基于Transformer深度学习架构的多变量放射性源项反演研究及其在核应急响应中的应用

为解决核事故应急响应中放射性源项（释放率、高度和位置）快速准确反演的难题，本研究开发了一种基于Transformer的深度学习架构。研究利用经Kincaid示踪实验验证的CALMET-LAPMOD耦合模型生成数据集，通过贝叶斯优化自适应调参，实现了多变量源项的高精度估计。结果表明：释放率和高度反演的确定系数（R2）均高于0.96，位置预测在95%置信水平下的平均距离误差仅为1.19 km。该研究为优化监测网络布局提供了量化依据，对核事故后果评估具有重要意义。

　　

在福岛核事故后，放射性源项反演技术受到日益广泛的关注。核电站发生严重事故时，快速准确地估计放射性物质的释放参数（包括释放率、释放高度和位置）对于应急响应和后果评估至关重要。然而，传统反演方法如最小二乘回归、卡尔曼滤波和数据同化算法严重依赖先验数据的精度，且需要大量迭代优化过程。此外，现有模型大多基于简化参数假设（如静态源假设和恒定释放模型），难以处理多阶段事故或移动排放源等复杂场景。

为突破这些限制，上海交通大学的研究团队在《Journal of Environmental Radioactivity》上发表了一项创新研究，开发了一种基于Transformer深度学习架构的多变量源项反演方法。该研究通过CALMET-LAPMOD耦合模型生成高保真模拟数据集，并利用贝叶斯优化进行超参数调优，实现了对释放率、高度和位置的高精度联合估计。

研究人员主要采用了以下关键技术方法：首先利用CALMET气象模型进行三维风场重建，再通过LAPMOD扩散模型模拟污染物传输过程；以Kincaid示踪实验数据验证模型可靠性；基于Transformer架构构建源项反演模型，通过自注意力机制捕捉浓度数据的时空关联特征；采用Optuna框架进行贝叶斯超参数优化；使用包含162个监测点、24000组数据的多场景数据集进行模型训练与验证。

研究结果分为五个场景系统验证了模型性能：

1. 1.
   释放率反演（Scenario 1）：对4小时时间变化释放率的反演表现优异，四个时段的R²值分别为0.9989、0.9977、0.9993和0.9995，最大MAE和RMSE分别为11.3641和13.4342
2. 2.
   释放高度反演（Scenario 2）：R²达到0.9644，RMSE为17.4837 m，预测点与理想预测线紧密吻合
3. 3.
   释放位置反演（Scenario 3）：在95%置信水平下，X方向误差为0.897 km，Y方向误差为0.806 km，欧氏距离误差为1.191 km
4. 4.
   释放率与高度耦合反演（Scenario 4）：释放率R²>0.92，高度R²为0.944
5. 5.
   三参数联合反演（Scenario 5）：释放率R²>0.92，位置R²>0.98，但高度反演精度降至0.72

特征重要性分析揭示了监测网络的优化方向，发现高浓度值的监测点（如S77、S52、S2等）对反演贡献显著，为监测网络布局提供了量化依据。

研究结论表明，Transformer架构在放射性源项反演中表现出卓越性能，特别擅长处理多变量耦合的非线性问题。虽然释放高度反演因地面监测数据的局限性而精度相对较低，但模型在释放率和位置估计方面达到了实用化精度要求。该研究不仅为核应急响应提供了先进的技术手段，而且通过特征重要性分析为优化监测网络布局提供了科学依据，对提升核安全管理水平具有重要意义。

讨论部分指出，参数耦合是影响反演精度的关键因素，不同场景下的误差分布特征反映了物理过程的复杂性。未来研究将扩展到多源同时释放的识别与分离，并考虑复杂地形和多样化气象条件下的模型泛化能力，进一步增强该框架在实战中的应用价值。