基于熵的小堆（SMR）失水事故智能诊断：用于破口尺寸评估的CNN-LSTM-Attention混合模型

《Entropy》：Entropy-Driven Intelligent Diagnosis for SMR Loss of Coolant Accidents: A CNN-LSTM-Attention Hybrid Model for Break Size Assessment

　　

准确的破口尺寸评估对于小模块反应堆（Small Modular Reactor, SMR）在失水事故（Loss of Coolant Accident, LOCA）期间的安全响应至关重要。传统方法难以应对SMR-LOCA的快速瞬态特征、强时空耦合特性以及复杂的不确定性特征，导致评估精度低和稳定性差。为解决这些问题，本研究提出了一种基于CNN-LSTM-Attention混合模型的熵驱动智能诊断方法。该框架采用信息熵进行数据不确定性量化、自适应加权与损失约束，以实现高精度的破口尺寸评估。研究利用PCTRAN/SMART平台构建了涵盖0.05至10 cm²破口尺寸的时间序列数据集。其中，CNN模块提取多传感器参数的空间耦合特征，LSTM模块捕捉长期时间依赖性，注意力机制则对关键信息进行动态加权，以增强高不确定性下的特征表征能力。实验结果表明，该模型的平均绝对误差（Mean Absolute Error, MAE）为0.096311，相比基准模型误差降低超过64.4%；超过90%的预测误差控制在±5%以内，相关系数达到0.994902。基于经验证的PCTRAN/SMART仿真平台，所提出的熵驱动时空学习框架为SMR的LOCA智能诊断、不确定性量化与安全评估提供了技术解决方案。

**研究背景与问题**

小模块反应堆（Small Modular Reactor, SMR）是核能创新的重要发展方向，凭借其模块化设计、固有安全优势和灵活部署能力，已成为未来能源系统的关键组成部分。然而，SMR面临多种安全风险，其中失水事故（Loss of Coolant Accident, LOCA）作为核心设计基准事故，具有特别重大的风险意义。与传统大型反应堆相比，SMR通过被动安全系统和一体化设计等特征显著降低了LOCA发生风险，但其紧凑设计导致的更快压降速率和更复杂的两相流特性，使LOCA演化过程呈现独特特征，为破口尺寸评估带来了新挑战，迫切需要针对这些特征定制评估方法。

传统LOCA评估方法分为三类：物理建模、专家系统和统计学习。物理建模精度高但计算密集；专家系统依赖知识库，适应性有限；统计学习虽提升效率，却难以处理复杂非线性时间关系。这些均无法完全满足SMR-LOCA评估的实际需求。深度技术的发展为核安全评估开辟了新途径：卷积神经网络（Convolutional Neural Network, CNN）能有效提取核电站多传感器数据的空间耦合特征；长短期记忆网络（Long Short-Term Memory, LSTM）凭借其优越的时间建模能力，已成功应用于核电站瞬态识别和LOCA早期诊断；注意力机制通过动态分配权重聚焦事故过程中的关键时间点和核心参数，有效提升特征表征精度。CNN-LSTM-Attention混合架构整合三者优势，形成"空间特征提取-时间演化建模-关键信息聚焦"的三重机制，能同时处理时空信息，具备强鲁棒性和特征适应性。

现有基于该架构的智能诊断方法主要存在三方面局限：一是多数研究忽略LOCA演化过程中瞬态参数的强随机不确定性，未能量化和抑制噪声干扰；二是许多模型仅对中、大破口事故表现良好，对小破口弱信号的检测精度较差；三是大量模型采用固定权重分配规则，导致在多样事故工况下适应性不足。针对上述不足，本研究创新性地将熵驱动机制融入时空学习框架，在保留CNN空间特征提取和LSTM时间依赖捕捉优势的基础上，利用信息熵量化数据不确定性，结合注意力机制构建自适应特征权重，实现覆盖小、中、大破口全范围的高精度评估。

**技术方法概述**

研究开展定制化建模，基于韩国原子能研究院（Korea Atomic Energy Research Institute, KAERI）开发的SMART反应堆，利用经韩国核安全研究院等五家机构认证、并针对APR1400和OPR1000标准进行验证的PCTRAN/SMART仿真平台，构建了覆盖0.05至10 cm²破口尺寸范围的高质量时间序列数据集。该数据集包含200个梯度等级（步长0.05 cm²），每案例300秒、1 Hz采样频率、93维关键监测参数。研究采用序列输入策略，将多物理参数集体输入单一神经网络进行统一训练与预测。

模型核心为熵驱动CNN-LSTM-Attention混合架构，具体包括：CNN模块（两层卷积-最大池化交替，卷积核数分别为32和64，核尺寸3，ReLU激活，池化尺寸2）提取多传感器时间序列数据的空间耦合特征；LSTM层（128隐藏单元）捕捉事故瞬态数据的长期时间依赖；自注意力层（输入张量形状R^B×T×F，其中B为批量大小，T为历史时间步，F=93为特征维度）动态调整不同时间步和参数的权重；熵驱动模块计算各监测参数序列的香农信息熵，构建熵调整系数修正注意力权重，实现特征重要性与数据不确定性的双重控制；熵正则化损失函数（以MAE为基础损失，加入L2范数正则化项，正则化系数0.01）惩罚高熵噪声特征对应的网络权重，提升模型在复杂LOCA瞬态条件下的鲁棒性。末端为两层全连接层（64神经元-ReLU和1神经元输出层）进行破口尺寸回归预测。

**研究结果**

**模型训练收敛特性**：CNN模型损失在前40次迭代迅速降至约0.4后进入平台期，最终稳定在0.25附近，反映单一卷积网络建模时间依赖的不足。LSTM模型收敛过程波动显著，80-120次迭代间出现损失反弹，最终稳定在0.3左右，体现循环神经网络对压力骤降等局部突变信号的敏感性。CNN-LSTM混合模型损失在60次迭代内迅速降至0.3，随后稳步收敛至0.2-0.25，整体稳定性优于单一模型，但100次迭代后下降趋缓，表明聚焦关键特征的能力仍有提升空间。CNN-LSTM-Attention模型收敛过程最为平滑，120次迭代后损失降至0.1以下，最终稳定在0.08左右，最小损失较其他模型降低超60%。

**定量评估指标**：CNN-LSTM-Attention混合模型MAE为0.096311，相比CNN（0.282422）、LSTM（0.326316）和CNN-LSTM（0.270665）分别降低66.2%、70.5%和64.4%。MRE为+0.11%（接近零，无明显系统偏差），MAPE为2.81%（CNN、LSTM、CNN-LSTM分别为6.72%、8.24%、14.56%），MSE为0.085162（较最优基准CNN-LSTM降低38.1%），CC达0.994902。尤其在<1 cm²破口检测中，MAE始终维持在0.05 cm²以内。

**误差分布特征**：CNN模型误差呈右偏分布，-10%至20%范围集中，平均误差+2.96%，1-5 cm²范围系统高估。LSTM模型误差分布-20%至30%，平均误差-0.78%，>5 cm²破口普遍低估。CNN-LSTM模型误差离散显著，-100%至40%范围，-20%至-60%区间异常峰值约25%，2-4 cm²范围出现"蝴蝶形"分布。CNN-LSTM-Attention模型误差呈窄峰分布，>90%样本集中于±5%范围，平均误差0.11%，分布近似无偏正态。

**预测一致性评价**：实际值与预测值散点图显示，CNN模型<1 cm²区域显著离散，>30%样本超出±15%误差带；LSTM模型>8 cm²区域明显偏离参考线，平均偏低12.7%；CNN-LSTM模型点云总体趋近参考线，但2-4 cm²范围波动显著，横向展宽达±20%；CNN-LSTM-Attention模型点云几乎完全贴合45°参考线，98.2%样本落入±5%误差范围，全范围保持高度一致性。

**讨论与结论**

综合分析训练稳定性、定量指标性能、误差分布特征和评估一致性四个维度，CNN-LSTM-Attention模型展现出全面性能优势，其根源在于三大组件的协同交互与高效整合：CNN层精确提取多参数间局部空间耦合特征（如稳压器水位与一回路压力的瞬态相依性）；LSTM层有效捕捉特征随时间的动态演化（如破口后300秒内冷却剂流量的衰减趋势）；注意力机制动态分配特征权重，聚焦压降速率等关键期和核心参数，形成"空间特征提取-时间演化捕捉-关键信息聚焦"的三重特征提取机制。该机制有效克服了传统模型对高度非线性和多参数耦合特征的建模瓶颈。

研究结论指出：SMR-LOCA条件下准确的破口尺寸评估对安全缓解和应急响应至关重要，其强时空耦合、快速瞬态演化和高不确定性特征使传统方法面临精度和稳定性不足的挑战。本研究开发的熵驱动智能诊断框架，通过CNN-LSTM-Attention混合模型整合空间特征提取、时间依赖学习和自适应关键信息聚焦能力，形成统一的时空学习架构，有效抑制不确定性并提升预测鲁棒性。该模型在全部指标上均优于各基准模型，MAE达0.094602，误差降低超64.4%，>90%预测误差控制在±5%以内，CC达0.994902。熵驱动加权策略增强了模型对关键瞬态特征的敏感性，减少冗余信息影响，实现全范围稳定高精度评估。与现有CNN-LSTM-Attention混合结构相比，熵驱动框架是本研究的核心进展——通过信息熵量化数据不确定性，结合熵自适应加权与损失正则化，有效解决了传统模型无法区分有效信号与不确定噪声的问题，这是熵驱动设计的独有贡献。

该工作为SMR的不确定性量化、事故诊断和安全评估提供了智能工具。尽管当前研究基于PCTRAN/SMART仿真数据，但该平台已通过多家核安全机构认证，能准确复现SMART反应堆的实际运行和事故特性，确保了模型验证结果的有效性。与先前仅关注模型结构优化的SMR-LOCA诊断方法不同，本工作以数据不确定性为核心优化方向，形成时空特征学习+熵约束的完整技术方案。未来研究将进一步基于实验数据和多种热工水力仿真平台进行验证，扩展至多类型复杂事故条件，并优化面向核电站监测和应急操作支持的实时工程应用。