化性（参见图5）。
此外，我们计算了四个模型中最大TIC及其相对于烟羽堆的位置，结果列在表2中。RIMPUFF的最低预测与ADER的最高预测之间的最大值相差51%。它们的位置也有很大差异。FLEXPART预测的位置是280米，而ADER预测的位置是450米。为了检查TIC的差异是否指向质量平衡的差异，我们对整个3D域积分了TIC。如表2所示，三个高斯模型产生的3D积分TIC几乎相同，而FLEXPART得到的值大约低20%。这种差异与NWP预测的更高风速一致（参见图5），以及FLEXPART羽流部分超出域边界的情况（参见图6(b)）。与零阶估计QL/ū≈400TBqs（Q≈2TBq是总释放量，ū≈5ms−1是平均风速，L≈1000m是羽流的下游范围）相比，3D积分TIC是合理的。
由于FLEXPART通常不用于本研究中考虑的典型距离，它与其他模型的偏差并不令人惊讶。在本研究考虑的1公里范围内，高分辨率IFS模拟（空间分辨率为0.1°×0.1°，时间分辨率为1小时）无法充分捕捉风速和方向的变化。虽然NWP数据中的大气稳定性与观测结果一致，但FLEXPART模拟的羽流比其他模型更窄。因此，我们在FLEXPART中考虑了一个额外的湍流参数化，可以通过turb_meso参数进行调整。我们通过实验发现，将中尺度湍流增加四倍可以更好地与其他模型匹配。增加的中尺度湍流可能补偿了NWP数据中没有解析的次网格风变异性和局部风波动（例如，由于地形和粗糙度的不均匀性）。其他模型通过现场天气数据考虑了这一点。为了验证这种调整，我们进行了不同的turb_meso缩放因子（×2、×4和×5）的敏感性测试。增加中尺度湍流使羽流变宽，并略微降低了最大浓度，其中×4的缩放因子与高斯模型的足迹最匹配。
表2. 所有模型的最大时间积分浓度（TIC）和域积分TIC。
模型 | 最大TIC | 最大TIC距离BR1（m） | 3D积分TIC（MBq s m−3）
---------|-----------|-----------------|-------------------
ADER | 5.825 | 451.4 | 361.9 |
FLEXPART | 5.490 | 278.7 | 279.6 |
RIMPUFF | 3.864 | 381.6 | 353.7 |
URD | 4.504 | 390.7 | 353.9 |
无论如何，图6显示优化湍流参数化并不能完全解决高斯模型捕捉到的时间变异性问题。当将此类研究扩展到多年时，模型始终给出过于平滑的结果可能会传播到例如90百分位图，可能导致SMR中对超出设计基础的事故的估计过于乐观。
4.2. 不同扩散参数化的影响
所有四个模型都以不同的方式考虑地形和建筑特征。URD是我们比较中唯一的城市扩散模型，其实现最为详细。建筑物——从激光雷达点云数据重建——在LoD 1处（作为其建筑轮廓的平屋顶延伸部分）被包含在内，各个烟羽直接与这些建筑物相互作用。对于RIMPUFF，将土地覆盖类别图转换为空间分辨的粗糙度长度图，这反过来影响烟羽的增长。FLEXPART也做了类似的事情，但粗糙度长度来自一个空间分辨率较低的定制二进制文件。ADER没有粗糙度长度，而是使用专门针对SCK CEN站点调整的扩散参数（这些参数控制羽流的扩展）。重新查看图6(a)可以看出，这些不同的技术 für die Gauß-Modelle相似但不完全相同的结果。图6(a)显示，由于ADDER的足迹较窄，它预测了两个局部最大值。图6(c)–6(d)显示，URD和RIMPUFF产生的羽流更宽、更对称，风方向的变化不那么明显。在URD和RIMPUFF中，羽流更快地变宽伴随着TIC随下游距离的快速减少，而ADDER由于其较窄的足迹，TIC随距离的减少速度较慢。ADDER的峰值TIC也比URD和RIMPUFF更靠下游，因为较窄的羽流意味着它需要更长的下游距离才能到达地面。
图7. 水平域内积分的TIC垂直剖面（TBqsm−1），即在每个高度上的总“质量”。
图8. 在整个释放期间（包括启动和关闭后时期），在16个探测器位置（IMR-M01至IMR-M16）由ADER（绿色）、FLEXPART（蓝色）、RIMPUFF（红色）和URD（橙色）模拟的41Ar（Bqm−3）的瞬时浓度时间序列。（关于图例中颜色参考的解释，请参阅本文的网络版本。）
此外，我们在图7中绘制了整个水平域内积分的TIC（TBqsm−1），即在每个高度上的总“质量”，以研究垂直扩散参数化。所有高斯模型在60米高度处达到峰值，而FLEXPART在55米和65米处有两个峰值，而不是捕捉到中心峰值，这是由于其略微不同的网格定义（参见第3.6节）。FLEXPART在整个垂直方向上的值略低，这与图7中代表所有模型的3D积分TIC（参见表2）一致，也与NWP风速略高于现场风速的事实一致。忽略这一效应，在ADDER、RIMPUFF和URD中，无论是在烟羽堆上方还是下方，垂直剖面总体上是统一的，这表明每个模型预测的垂直扩散平均来说是相同的。
虽然URD和RIMPUFF产生的羽流大致相似，但关键差异来自URD的烟羽上升算法。另一个重要区别是URD能够通过在下风方向生成次级源来考虑建筑物效应。为了使烟羽与建筑物相互作用，烟羽中心必须在水平面上穿过建筑物浓度标准差（σx和σy）的3.7倍范围内，或在垂直面上穿过3.7σz范围内。在这种情况下，60米的释放高度超过了该区域内大多数建筑物的高度——只有131栋建筑物中的4栋足够高，可能会影响烟羽扩散。这些有影响力的建筑物位于探测器IMR-M02附近，在那里它们使烟羽变宽，并导致URD的TIC在第二公里内的下降速度加快。在URD模拟过程中，我们观察到烟雾随着时间的推移生长得太快。我们修订了烟雾评估方法，以考虑其在每个时间步内最接近每个接收器时的位置和大小。在之前的实现中，烟雾只在每个内部时间步结束时进行评估，而不是在烟雾实际经过接收器网格点时进行评估。在更新的方法中，每个烟雾在经过网格点时都会被评估，这提供了更准确的浓度场表示。这一调整有效减少了人为的烟雾快速增长，并在有限的区域内提高了一致性。这些变化，加上建筑物引起的效应，有助于解释URD与其他模型之间的TIC差异。
除了TIC烟羽外，我们还计算了16个假设的探测器位置在每个十分钟窗口后的“瞬时”41Ar浓度。为了简单起见，我们决定将这些位置与我们在第5节中使用的实际伽马剂量率探测器（M01-M16）的位置相匹配。URD和RIMPUFF实际上报告的是上一个烟雾释放间隔内的平均浓度，该间隔被设置为1分钟。为了与其他模型保持一致，结果中报告的是10分钟窗口内的平均值。相反，ADDER产生了10分钟窗口内的稳态结果，FLEXPART同样产生了同一窗口内的平均值。因此，所有模型的输出都在一致的10分钟时间尺度上进行了评估，与TELERAD剂量率数据的时间分辨率相对应。这一选择确保了烟羽演化能够连续重建，而不是从孤立的每小时烟羽或瞬时快照中重建，从而允许对所有四种模型进行公平的时间比较。结果已在图8中绘制。
与之前一样，我们观察到FLEXPART的行为与高斯模型不同。尽管存在波动，但在大多数信号中都呈现出线性下降趋势，这与时风逐渐增加并偏离大多数探测器的情况相符（参见图5）。在URD和RIMPUFF之间，任何时间点的差异都非常小，这是有道理的，因为它们基本上是同一个模型。它们只是在分散参数化上有所不同，这一点在探测器IMR-M01和IMR-M02上表现得比较明显，RIMPUFF的浓度下降得更快。TIC图（参见图6(c)–6(d)）表明，在更大的距离上这种效应可能会逆转。然而，主要的一点是URD和RIMPUFF在时间上非常相关。有趣的是，ADDER作为一个烟羽模型而不是一个烟雾模型，并没有偏离URD和RIMPUFF太多。ADDER的浓度是夸张的版本，具有更高的最大值和更低的最小值，但它们仍然遵循相同的发展趋势。FLEXPART在时间轨迹上显示的变化较小，这表明它在估计个体短期暴露方面可能不够准确，因为它可能低估了浓度，而其他模型则给出了更为保守（较高）的估计。在所有模型中，ADDER产生的最大瞬时浓度最为极端。URD和RIMPUFF介于FLEXPART和ADDER之间。另一方面，高斯模型有时也会严重低估FLEXPART的浓度。在这种情况下，FLEXPART会给出更保守的估计。当我们比较整个时间序列的最大值时，差异变小了：ADDER的最大值仍然高于FLEXPART，但RIMPUFF和URD实际上与FLEXPART相当。对于长时间释放，这种效应趋于平滑，这意味着在估计个体长期暴露方面的问题较小。仅根据模型之间的浓度比较，我们无法确定哪个模型更正确。然而，在下一节的最后，我们将从剂量率的角度重新探讨极端情况，这将允许将模型结果与TELERAD的测量结果进行比较。
虽然比较浓度对于了解四种ADM之间的差异很有趣，但将模型与测量结果进行比较更有价值。为此，我们使用第3.5节中描述的方法，根据TIC和瞬时浓度场计算了环境等效剂量率。在图9中，我们绘制了每个模型的H∗(10)，即环境等效剂量（nSv）。正如第3.6节所讨论的，该域比计算浓度的域稍小。尽管模型之间的总体差异与图6中的TIC场相似，但仍有一些观察结果值得注意。首先，最大剂量位于上风向更远的地方。这是有道理的，因为我们在模拟一个烟囱释放。在烟囱附近，烟羽尚未到达地面：没有或只有非常低的浓度被观察到，但光子的平均自由路径几乎是烟囱高度的两倍，因此它们可以轻松跨越这一距离。头顶上41Ar的高浓度充分补偿了地面41Ar的缺乏，使得最大剂量显著靠近烟囱。这种局部浓度与局部剂量之间的脱节正是为什么在近范围内不能使用恒定DCC的原因，正如第3.5节所讨论的。当释放发生在高处时，它们严重低估了附近的暴露量。如果释放发生在非常稳定的气象条件下，这种效应会更加明显。因此，我们甚至在所有模型的TIC都为零的上风向也观察到了非零剂量。
另外，剂量在空间上比TIC更平滑，特别是在近范围内。图6(a)中可见的ADDER的双峰结构几乎消失了。总体而言，从剂量的角度来看，高斯模型似乎更为相似，而不是从TIC的角度来看。即使考虑到FLEXPART结果中存在的风向偏差（这也存在于TIC中），它与其他结果更为一致。就最大值而言，最大TIC显然不是预测最大剂量的好指标。虽然模型之间的最大TIC变化了51%，但最大剂量仅变化了39%。
转向环境等效剂量率Ḣ∗(10,t)，我们终于可以将所有四个模型的结果与TELERAD网络16个IMR站的测量结果进行比较。图10展示了模拟的时间积分环境等效剂量（nSv）与16个IMR站的测量结果进行比较。灰线标记了10 nSv的阈值；低于此阈值的测量结果可以忽略不计。
图11显示了整个释放期间（包括启动和关闭阶段）16个探测器位置（IMR-M01至IMR-M16）的环境等效剂量率（nSvh−1）的时间序列。ADDER（绿色）、FLEXPART（蓝色）、RIMPUFF（红色）和URD（黄色）的模型预测与TELERAD（黑色）的测量结果进行了比较。图12显示了16个TELERAD探测器（IMR-M01至IMR-M16）的10分钟平均环境等效剂量率（nSvh−1）的核密度估计（KDEs）。阴影区域代表TELERAD的测量结果，而实线显示了A(DDER)、F(LEXPART)、R(IMPUFF)和U(RD)的模型预测。皮尔逊相关系数（R）和均方根误差（RMSE）量化了模型与观测结果在时间和幅度上的一致性。
图10展示了模拟的时间积分环境等效剂量与每个探测器的测量结果。与TELERAD测量结果的最大偏差出现在远离烟羽轴的探测器（IMR-M07至IMR-M11和IMR-M13）。这与图8中的浓度时间轨迹观察结果一致，表明模型合理地捕捉到了实际的烟羽覆盖范围。图11描绘了整个释放期间（包括启动和关闭阶段）模拟的Ḣ∗(10,t)时间轨迹与观测结果。大多数观测结果与图8中的浓度时间轨迹一致，另外还观察到，大多数模型捕获的波动与TELERAD观察到的波动大致相符。在9:30 UTC到11:30 UTC的时间窗口内，一些探测器出现了例外情况，其中IMR-M03和IMR-M15的高估与IMR-M05、IMR-M06、IMR-M14和IMR-M16的低估相吻合。从地图上的位置来看（参见图1），这表明实际上烟羽轴比气象数据预测的更接近东西轴线。
此外，我们发现所有模型都倾向于高估烟羽对上游探测器的贡献（IMR-M07至IMR-M10和IMR-M13）。然而，绝对偏差很小，由于这些探测器也用于估计降雨的剂量贡献，因此很难从中得出明确结论——特别是考虑到降雨信号在大部分时间内实际上占据了主导地位。最后，我们对所有模型的平均预测质量感兴趣。由于时间轨迹远非正态分布，简单地比较均值和方差作用有限。相反，图12显示了TELERAD时间轨迹与四个不同模型的核密度估计（KDEs）。核密度估计通过将每个数据点与核函数（本例中为高斯核）卷积来提供连续的的概率密度函数估计。与直方图不同，KDEs产生的曲线更为平滑，能够更好地表示数据的潜在变异性，而不依赖于任意的区间选择。在这项研究中，KDEs是直接从每个探测器的10分钟平均环境等效剂量率时间序列计算得出的。这些密度没有标准化，因此每个曲线下的绝对面积反映了观测次数的总和，从而保留了有关剂量率发生频率和幅度的信息。这一选择允许直接对比模型和测量结果之间的分布形状和相对贡献。
此外，这些图表还报告了皮尔逊相关系数（R）和均方根误差（RMSE），这些指标分别量化了模型与观测结果之间的时间变异性和预测准确性。图12显示了模型与观测结果之间的比较。总的来说，R在三个高斯模型之间相当，而FLEXPART的R通常较低。IMR-M10和IMR-M12是例外，前者位于烟囱的上风向，所有模型的表现都一样，而后者则说明了为什么汇总统计只能提供有限的信息。类似的结论也可以从RMSE得出。这一特征大部分时间由高斯模型重现——尽管高剂量模式并不总是与TELERAD的模式一致——但FLEXPART模型的表现则不那么明显。分布的尾部数据也非常具有指示性，尤其是对于那些记录到较高剂量率的站点而言。正如我们之前讨论的，ADDER预测的最大剂量率远高于RIMPUFF和URD，而RIMPUFF和URD又分别比FLEXPART预测的剂量率更高。从分布的尾部数据来看，ADDER预测的极端值几乎在所有情况下都与实际观测数据非常吻合。在某些情况下，RIMPUFF和URD的表现也不错（例如IMR-M12），但在其他情况下则不尽如人意（例如IMR-M04）。正如我们已经讨论过的，FLEXPART根本无法预测这些极端值。
6. 结论
在这项研究中，我们评估了四种大气扩散模型——ADDER、FLEXPART、RIMPUFF和URD——用于模拟来自BR1反应堆的41Ar近距离释放情景。尽管这四种模型都在实际操作中用于应急响应，但它们并非专门为近距离应用而设计的，因此需要针对具体情况进行针对性的修改才能在现实环境中有效应用。通过对中尺度湍流的调整，FLEXPART的模拟范围得到了扩展；而URD则需要对其羽流评估方法进行修改，以适应有限的模拟域。这些调整措施表明，操作模型不能直接应用于近距离场景，未经修改就很难保证其性能。
经过调整后，尽管这些模型在物理原理上有所不同，但在本次特定案例研究中，它们得出了大体一致的时间积分浓度和环境剂量当量结果。然而，这种表面上的一致性掩盖了其中存在的重大局限性。时间积分浓度的比较显示，模型对气象输入非常敏感：高斯模型能够利用现场测量数据，而依赖数值天气预测数据的FLEXPART则无法准确解析风速和风向的微小变化，导致时间积分浓度升高以及放射性核素分布改变。ADDER、RIMPUFF和URD之间的差异主要体现在羽流范围和扩散参数的设定上，这进一步凸显了近距离气象因素的重要作用。
剂量比较显示，各模型之间的相对差异较小，最大剂量相差39%，而峰值时间积分浓度（TIC）的差异则达到了51%。不过，瞬时浓度场也显示了极端值的显著差异，表明近距离结构的分辨率不足可能导致短期暴露量的低估。与16个TELERAD监测站的测量结果对比进一步证实了这一点：虽然标准性能指标表明模型之间的吻合度尚可，但核密度估计结果显示，这些模型在再现极端值方面的能力存在明显差异。在许多实际情况下，由于缺乏高质量的近距离核设施排放观测数据，这类问题难以系统地诊断出来。
总之，这些发现既提出了警示也指明了改进方向。目前用于核应急准备和响应的操作模型，在未经适当调整和优化的情况下，尚不能可靠地用于近距离放射性核事故的影响评估。虽然对于当前的测试案例，所有模型都有一定的改进空间，但对于不同近距离释放场景，可能需要同样大量的修改工作。这反映了本研究的一个基本结论：每个操作模型在近距离应用中都会遇到其特有的挑战，因此必须针对实际案例进行系统评估，而不能简单地假设它们具有普遍适用性。随着人们对放射性核事故及其他局部核应用关注的增加，提高近距离数据集的可用性，并确保扩散模型在短距离范围内的预测能力稳健可靠，对于有效的应急响应至关重要。
**作者贡献声明：**
Dana Sarah Lüdemann：撰写初稿、项目管理、方法论制定、数据整理、概念构思。
Jens Peter K.W. Frankemölle：撰写初稿、项目管理、方法论制定、数据整理、概念构思。
Stijn Van Leuven：撰写与编辑、数据整理。
Pieter De Meutter：撰写与编辑、数据整理。
Jan Pehrsson：撰写与编辑、数据整理。
打赏
