基于因果关系的多任务学习方法，用于预测核电站异常情况的概率趋势

《Annals of Nuclear Energy》：Causal-informed multi-task learning for probabilistic trend prediction of nuclear power plant abnormal conditions

　　

本琦|肖星宇|周海静|梁景刚

应用物理与计算数学研究所，中国北京市海淀区丰豪东路1号，邮编100094

摘要

在复杂的工业系统中，无法完全避免异常运行条件的发生，尤其是在核电站（NPPs）中。然而，当异常情况发生时，建模条件严重性如何影响参数演变仍然是构建可靠AI模型的关键挑战。本研究提出了一个基于因果关系的多任务学习（CIMTL）框架，用于在异常条件下对严重性和关键参数进行因果建模。所提出的算法在级联架构中整合了多任务学习和变分推理，其中异常的预测严重性物理上指导了多个相关参数的趋势预测。这种基于因果关系的设计将因果一致性嵌入到学习过程中，增强了模型的可解释性和泛化能力。此外，基于变分自编码器（VAE）的概率模块提供了经过校准的99%置信区间，使不确定性量化成为可能，从而为决策支持提供依据。该框架使用HTR-PM的全范围模拟器进行了验证，该模拟器代表了核系统中的复杂瞬态过程。值得注意的是，本研究还表明，串行训练策略在预测方面实现了五倍的预测范围，并具有更高的准确性和鲁棒性。总体而言，本研究为趋势预测中的可信AI提供了一个有前景的方向。

引言

复杂工业和能源系统的可靠性和安全性取决于检测、预测和减轻异常条件的能力（Zubair和Akram，2024年；Song等人，2025年）。在核能和大型能源系统等安全关键基础设施中，关键参数的微小偏差可能会迅速传播，可能导致设备损坏、计划外停运，甚至在极端情况下引发系统性危害（Yin等人，2025年）。诸如三里岛和福岛这样的历史事故强调了早期检测和及时预测的重要性（Selivanova等人，2025年）。随着能源资产数字化和互连性的增加，确保可靠、可解释和考虑不确定性的预测已成为现代可靠性工程的基石（Qi等人，2023年；Qi等人，2022年；Chen等人，2024年）。本研究选择核能作为复杂能源系统的代表，对在异常条件下的关键参数的趋势预测进行了研究。

趋势预测是指在异常条件后预测关键物理参数的演变。它可以帮助操作员预测核反应堆的行为并减轻他们的心理负担。目前趋势预测的研究主要分为两类：模型驱动和数据驱动的方法。

模型驱动的方法依赖于基于核工程知识和物理原理的系统级数学模型。例如RELAP5（Fletcher和Schultz，1992年）、ATHLET（Teschendorff等人，1997年）和TRACE（Wulff，2011年）。这些代码可以在不同条件下模拟系统行为，以反映参数的演变。Valentino等人使用ATHLET模拟了沸水反应堆中的严重事故现象。他们验证了核心退化的模型，并预测了受损燃料棒的重新浸水和反应堆壳的响应（Di Marcello等人，2016年）。Martina等人改进了RELAP5，并验证了其在功率操作测试下预测螺旋线圈蒸汽发生器瞬态的能力（Molinari等人，2022年）。Shi等人使用RELAP5模拟了反应堆启动过程中的闪蒸不稳定性和密度波振荡，结果与实验数据一致（Shi等人，2018年）。Takeda等人使用RELAP5分析了压水反应堆中的U形管破裂（Takeda，2018年）。Xue等人使用RELAP5研究了从强制循环到自然循环的熔盐反应堆瞬态（Xue等人，2023年）。总体而言，模型驱动的研究主要集中在热液现象上。它们的准确性在很大程度上取决于模型的准确性。这些方法还需要大量的计算资源，这限制了它们在快速变化的异常条件下的应用。值得注意的是，本研究提出的算法也适用于其他能源系统。

相比之下，数据驱动的方法直接从历史数据中学习模型（Joo等人，2025年；Zio和Di Maio，2010年）。它们不需要对物理关系进行显式建模。这些方法包括人工神经网络（Song等人，2022年）、随机森林（Gall，2005年）、支持向量机（Suthaharan和Suthaharan，2016年）、决策树（De Ville，2013年）和动态贝叶斯网络（Ghahramani，1997年）。这些方法速度更快，已成为研究的重点。基于神经网络的模型已被用于预测多种事故情景下的反应堆动态行为（Duan等人，2025年）。Xiao等人提出了一个预训练的Transformer模型，通过迁移学习和增量学习来提高预测准确性和适应性（Xiao等人，2025年）。一项关于核电站电气柜火灾的研究引入了一个双AI框架，结合了BiTCN进行天花板温度预测和TCNN用于推断2D温度场（Ma等人，2025年）。

Lei等人使用长短期记忆（LSTM）网络在失去冷却剂事故（LOCAs）和蒸汽发生器管破裂的情况下预测关键参数，解决了传感器故障问题（Lei等人，2022b）。Bae等人开发了一种多步骤LSTM方法，根据操作员的动作预测NPP参数（Bae等人，2021年）。Lu等人应用多层感知器预测热液参数，并将其与RELAP5模拟结果进行了验证（Lu等人，2021年）。Ramos等人使用动态贝叶斯网络预测一次循环中的同位素浓度（Ramos等人，2021年）。Bae等人应用支持向量机估计反应堆的峰值功率因子（Bae等人，2008年）。Lei等人比较了决策树、SVM、随机森林和多层感知器在反应堆核心设计任务中的性能（Lei等人，2022a）。Song等人从六个维度比较了模型驱动和数据驱动的方法，包括准确性、数据需求、算法复杂性、速度、领域知识和可解释性。他们的结果显示，数据驱动的方法通常具有更高的准确性和更快的预测速度（Song等人，2023年）。实际上，深度学习方法在这个领域占据主导地位。它们受益于神经网络的通用逼近能力和开源框架（如PyTorch（Imambi等人，2021年）、TensorFlow（Developers，2022年）和Keras（Gulli和Pal，2017年）的成熟性。

尽管在数据驱动的趋势预测方面取得了近期进展，但仍存在重大差距。首先，现有研究缺乏对异常条件的严重性和趋势演变的因果建模。其次，大多数方法仅提供确定性预测，结果的质量不确定性通常被忽略。第三，大多数先前的研究仅关注少数物理参数，大规模多参数预测的挑战尚未得到充分探索。这些差距降低了数据驱动方法在安全关键领域中的可信度。为了解决这些限制，如图1所示，本研究引入了一个CIMTL框架，该框架明确将事件严重性嵌入到趋势预测中，并结合不确定性量化以提供可靠的决策支持。主要贡献如下：

1. 基于因果关系的因果建模：开发了一种物理引导的架构，明确建模事件严重性与关键系统参数的时间演变之间的因果关系。这种设计允许异常严重性的预测物理上指导后续的趋势预测，从而提高可解释性和因果一致性。

2. 集成的不确定性量化

3. 优化的训练策略

本文的其余部分安排如下。第2节介绍了所提出的CIMTL方法，包括架构、异常严重性的集成、不确定性量化方案和训练策略。第3节描述了实验验证，涵盖了数据集构建、模拟设置、评估指标和不同情景下的性能分析。第4节总结了本文的主要发现、局限性和未来工作的潜在方向。

部分摘要

方法论

所提出的方法旨在预测核事故后核反应堆中关键物理参数的未来演变。该方法基于多任务学习（MTL），并通过级联架构结合了领域特定的物理知识。整体设计整合了三个核心组成部分：（i）异常严重性预测，（ii）用于趋势预测的因果信息嵌入，以及（iii）使用变分自编码器进行不确定性量化

实验验证

所提出的CIMTL框架通过HTR-PM进行了评估。图3显示了HTR-PM模拟器的功能，它可以模拟HTR-PM的启动、关闭、正常运行和异常运行（Sui等人，2014年；Sui等人，2013年）。该模拟器具有高保真的耦合反应堆核心中子和热液模型，能够模拟温度反应性反馈及其在瞬态情景中对核心功率的动态影响。HTR-PM由两个卵石床单区组成

结论

本研究提出了一种用于核电站概率趋势预测的CIMTL框架。该框架将异常严重性预测与关键参数的概率预测相结合，以级联结构进行嵌入，实现了任务之间的物理因果关系。通过结合基于因果关系的学习和变分自编码器（VAE），该方法提高了预测准确性，并通过校准的置信区间提供了可靠的不确定性量化。

实验验证是在

利益冲突声明

作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

致谢

本研究得到了中国博士后科学基金（资助编号2025M784448）和国家自然科学基金（资助编号T2192933）的支持。