《Annals of Nuclear Energy》：Research on the efficient and lightweight surrogate model for Probabilistic Safety Margin analysis of SBLOCA in nuclear power plants integrating DL-TL
编辑推荐：
•深度迁移学习能够高效地进行多序列PSM分析。•自适应采样可将训练样本量减少>60%，且精度损失很小。•CNP300 SBLOCA验证表明，该模型的预测速度是RELAP5的747倍，同时还能保持高精度。•迁移学习可降低那些仅有少量样本的相似序列的建模成本。引言风险感知安全边际（R
• 深度迁移学习能够高效地进行多序列PSM分析。
• 自适应采样可将训练样本量减少>
• CNP300 SBLOCA验证表明，该模型的预测速度是RELAP5的747倍，同时还能保持高精度。
• 迁移学习可降低那些仅有少量样本的相似序列的建模成本。
引言 风险感知安全边际（RISMC）分析是核电站可靠性与安全性评估的重要框架（Di Maio等人，2017；Chen等人，2024）。传统的RISMC框架采用传统最佳估计加不确定性（BEPU）分析方法来计算反应堆的概率安全边际（PSM），需要针对所有可能的事故序列进行模拟（Zhang和Schneidesch，2023）。然而，这种方法需要大量的计算资源。通过RELAP5进行一次SBLOCA模拟通常需要数十分钟到数小时，这不利于大规模的不确定性量化工作（Jiang等人，2026）。为减少模拟时间，人们引入了降阶模型（ROM）（Kim等人，2026；Min等人，2026；Mandelli等人，2015），其核心思想是用更为简单但精度较高的模型替代复杂的详细模型。在安全分析中，ROM主要包括简化物理模型和替代模型（Navarro等人，2026）；前者需要深厚的专业知识和工程经验，因此开发难度大，应用范围也有限。作为一种高效的近似方法，替代模型在核工程领域备受关注，它能在保持预测可靠性和安全边际的同时提升计算效率。这类模型仅需在有限的数据集上训练，就能快速预测系统输出，从而加快相关处理流程（Yin等人，2024）。深度学习具备强大的非线性拟合能力，且在处理高维数据方面表现优异，非常适合用于构建高精度的替代模型（Zheng等人，2026）。它对领域专业知识和手动特征工程的要求较低，已被广泛应用于核工程领域的诸多场景，包括反应堆事故模拟、设备故障诊断以及核心设计优化等。卷积神经网络（CNN）是用于从工程数据中提取空间特征的重要工具。已有基于CNN的框架被用于核反应堆包容结构的地震脆弱性分析（Qian和Liu，2022）。基于CNN的替代模型能够在保持精度的同时简化燃料性能分析工作（Wang等人，2025a）。将CNN结构与集成学习模块相结合，可在核设备智能诊断方面发挥巨大潜力（Cancemi等人，2025），而标准的CNN架构则常被用于核电站故障诊断研究（Kim等人，2019；Saeed等人，2020；Yang和Kim，2018）。基于CNN的替代建模还有助于高效开展反应堆热工水力分析（Yin等人，2023）。虽然CNN擅长提取空间特征，但长短期记忆网络（LSTM）及其变体则更适用于捕捉时间序列信号中的长距离时间相关性（Lu等人，2021；Zhang等人，2023；Yang等人，2020）。LSTM网络能够识别核动力系统中的异常运行事件（Wang等人，2025b），而经过优化的多变量LSTM结构则能有效提升核心温度参数的预测精度（Wang等人，2021）。RELAP5-3D与LSTM框架相结合，可用来分析包容式干井内的冷却风扇故障（Chen等人，2023）。基本的LSTM诊断方法能够实现核电站传感器和执行器的可靠故障识别（Guillen等人，2020），而改进后的双LSTM滚动窗口结构则能提升核系统参数的预测效率（Wang等人，2022）。混合CNN-LSTM架构结合了CNN的空间特征提取优势与LSTM的时间建模能力，可实现空间信息和时间信息的联合提取。经过贝叶斯优化的CNN-LSTM网络能够实现对旋转机械设备的精准故障诊断（Lee等人，2024），而基于混合模型的融合健康指标则可用于预测一级回路管道的退化情况（Dao等人，2024）。多尺度CNN-LSTM结构在面临严重噪声干扰时仍能保持稳定的诊断性能（Qian等人，2022），而经过迁移学习改进的CNN-LSTM模型则可实现小型反应堆在不同工作条件下的故障诊断（Wang等人，2026）。除了CNN-LSTM混合结构外，可迁移的CNN模型也能实现核系统的跨条件和跨设施故障诊断（Wang和Chen，2023）。在现有研究基础上，本研究提出了一种高效的轻量级替代模型，该模型整合了深度学习和迁移学习技术，旨在从三个层面提升效率并减少数据量：训练样本、单序列模型以及多序列模型。具体而言，该模型采用自适应采样方法来减少样本数量，构建了用于单序列SBLOCA关键安全参数预测的CNN-LSTM混合模型（其精度高于传统的单一结构模型，例如与DNN相比，PPA值从90.13%提升到了96.88%）。最后，该模型还引入了迁移学习机制，可将现有事故序列的训练知识迁移到新序列中，从而在处理相似序列过程时提升模型的重复使用率和训练效率。总之，尽管迁移学习已在核领域被用于分类和故障检测任务（Yao等人，2022），但与那些主要聚焦于单一模型结构或单一事故序列替代模型的现有研究不同，本研究提出的高效轻量级替代模型整合了深度学习和迁移学习技术，它通过结合空间特征提取和时间建模来提升模型的重复使用能力。再加上自适应采样机制，该模型既能减少所需的训练数据量，又能保持良好的预测性能和计算效率，从而为核电站事故的快速响应评估提供了实用的解决方案。
第2部分将详细介绍所提出的模型。第3部分介绍了针对CNP300反应堆的实验流程，包括RELAP5建模、样本标准化等工作，并对模型性能及迁移学习的有效性进行了评估。第4部分对整个研究进行了总结。
本文中使用的缩写及其全称详见表A.1。
章节要点 本文提出的模型与算法 本节旨在构建一种用于多序列SBLOCA PSM分析的高效轻量级替代模型方法。它介绍了整体框架、基于自适应采样的数据集构建方法以及深度学习/迁移学习模型的开发过程。在整个研究逻辑中，本节对应于从数据空间优化到单序列建模，再到多序列扩展的方法构建流程。
数值结果与分析 本节旨在定量验证所提出的轻量级替代模型方法在SBLOCA场景下的有效性。它介绍了数据集的准备工作、评估指标、超参数优化方法，以及单序列模型和迁移学习模型的验证结果。在整个研究逻辑中，本节对应于用于评估精度、效率及可迁移性的验证与评估流程。
结论 本研究以核电站SBLOCA的概率临界温度为例，通过开展高精度替代建模与优化研究，解决了模拟时间过长的问题。该替代模型可替代传统的热工水力分析程序，有效缩短模拟时间并提升分析效率。主要研究结论如下：
采用了基于混合CNN-LSTM神经网络的替代建模方法来分析关键安全
CRediT作者贡献说明 Sijuan Chen： 本研究的概念构思、方法设计以及软件实现。Pei Lin Li： 数据整理、初稿撰写。Dabin Sun： 数据整理、初稿撰写。
利益冲突声明 作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
Sijuan Chen|Pei Lin Li|Dabin Sun|Yunfei Nie|Jipu Wang|Ming Yang|Jinye Guo|Jianhua Chen
