基于机器学习与可解释AI的APR-1400反应堆冷却剂丧失事故分类研究

《Oxford Open Energy》：Explainable Artificial Intelligence Based Classification of Normal and LOCA Conditions in APR-1400 Using GPWR Safety Parameters

　　

摘要

冷却剂丧失事故（LOCA）仍然是核反应堆安全分析中考虑的最重要瞬态条件之一。早期识别LOCA类型和运行条件对于安全地应对和监测电厂至关重要。本研究应用机器学习对APR-1400反应堆的13种运行条件进行分类。研究涉及正常操作以及热腿和冷腿位置的轻、中、大LOCA事件。数据集是利用通用压水堆（GPWR）模拟器生成的。瞬态条件下的热工水力参数和中子参数也被考虑在内。

使用生成的数据训练了一个前馈神经网络。随后，数据通过分类准确率、混淆矩阵分析和F1分数进行了评估。模型在7,000个测试样本上达到了97.9%的总体分类准确率。大多数运行条件被正确识别，但在早期瞬态阶段，少数相似的LOCA案例之间观察到有限的重叠。

可解释人工智能被用来改进模型输出。SHAP（SHapley加性解释）和LIME（局部可解释模型无关解释）被用作可解释人工智能方法。结果显示，压力和冷却剂温度对LOCA场景的影响最大。获得的这些趋势与反应堆在异常条件下的预期行为相符。结果表明，所提出的框架可以支持APR-1400系统的反应堆状态监测和LOCA分类，并在未来工作中可以通过使用额外的电厂运行数据进行扩展。

图形摘要

在新标签页中打开下载幻灯片

通俗摘要

本研究考察了使用人工智能（AI）识别APR-1400反应堆中正常操作和不同类型的冷却剂丧失事故（LOCA）。来自计算机模拟的数据被用于训练一个前馈神经网络以识别13种反应堆运行条件。该模型在7,000个独立测试样本上达到了97.9%的准确率。可解释人工智能方法SHAP和LIME也被应用以显示哪些反应堆参数影响了预测。结果表明，人工智能在支持反应堆监测和事故识别方面具有潜力。