引言
热液系统是核能的基础，其运行安全性依赖于在不同条件下的精确热量传递、控制和去除。精确监测和高保真建模至关重要，因为微小的偏差可能会危及安全裕度或导致结构退化（Saha, 2017; Schultz, 2017）。在模拟复杂的多相现象（特别是气液环形流动）方面仍存在重大挑战。与单相流不同，两相流动具有瞬变的、移动的界面，这形成了一个具有未知界面位置的复杂多边界问题（Ishii, 1975; Tsoukalas et al., 2024）。为了模拟这些物理现象，标准的双流体模型分别求解液体和气体场的守恒方程，依赖于经验性本构关系和界面面积浓度（IAC）来模拟界面传递机制（Ishii and Mishima, 1984）。由于这些机制很大程度上取决于相的空间分布，因此必须提前知道活跃流动区域，以便选择适当的界面传递方程（Kataoka et al., 1986）。为了克服传统预测方法和静态经验流动图的局限性，数据驱动框架越来越多地被集成到核工程分析中（Vilim and Ibarra, 2022）。历史上，流动区域的识别依赖于主观的视觉观察或宏观参数（例如，表面速度、压降），这些在实时应用中很困难。早期的基于仪器的映射方法试图通过分析X射线系统的空隙分数概率密度函数（PDFs）（Jones and Zuber, 1975）、压降波动（Akagawa et al., 1971）或来自局部导电探头的垂直管空隙剖面（Costigan and Whalley, 1997）来寻找客观指标，尽管这些早期的电气和压力诊断方法经常遇到未校准的信号灵敏度和气体滞留问题（Spedding, 1980; Jones and Delhaye, 1976; Matsui, 1984; Nishikawa et al., 1969）。
随着计算能力的提升，研究人员转向了客观的、非线性的映射和聚类技术。关键的发展包括在绝对压力信号上使用Kohonen自组织映射（SOMs）（Cai et al., 1994），将神经网络应用于多电极阻抗空隙计（Mi, 1998），以及利用各种累积概率分布对不同尺度上的流动区域进行分类。这种统计方法包括使用阻抗探针信号分布，其对底层数据变化的敏感性较低（Lee et al., 2008）。类似的框架已被应用于使用微通道空隙分数波动训练Kohonen自组织映射（Paranjape et al., 2012），使用气泡弦长分布优化神经网络（Hernández et al., 2007），以及在较大管道几何结构中映射局部流体结构（Juliá et al., 2008）。除了监督式架构外，还应用了无监督聚类算法（如k-means和fuzzy c-means）通过多传感器导电和光学探针来捕捉垂直共流和沸腾流动的结构转变（Mingoti and Lima, 2006; Pan et al., 2016; Zhu et al., 2023; Le Corre, 2020）。尽管有这些发展，但以往的文献几乎只关注以液体为主的流动区域（起泡流、栓塞流和湍流搅动流）直到早期的环形流动（Mishima and Hibiki, 1998）。高空隙分数配置表现出相对于总体流动的气体体积比非常大，这带来了严重的分析挑战，因为高度剪切和雾化的结构需要能够同时追踪连续液体薄膜、气体核心和夹带液滴的仪器（Hewitt, 2013; Bennett et al., 1967）。在沸腾水反应堆（BWR）运行期间，解决这些高空隙分数转变至关重要。虽然沸腾能从包壳表面高效移除热量，但这种机制严格受到临界热流（CHF）通过干涸的限制。当薄液膜完全蒸发或从加热壁上剥离时，包壳直接暴露在蒸汽核心中。由于蒸汽无法从金属表面快速移除热量，持续的内部热生成会导致包壳温度突然快速上升。这种即时温度升高会改变钢材的微观结构并降低其机械性能。因此，包壳弹性的丧失使得结构在随后的热或压力瞬变过程中极易开裂或发生机械故障。
由于传统的宏观尺度流动图无法解析这些高流量子区域，最先进的研究转向了高分辨率诊断技术。最近，具有液滴检测功能的导电探针（DCCP）与无监督学习和高速相机验证相结合，将高空隙分数拓扑结构分类为不同的液滴、气泡和脉络分布（Tsoukalas et al., 2025）。现代深度学习和卷积神经网络进一步推动了流动分类的发展（Ahmad et al., 2022; Nie et al., 2022; Xu et al., 2022; Roshani et al., 2021; Dong et al., 2021; Li et al., 2022; Lin et al., 2020; Rafa?ko et al., 2020）。然而，许多当前的深度学习流程依赖于原始的视觉场或空隙分数，而没有结合明确的几何信息，而这些几何信息构成了双流体模型中子区域定义的物理基础。为了填补这一空白，高分辨率多传感器导电探针使得能够客观地提取表征复杂环形结构的局部、高频相分布（Kim et al., 2000; Liu et al., 2013; Wang et al., 2020）。
工程中的传统机器学习（ML）实现几乎完全依赖于最大化简单的准确性分数。在安全关键的核系统中，仅凭高准确性不足以保证运行安全。部署数据驱动的诊断需要彻底验证算法的一致性、数据依赖行为和概率校准，确保模型的置信分数准确反映其实际的实证可靠性。为了让操作员和安全系统信任数据驱动的工具，必须将实验数据的物理特性系统地与内部模型行为和预测的确定性指标联系起来。为了满足这一需求，本研究应用了四种ML分类模型，使用短的时间分段窗口来绘制复杂高空隙分数流动中的高度局部化的瞬态子区域。通过评估微分割结构分类以及严格的后续概率检查，这项工作建立了在核监测和控制系统内安全部署实时、计算效率高且可靠的机器学习工具所需的验证和校准基础。
