基于物理约束机器学习的陆丰核电站远距离放射性核素衰减场景预测

《Process Safety and Environmental Protection》：Physics-Constrained Machine Learning for Scenario-Based Prediction of Far-Distance Radionuclide Attenuation at the Lufeng Nuclear Power Plant

　　

摘要 由于快速应急工具主要设计用于及时筛查而非远距离预测，因此在超出直接模拟受体距离范围之外的辐射后果评估仍然困难。本研究开发了一种物理约束神经代理模型（PCNS），用于重现并谨慎外推基于RASCAL的三种假想严重事故场景下的辐射后果模式，该研究针对中国广东陆丰核电站（基于AP1400堆型）进行。这三种场景分别包括：堆芯渐进熔化伴围堵体泄漏、蒸汽发生器管束破裂以及围堵体完全旁路伴堆压力容器失效，每种场景均在60米和100米的释放高度下，利用站址特定气象输入进行评估。建模数据集包括源项、释放速率、剂量终点、沉积量、时间积分空气浓度，以及针对I-131、Cs-134、Cs-137、Sr-90和Te-132的放射性核素特异性输出。随机森林、梯度提升、XGBoost以及数据驱动神经网络被用作基准。所提出的代理模型纳入了单调性和平滑性惩罚，以减少随距离增大出现的非物理性增长和不稳定振荡。XGBoost在常规模型中表现最强，而带平滑性约束的代理模型与留出的RASCAL衍生参考值吻合度最高，在距离感知测试中达到R2为0.9991，对数空间RMSE为0.0913。集成模型的不确定度随外推距离增加而增大，表明超出直接模拟域之外的置信度下降。该框架最佳解读为一种快速、具有不确定度感知的筛查工具，用于场景比较和防护行动规划，而非一个独立验证的大气扩散模型。

引言 核电仍然是重要的低碳电力选择，因为它结合了高能量密度、可靠的基载发电和相对较低的运行温室气体排放（Addo等，2023）（Krūmi??与K?avi??，2023）。然而，其对能源系统脱碳的贡献无法与严重核事故引发的安全担忧相分离。三哩岛、切尔诺贝利和福岛第一核电站事件表明，低频始发事件在堆芯降解、围堵体泄漏、堆压力容器失效或围堵体旁路发生时，可能演变为高后果放射性释放（Li等，2022）（Ashley等，2017）。因此，严重事故后果评估对应急准备、站址特定风险评估、防护行动规划以及与受影响人群的沟通至关重要。辐射后果评估的一个核心组成部分是大气源项，它描述了进入环境的放射性物质的数量、放射性核素组成、时间、持续时间和释放途径（Ederli等，2024）（Magill等，2007）。源项与气象条件、释放高度、沉积过程和放射性核素特异性性质共同决定了空气中的浓度、地面沉积、吸入暴露、外照射、甲状腺剂量和总有效剂量当量。这些量支持时间紧迫的防护决策，包括隐蔽、撤离、稳定碘施用、区域管控和环境监测（X. Zhang与Wang，2022）。

本研究考虑了五种在后果评估中特别重要的放射性核素：I-131、Cs-134、Cs-137、Sr-90和Te-132。它们的纳入提供了具有代表性的释放行为、放射半衰期、环境持久性和暴露意义范围。I-131因其挥发性及对甲状腺剂量的贡献在事故早期阶段尤为重要。Cs-134和Cs-137与中长期的环境污染、外照射和土地使用限制相关。Sr-90挥发性较低，但仍因其在生物体内的滞留和对内照射的潜在贡献而具有重要性。Te-132与早期裂变产物释放有关，并通过放射性衰变间接对碘相关辐射后果作出贡献（Steinhauser，2014）（Akou等，2026a）。共同评估这些放射性核素相比基于单一化学或辐射类别的评估，能为代理模型行为提供更为广泛的检验。

辐射后果评估工具在目的和复杂度上存在显著差异。快速后果评估系统如RASCAL、HotSpot和InterRAS旨在为应急筛查和规划提供及时的大气传输、沉积和剂量估计。相比之下，HYSPLIT、FLEXPART和WRF-Chem是大气传输、扩散和化学建模系统，虽已应用于辐射问题，但在同一操作意义上并非快速辐射后果工具。前者优先保证计算速度和应急可用性，而后者一般允许以更详细的计算和数据代价对气象、传输和沉积过程进行更细致的表征。当评估旨在支持时间敏感核应急评估的代理模型时，这一区别至关重要。

RASCAL、HotSpot和InterRAS等快速辐射后果评估工具旨在为应急筛查和防护行动规划提供及时的大气扩散、沉积和剂量估计（Akou等，2026b）。相比之下，HYSPLIT、FLEXPART和WRF-Chem是大气传输、扩散和空气质量建模系统，虽已应用于辐射释放问题，但在同一操作意义上并非快速辐射后果评估工具（Alrammah，2023）（Lobato等，2024）。前者优先保证计算速度和应急可用性，而后者以更细致的计算和数据需求为代价，提供对气象、传输、化学和沉积过程更详细的表征。

两类模型均已被用于研究假想核事故、源项行为、站址特定扩散和公众剂量后果。既往研究表明，事故路径、释放高度、大气稳定度、风况和模型选择可显著影响总有效剂量当量、吸入剂量、地面shine和沉积估计值（Mohamed等，2025a）。（Akou等，2026b）例如，报告称将释放高度从60米增加到100米通常会降低地面剂量，特别是吸入剂量，但效应量级在不同场景和模型间存在差异。福岛重建研究同样表明，源项时序、降水、变化的风场、地形以及放射性核素特异性沉积对I-131和Cs-137观测到的空间分布产生强烈影响，对模型评估和应急响应解读至关重要（Ma等，2024）（Chino等，2011）（Terada等，2020）。

尽管取得了上述进展，仍存若干方法学缺口。首先，大多数辐射后果评估仅限于底层模拟模型直接计算的受体距离范围内。在本研究中，RASCAL直接模拟域指大约0.4至8.05公里的受体距离，这些距离由RASCAL显式计算并用于生成参考数据集。远距离域指超出此直接计算范围的受体位置，评估范围约为10至80.5公里。本研究全程中，"远距离"一词仅用于指代超出RASCAL直接计算域的预测，不应理解为通用的大气或法规分类。采用这一区分是因为"远场"和"远距离"术语在大气科学、应急规划和反应堆站址法规中被不一致地使用（Niraula等，2022）（Harper等，2007）。其次，基于后果模型输出训练的机器学习代理模型通常通过在相同模拟域内随机划分记录来进行评估。此类做法可能将来自相邻距离、相同事故构型或密切相关气象条件的观测同时置于训练和测试子集中。由此产生的性能可能高估了泛化能力，因为空间相关信息的跨划分泄漏可能发生。当大气扩散问题中报告极高的决定系数时，这一问题尤为突出。因此，可信的评估必须区分在采样受体域内的插值与向完全留出的距离范围的外推（Simonsen等，2025）（Yao等，2025）（Domazetovi?等，2021）。第三，常规数据驱动模型不保证在训练域之外保持物理上合理的行为。树集成和神经网络可能在采样范围内准确复现模拟器输出，同时在更大距离处生成振荡的、递增的或其他非物理的浓度和沉积剖面。这一局限促使将物理动机的约束引入代理学习。在本工作中，单调距离衰减和空间平滑性惩罚在神经网络训练过程中被施加。这些约束并未将控制对流扩散方程、高斯烟羽方程、质量守恒方程、沉积动力学或放射性衰变方程嵌入损失函数。因此，所提出的模型被描述为物理约束神经代理模型（PCNS），而非经典物理信息神经网络。这一术语更准确地反映了该框架的数学结构和证据范围（Jiang等，2024）（Jinia等，2024）（Morilla等，2024）。第四，与RASCAL生成输出高度一致表明模拟器仿真，而非真实大气中的独立预测精度。R2、MAE、RMSE、两倍吻合度和对等图等指标量化了代理模型复现留出RASCAL衍生参考值的接近程度。它们本身并不能确立RASCAL或代理模型复现了实际释放的观测值。独立验证需要观测数据或在可比的源项、气象、地形和沉积条件下使用独立大气传输模型生成的计算结果（Akou等，2026a）（Y. Zhang等，2022）（Huang与Agarwal，2026）。

福岛沉积观测的使用同样需要类似的审慎。福岛第一核电站事故在反应堆工况、释放历史、放射性核素存量、气象条件、降水、地形、沿海环流和环境传输方面均与假想陆丰场景不同。因此，绝对沉积量级的直接比较并非对陆丰代理模型的定量验证。在本研究中，福岛I-131和Cs-137数据仅作为外部一致性检验，用于检查预测的距离依赖衰减是否处于定性上合理的环境行为范围内。不主张趋势一致即证明站址特定或事件特定的预测有效性。另一个挑战涉及不确定度。快速应急评估受到源项量级、释放时间、气象输入、大气稳定度、沉积速度、降水和模型结构的不确定度影响。确定性代理模型预测因此应被解读为所建模场景的条件估计，而非精确预报。本研究主要聚焦于RASCAL衍生后果代理模型的开发与控制评估。在结果解读时考虑了输入、模型和外推不确定度的影响，而全面的概率不确定度传播仍是运行部署的重要需求。

基于以上背景，本研究开发和评估了基于RASCAL的物理约束神经代理框架，用于中国广东省陆丰核电站假想严重事故后果评估。考虑了三种事故序列：堆芯渐进熔化伴围堵体泄漏、蒸汽发生器管束破裂以及围堵体完全旁路伴堆压力容器失效。每种场景均在60米和100米的释放高度下，利用2020年4月4日至6日记录的气象条件进行评估。该气象事件代表受控案例研究，而非站址完整季节气候，相应地限制了结论适用范围。RASCAL衍生输出用于表征源项行为和辐射终点，包括时间积分空气浓度、地面沉积、吸入剂量、地面shine、甲状腺剂量和总有效剂量当量。随机森林、梯度提升、XGBoost和常规神经网络被实现为经验基准模型。物理约束神经代理模型纳入了单调距离衰减和平滑性惩罚，以减少预测扩展至RASCAL直接计算域之外的非物理行为。本工作的贡献不在于替代RASCAL或详细大气传输模型，而在于开发一种计算高效的代理模型，在明确约束距离依赖行为的同时重现定义的RASCAL后果评估空间。通过清晰区分模拟器仿真、距离外推、物理合理性和外部一致性，本研究为评估受限代理模型在快速辐射筛查和应急支持应用中潜在作用与局限性提供了更有依据的基础。

本研究有四项主要贡献：1. 量化基准机器学习模型和物理约束神经代理模型（PCNS）在受控事故场景中复现留出的RASCAL衍生参考输出的准确度；2. 利用距离感知划分评估模型泛化能力，该划分将RASCAL直接域与外推域分离，并防止留出距离的信息进入模型训练；3. 评估单调性和平滑性约束是否随外推距离增加而改善预测的物理合理性和数值稳定性；以及4. 检查预测的I-131和Cs-137沉积衰减相对于福岛观测记录的定性外部一致性，而不将该比较视为事件特定定量验证。

站址与气象输入 本研究针对位于中国广东省陆丰县甲子镇（北纬22.7520°，东经115.8100°）的陆丰核电站开展，该电站位于面向南海的东部沿海地带（Averages, K.M.C., 2025）。分析了下风向10米处2020年站址特定逐时气象观测数据，以表征站址范围更广的风和大气稳定度条件。年风玫瑰图显示偏东至东北风为……

模型性能比较与外推行为 表2比较了基准机器学习模型与所提出的物理约束神经代理模型变体，使用留出的RASCAL衍生参考值。在常规模型中，XGBoost表现最强，距离感知测试R2为0.9845，对数空间RMSE为0.3694。

随机森林和梯度提升也表现良好，而传统神经网络显示出明显较弱的吻合度，表明集成方法是

结论与局限性
本研究针对炉峰核电站三个假设严重事故情景，使用由RASCAL输出的结果、基准机器学习模型以及物理约束神经网络代理，评估了辐射源项、后果终点及远距离衰减。事故路径是对后果严重程度的主要控制因素。情景1产生了最低的影响，而情景2和情景3则产生了明显更高的TEDE、吸入剂量、甲状腺剂量和地面照射剂量。

伦理审批
本研究不涉及人类参与者、个人数据或动物对象，因此不需要伦理审批。

未引用参考文献
（Averages, 2025, IAEA., 2015, Obeng et al., 2021, McGuire and G. F. A., 2007）

作者贡献声明
Olusola Bamisile：验证、监督、方法论、概念化。
Alex-Oke Temidayo Olayinka：撰写-原稿、可视化、方法论、调查研究、形式分析、数据整理、概念化。
Qi Huang：软件、资源、项目管理、调查研究、资金获取。
Ala Ayodeji A：撰写-审阅与编辑。
Gideon Osamong Akou：撰写-审阅与编辑、验证、监督、方法论、数据整理、概念化。
Dongsheng Cai：

利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争性财务利益或个人关系。

致谢
作者感谢中国国家自然科学基金（NFSC，项目编号52007025）和四川省科技支撑计划（2022JDRC0025）的支持。

利益声明
作者声明不存在已知的可能影响本文所报告工作的竞争性财务利益或个人关系。所有作者均已阅读并批准最终稿件。

Temidayo Alex-Oke | Olusola Bamisile | Dongsheng Cai | Osamong Gideon Akou | Ayodeji A. Ala | Qi Huang