基于OPR-1000活化分析的不确定性感知超像素分割与贝叶斯优化采样策略开发

《Annals of Nuclear Energy》：Uncertainty-aware superpixel segmentation and bayesian optimization for sampling strategy development using activation analysis of OPR-1000

　　

•面向辐射剂量表征的不确定性感知采样框架。
•超像素分割保留了活化场的空间异质性。
•高斯过程与贝叶斯优化指导最优采样设计。
•通过五个优化采样位置实现不确定性收敛。
•该框架支持OPR-1000退役过程中的高效活化表征。

**引言**

活化结构材料的精确辐射剂量表征是核电站（NPP）退役的核心组成部分，为废物分类、存活性确定和处置路径选择提供基础支撑。代表性的采样策略和可靠的放射化学分析方法对于量化拆解组件内的放射性核素分布至关重要。然而，由于中子通量、材料成分和几何效应的差异，活化结构中的辐射剂量场表现出显著的空间异质性。有限的可及性和操作约束限制了可行的采样位置数量，从而给下游的存活性估算引入显著的认识论不确定性。

传统采样策略通常依赖专家判断或启发式规则，可能无法系统性地最小化不确定性或优化信息增益。近年来，不确定性量化和贝叶斯实验设计的进展为不确定性条件下的采样优化提供了严格框架，使数据采集策略能够明确针对模型预测的后验不确定性进行降低。这些方法采用概率代理模型来表示空间特征与辐射剂量响应之间的关系，并利用获取函数在探索未知区域和利用已知高活性区域之间取得平衡，以选择未来的采样位置。

本研究提出了一种集成采样框架，利用无监督超像素分割和贝叶斯优化进行不确定性引导的采样设计。首先，基于蒙特卡洛中子输运计算和活化程序生成的高分辨率活化模拟输出，使用超像素分割进行处理，将空间域划分为具有相似活化特征的均匀聚类。通过将局部辐射剂量信息聚合为一组代表性的缩减域，超像素聚类在实现维度缩减的同时，保留了活化场固有的空间连贯性和异质性。

聚类表示作为代理建模方法的输入空间，在此过程中，高斯过程（GP）模型被训练以近似空间特征与放射性核素活性之间的映射关系。GP代理模型同时量化预测均值和认识论不确定性，从而能够计算获取函数，以识别具有最高预期总体不确定性降低的候选采样位置。随后，通过基于不确定性的获取指标（如后验方差中的预期改善）指导贝叶斯优化，迭代选择采样位置，以在有限采样预算下最大化放射性核素存活性估算的信息增益。

基于超像素的聚类与贝叶斯优化的集成提供了一种结构化且具有统计学原则的采样设计方案，在减少放射性核素表征中的认识论不确定性的同时，优化资源分配。当与优化的放射化学预处理和分析程序相结合时，所提出的方法可以显著降低大容量拆解废物和长期储存未处理废物流中放射性核素测定的成本和持续时间。

除方法论贡献外，本研究还支持先进退役技术的本地化能力建设，从而增强技术竞争力和产业能力。具体而言，压水堆（PWR）不确定性感知采样策略的开发有助于积累领域专业知识，并强化废物处置适用性的证据基础。对分析仪器和经过培训的人员的相应需求，也有望为就业创造和区域产业振兴做出贡献。

从应用角度来看，所开发采样框架和分析系统的商业化使其可以直接应用于国内退役项目。通过为不确定性降低和存活性置信提供定量依据，所提出的方法增强了在国家及国际核退役市场中的竞争力，并将该方法论定位为辐射剂量表征领域中贝叶斯实验设计的尖端解决方案。

活化结构材料的辐射剂量表征是核电站（NPP）退役的核心任务，因为它直接支持放射性核素存活性估算、废物分类和处置路径选择。该过程中一个公认的难题是，由于中子通量分布不均匀、复杂几何形状和材料依赖的活化响应，活化产物表现出显著的空间异质性。因此，在有限可及性和严格辐射剂量约束下的代表性采样已被确定为退役项目中的主要不确定性来源（Amgarou和Herranz, 2021; Tuerlinckx和Esbensen, 2021）。

退役实践中的传统采样策略主要基于专家判断、预定义分区或源自工程经验的确定性规则。虽然这些方法已显示出实际效用，但它们并未明确量化或最小化与稀疏采样相关的不确定性。为弥补这一局限，贝叶斯统计框架已逐渐被引入废物表征和决策过程中。贝叶斯方法能够整合先验信息（如活化分析结果）与测量数据，以支持概率推理和不确定性感知的决策（Hazra等, 2023）。特别是，结合数据质量目标（DQO）框架的贝叶斯方法已被应用于评估废物分类和边界确定的置信水平（Desnoyers和Rogiers, 2020; Contreras等, 2022）。

与此进展并行，高斯过程（GP）回归作为一种强大的空间预测问题的代理建模技术，已在核工程中崭露头角。包括克里金插值在内的GP模型因其能够提供预测均值及相关的认识论不确定性，已被应用于辐射剂量映射和放射性核素浓度估算（Peng等, 2014; West等, 2021）。这种双重能力使GP模型特别适用于退役场景典型的特点——稀疏且含噪声的测量环境。

最近，贝叶斯实验设计和贝叶斯优化框架已被引入以指导数据采集策略，通过明确最大化信息增益或最小化后验不确定性来实现。这些方法利用源自GP代理模型的获取函数，在探索不确定区域和利用已知高活性区域之间取得平衡（Siefman等, 2021）。带约束的贝叶斯优化在核工程领域的应用已有报道，展示了其在操作和物理约束下进行最优实验设计的潜力（Branco-Katcher等, 2026）。

此外，多项研究强调了在处理高度异质性活化场时空间分层或分区的重要性。基于材料的分区和活化水平分层等方法旨在定义空间均匀区域，以提高代表性和缩放准确性。然而，这些分区策略通常仅作为预处理步骤应用，很少被整合到概率性、顺序性采样设计框架中。

尽管贝叶斯推断、代理建模和实验设计方法取得了显著进展，但在NPP退役辐射剂量表征的背景下仍存在若干关键空白。

首先，现有研究通常将活化分析、空间插值或贝叶斯决策作为独立组件处理。将高分辨率活化分析输出通过贝叶斯实验设计直接链接到顺序采样设计的端到端集成框架仍然有限。特别是，源自中子学和活化计算的活化场很少被作为采样优化的结构化先验信息加以利用。

其次，虽然空间分区和聚类技术被公认为管理异质性所必需，但它们在定义贝叶斯优化采样设计空间中的角色尚未得到充分探索。现有方法未系统地将具有物理意义的空间聚类与明确针对不确定性降低的获取驱动采样策略相结合。因此，所选采样位置的代表性未能从信息论角度进行严格优化。

第三，退役中的大多数贝叶斯方法专注于实现废物分类或法规合规的预定义置信水平。明确将认识论不确定性降低作为首要优化目标的研究较少。在高度异质性的活化环境中，通过优化采样最小化后验方差或最大化预期信息增益至关重要，但在实际退役应用中仍未得到充分发展。

第四，现实的采样设计受到强烈的操作约束，包括可及性限制、辐射剂量暴露、结构几何形状和材料分层。虽然带约束的贝叶斯优化在核工程中已有研究，但其应用于退役特定采样约束的实践尚未完全确立。

最后，不确定性感知采样设计与下游对放射性核素存活性估算和废物处置适用性评估的影响之间的联系往往是隐含的。通过优化采样实现的不确定性降低向存活性置信区间和处置决策支持进行传播的定量框架仍然缺乏。

为弥补这些空白，本研究提出了一种AI辅助采样框架，将活化分析结果的超像素分割与高斯过程代理建模和贝叶斯优化相集成。通过明确在现实约束下最小化认识论不确定性，所提出的方法为核退役中的代表性采样提供了一种系统且可辩护的方法论。

**章节片段：反应堆活化评估**

准确量化生物屏蔽混凝土中的放射性核素存活性比活度，对于核电站退役期间的辐射剂量表征和处置分类至关重要。这需要在反应堆运行条件下可靠地估算混凝土中的中子通量场，然后基于评估的通量分布进行活化和衰变计算。在本研究中，放射性核素存活性比活度为……

**分割层数确定**

首先，为确定超像素分割的适当层数，将层数作为控制参数来管理不确定性分辨率（OECD核能署, 2017）。初始活化场被离散化为7,500层，然后在监控不确定性精度和计算效率的同时逐步减少层数。目标是确定在保持不确定性保真度的前提下所需的最小层数。

**讨论**

本研究调查了一种不确定性感知采样策略，该策略将基于超像素的空间分割与高斯过程建模和贝叶斯优化相结合，用于OPR-1000生物屏蔽混凝土的活化表征。结果表明，所提出的框架能够在明确考虑活化场不确定性的同时，高效识别代表性采样位置。

主要发现之一是超像素分割提供了……

**结论**

本研究证明，所提出的集成采样框架——利用超像素分割和贝叶斯优化（BO）——有效地管理了活化结构中固有的空间异质性，同时最小化了采样所需的资源。结果表明，将初始活化场离散化为25层可实现计算效率与不确定性分辨率之间的最佳平衡。这一发现打消了潜在顾虑……

**利益冲突声明**

作者声明不存在任何可能影响本研究报告工作的已知竞争性经济利益或个人关系。

**致谢**

本研究由韩国水力与核电力公司（KOREA HYDRO & NUCLEAR POWER CO., LTD）资助（项目编号：24-TECH-13）。

Jeongon Eom | Sewon Kim | Seokjun Hong | Changje Park