《Journal of Environmental Radioactivity》：A rapid atmospheric radionuclide dispersion prediction and dose assessment method based on the physics-aware spatio-temporal neural operator
编辑推荐：
•一种时空神经网络算子可快速预测放射性核素扩散。•预测的浓度场可进一步应用于剂量评估。•条件编码、注意力机制和物理感知损失提高了预测精度。•代表性预测与CFD结果偏差小于3%，速度提升4.74×103倍。•对比实验、消融实验和外部测试验证了方法的鲁棒性和泛化能力。引言随着核能
- •
一种时空神经网络算子可快速预测放射性核素扩散。
- •
预测的浓度场可进一步应用于剂量评估。
- •
条件编码、注意力机制和物理感知损失提高了预测精度。
- •
代表性预测与CFD结果偏差小于3%，速度提升4.74×103倍。
- •
对比实验、消融实验和外部测试验证了方法的鲁棒性和泛化能力。
引言
随着核能事业的持续发展，核安全分析和应急准备仍然是关键优先事项。在核设施运行和核相关材料运输过程中，爆炸、冲击、设备故障等突发事件可能导致放射性物质在短时间内集中释放到大气中（Sanchez Machado等，2025）。释放的放射性核素会随风和湍流输送与扩散，导致环境污染和公众辐射暴露风险。因此，快速预测扩散路径、浓度分布和影响范围对于应急辐射监测、后果评估和防护行动规划具有重要意义（IAEA，2024）。
目前，大气放射性核素扩散的主要方法包括风洞实验、大气示踪实验和数值模拟（Leel?ssy等，2014）。风洞实验和示踪实验能够提供高质量的实验数据，但成本高昂且耗时较长，难以直接用于时效性强的应急响应。因此，数值模拟常被用于预测不同事故场景下的扩散情况。数值扩散模型涵盖不同层级的物理复杂度和计算成本，包括高斯模型、拉格朗日模型、欧拉模型和计算流体力学（CFD）方法（Leel?ssy等，2017）。高斯模型基于对大气输送和扩散的简化表征，能够提供计算效率较高的估计结果，而拉格朗日方法通过粒子或烟团的轨迹来描述污染物的输送过程。相比之下，CFD能够提供具有空间分辨率的流场和放射性核素输运表征，已被广泛应用于大气扩散分析（Jeong等，2014；Vervecken等，2015）。CFD还可以进一步表征局部流场行为、边界效应以及可能影响放射性核素输运的场址尺度风场结构（Mazzoldi等，2008；Vach和Duong，2011）。然而，解析详细流场和浓度场所带来的计算成本可能限制在事故和气象条件变化时反复进行场景评估和快速应用。
近年来，深度学习为快速预测放射性核素扩散和辐射剂量提供了一条有前景的途径。在核应急响应方面，Pereira等（2017）开发了一种基于人工神经网络的移动剂量预测系统，用于核电厂意外释放后快速估算现场剂量。Desterro等（2020）将深度神经网络应用于核事故后的短期剂量分布预测，进一步证明了深度学习在事故早期阶段快速剂量估算方面的潜力。在放射性烟羽和放射性核素浓度预测方面，Filho等（2024）采用LSTM网络预测核电厂事故场景下的放射性烟羽扩散，表明循环神经网络能够捕捉放射性核素扩散过程中的时间信息。在更广泛的大气扩散替代建模方面，Wang等（2025）提出了ST-GasNet用于复杂城市环境中有害气体烟羽的时空预测，展示了深度学习表征复杂时空扩散模式的能力。Ayoub等（2024）将傅里叶神经网络算子引入放射性烟羽输运预测，提出了神经网络算子在快速烟羽预测方面的潜力。
尽管近年来的深度学习研究已经展示了快速预测放射性核素浓度和辐射剂量的潜力，但许多现有方法主要集中于时间序列预测、点估计或针对特定场景的预测，并不能直接提供具有空间分辨率的三维浓度场用于影响区域分析和后续剂量评估。因此，在事故早期快速获取三维放射性核素浓度场仍然是一项重要挑战。为应对这一挑战，本研究提出了一种基于PA-STNO的方法，用于快速预测大气放射性核素扩散并进行后续辐射剂量评估。PA-STNO利用历史浓度场、背景物理变量以及气象和源项条件来预测未来的三维浓度场。预测所得的浓度场进一步用于表征烟羽输运、识别潜在影响区域并估算不同年龄组的辐射剂量。
本研究的主要贡献包括：利用OpenFOAM构建多条件三维大气氚扩散数据集以涵盖短持续时间集中释放场景，以及开发一种物理感知的时空神经网络算子（称为PA-STNO）用于快速预测三维放射性核素浓度场。所提出的方法通过预测性能分析、基线对比、消融实验、计算效率分析以及利用Kincaid数据集的补充可迁移性测试进行了评估。预测所得的浓度场进一步用于辐射剂量评估，将快速放射性核素扩散预测与辐射后果评估联系起来。本研究聚焦于受控大气扩散场景，为未来在更复杂环境条件下的研究奠定了基础。
章节摘要
方法流程
本研究的方法流程如图1所示。流程首先定义早期释放场景的源项、气象、边界条件和数值输入。随后使用OpenFOAM生成多条件三维浓度场，为模型训练和测试提供数据基础。在数据集构建和预处理之后，PA-STNO被训练以预测三维浓度场在
数据集构建与预处理
本研究选取中国甘肃省西北部的一处代表性场址作为扩散案例的环境背景。该区域特征为相对平坦开阔的半干旱地形，植被稀疏，分布有散生灌丛，大型地表障碍物有限。相应地，计算域被表征为开阔平坦地形，气动粗糙度长度为z0 = 0.1 m，以表征主导的
结论
本研究针对核事故场景下快速大气放射性核素扩散预测和辐射剂量评估的需求，利用OpenFOAM构建了多条件扩散数据集，并开发了一种物理感知的时空神经网络算子（PA-STNO），用于在不同气象和释放条件下快速预测三维放射性核素浓度场。
结果表明，PA-STNO能够快速预测放射性核素
作者贡献声明（CRediT）
杨梓辉： 监督指导、资金获取。葛博昂： 撰写—审阅与编辑、撰写—初稿、可视化、验证、软件、方法论、调查研究、正式分析、数据整理。王晓： 监督指导。王杰： 监督指导。莫子文： 监督指导。李宇辰： 调查研究。孙亦杭： 监督指导。张斌： 监督指导。
利益冲突声明
作者声明不存在可能影响本文工作的已知竞争性经济利益关系或个人关系。
致谢
本研究得到中国科学院战略先导科技专项（项目编号：XDA0410000）和合肥物质科学研究院院长基金（项目编号：YZJJ202403-CX）的资助。作者感谢中国科学院合肥物质科学研究院合肥物质科学研究院共享技术与设施中心提供专业计算资源和测试服务。
杨梓辉|葛博昂|王晓|王杰|莫子文|李宇辰|孙亦杭|张斌
