⚡ electrical engineering

Virtual Sensing to Enable Real-Time Monitoring of Inaccessible Locations & Unmeasurable Parameters

本文介绍了 MIMONet，这是一个基于算子的虚拟传感框架，该框架利用神经算子，通过稀疏的边界测量值实现对安全关键型能源系统中不可达内部热流体场的实时、与网格无关的推理，在克服现有状态估计方法局限性的同时，保持了高精度和抗噪鲁棒性。

原作者： Kazuma Kobayashi, Farid Ahmed, Jaewan Park, Subhankar Sarkar, Souvik Chakraborty, Syed Bahauddin Alam

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Kazuma Kobayashi, Farid Ahmed, Jaewan Park, Subhankar Sarkar, Souvik Chakraborty, Syed Bahauddin Alam

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图了解一个密封、高温且具有放射性的核反应堆内部发生了什么。你无法在里面放置温度计或压力计，因为辐射会瞬间摧毁传感器，而高温则会将其熔化。然而，了解内部的温度和压力对于安全至关重要。

这篇论文介绍了一种被称为**“虚拟传感”（Virtual Sensing）**的巧妙解决方案。研究人员并没有尝试制造更好的物理传感器，而是构建了一个“数字大脑”，它只需通过观察外部的少量线索，就能推测出反应堆内部的整个状态。

以下是其工作原理的分解，采用了简单的类比：

1. 问题所在：“黑盒”反应堆

把核反应堆想象成一个密封的、发光的黑盒子。

现实情况： 你只能测量盒子外部的事物（例如进入盒子的水流速度或排出的热量）。
危险之处： 在内部，水流在复杂地旋转、升温并产生压力。如果你不知道内部发生了什么，你就无法确定反应堆是否安全。
旧方法： 科学家过去使用大规模、缓慢的计算机模拟来猜测内部情况。但这些模拟运行需要数小时。等到它们完成时，反应堆的情况已经发生了变化。这就像试图通过看昨天的天气预报来导航一场风暴。

2. 解决方案：“数字孪生”大脑

研究人员创建了一种新型 AI，称为 MIMONet。你可以把这个 AI 想象成一位直觉超群的大厨。

类比： 想象一位从未见过锅内汤品样貌的大厨。然而，他品尝过成千上万种汤，并且知道在这些汤中加入了多少盐、多少热量以及搅拌了多少次（即“边界”线索）。
神奇之处： 因为大厨已经掌握了汤品行为的“规则”，所以如果你告诉他，“我加入了 2 杯高汤并将火力调到了最高”，他能立刻描述出汤在锅里是如何旋转的、哪里是热点以及沸腾的速度有多快——即便他看不见锅内部。
论文的观点： MIMONet 从高质量的计算机模拟中学习“物理规则”（流体流动和热量的规律）。一旦训练完成，它只需观察来自反应堆外部稀疏、带有噪声的数据，就能瞬间重建出整个不可见内部的 3D 全景图。

3. 它与旧版 AI 有何不同

以前的 AI 模型就像是抽检员。如果你问它们，“这个特定点的温度是多少？”它们可以进行猜测。但如果移动了这个点，它们就必须重新学习或盲目猜测。它们无法看到全局。

MIMONet 则不同。它不只是猜测一个数字；它学习的是一个连续的映射。

类比： 与其猜测某一个点的温度，MIMONet 会绘制出一张完整的、平滑的整个反应堆内部的热图。你可以问它，“内部任何一点的压力是多少？”它会立即回答，即使那里从未放置过传感器。
速度： 它在毫秒级内即可完成（比人类眨眼还快），而旧的计算机模拟则需要数小时。

4. 测试“数字大脑”

研究人员在三个难度递增的场景中测试了该 AI，以证明其有效性：

简单方块（顶盖驱动流）： 一个顶部移动的简单方块。AI 必须仅通过观察顶部的运动来猜测内部空气的旋转情况。它取得了极高的准确度。
狭窄通道（反应堆子通道）： 水流在燃料棒之间流动的狭窄空间。在这些缝隙中放置传感器是不可能的。AI 仅凭入口条件就完美地推测出了流量和热量。
复杂机器（热交换器）： 一个由管道组成的错综复杂的系统，其中热量和压力相互作用。这是最难的测试。AI 仍然成功重建了不可见的压力和流动模式，误差小于 1%。

5. 处理“噪声”数据

在现实世界中，传感器并不完美；它们会变得“抖动”或随时间漂移（就像手抖一样）。

测试： 研究人员特意在输入数据中加入了“噪声”（随机误差），以观察 AI 是否会陷入混乱。
结果： 标准的 AI 模型会感到困惑并给出荒谬的猜测。然而，MIMONet 使用了一种特殊技术（称为“蒙特卡洛丢弃法/Monte Carlo Dropout”），使其表现得像一个专家委员会。它不是只给出一个猜测，而是询问了 20 个略有不同的“自己”，然后取其答案的平均值。这使得它极其稳定，能够忽略传感器噪声并依然提供可靠的内部图像。

6. 知道何时“不确定”

最后，论文解释了 AI 是如何知道自己在猜测的。

类比： 如果你问一位大厨关于他从未见过的汤谱，他可能会说：“我有 95% 的把握，但对这一部分我有点紧张。”
现实情况： MIMONet 提供“置信度评分”。如果传感器噪声很大或者情况很反常，AI 会标出这些区域为“不确定”。这对于安全至关重要，以便操作员知道 AI 在哪些地方是自信的，而在哪些地方需要更多的数据。

总结

这篇论文展示了虚拟传感领域的突破。它证明了我们可以利用专门的 AI（MIMONet）来“看透”像核反应堆这样危险、无法进入的地方。通过学习流体和热量运动的物理特性，这个 AI 能将少量杂乱的外部测量数据转化为清晰、实时的反应堆内部 3D 地图，其速度和准确度都达到了前所未有的水平。这就像是给反应堆戴上了一副“X 光视觉眼镜”，而且不需要在盒子里放置任何物理传感器。

技术摘要：用于不可达区域实时监测的虚拟传感技术

问题陈述
下一代核反应堆及其他安全关键型能源系统面临着根本性的“可观测性危机”。尽管这些系统需要对内部状态（压力、温度、流量）进行实时监测以确保安全性，但由于辐射损伤、热极限、复杂几何结构以及机械脆弱性，直接进行物理仪表化往往是不可行的。现有的虚拟传感（软测量）方法不足以应对该领域的需求：

基于模型的方法（例如卡尔曼滤波器、Luenberger 观测器）依赖于已知的控制方程，并产生特定坐标下的有限维状态向量，无法在未安装仪表的区域重建连续的空间场，也无法在毫秒级延迟下保证跨场的相干性。
数据驱动方法（例如 RNN、GNN、标准回归）通常输出固定预训练坐标处的标量值。它们缺乏网格无关性，无法在任意网格上重建相干空间场，且通常需要针对每个实例进行重新训练，从而阻碍了实时部署。
物理信息神经网络 (PINNs) 通过优化求解特定的 PDE 实例，但在与所需的亚毫秒级推理相比，其计算速度过慢，无法满足连续、低延迟监测的要求。

核心挑战在于：如何在不依赖推理时显式控制方程的情况下，从稀疏、异构的边界测量值中重建完整的、耦合的内部场，并提供经过校准的不确定性，以支持安全关键型的决策。

方法论：MIMONet
作者提出了 MIMONet，这是一个专为核级虚拟传感设计的神经算子框架。不同于传统的将向量映射到向量的回归器，MIMONet 学习的是一个非线性算子 $G: \mathcal{U} \to \mathcal{S}$ ，它将输入函数（边界条件、热源）映射为任意查询坐标处的连续输出场。

其关键架构创新包括：

多模态分支编码器： 网络接受异构输入，包括标量参数（如入口温度）和函数值场（如空间热流密度分布），并将其编码为潜在表示（latent representations）。
乘法分支融合： 该网络采用乘法而非加法进行潜在表示的融合。这一选择旨在显式保留纳维-斯托克斯方程中固有的双线性耦合结构（例如平流和对流输运项），从而确保耦合场之间的物理相干性。
共享潜在空间的多场解码： 单个主干网络将空间查询坐标映射到解码基底。所有输出通道（如压力、速度分量、温度）共享相同的融合潜在表示，仅在最终的每通道基底投影上有所不同。这强制执行了场间一致性，并允许同时重建多个耦合的物理量。

该框架在基于高保真 CFD 数据（ANSYS Fluent）的三个递进场景下进行了训练：

盖驱动流 (LDC)： 一种具有不可达内部回流区的典型流场，用于测试仅基于边界的推理。
PWR 子通道流： 一个具有横向混合特性的几何受限反应堆子通道，用于测试在不可达、受限几何结构中的推理。
换热器： 一个具有紧密压力-速度-温度相互依赖关系的完全耦合多物理场系统，代表了工业级的复杂度。

关键结果
在数据中心加速器（NVIDIA H200, A40, GH200）上进行的评估显示：

精度： 在所有三个场景中，相对 $\ell_2$ 误差均 <5%（例如，换热器中压力的误差为 0.80%，子通道中速度的误差为 2.2%）。这比基准神经算子（GeoFNO, NOMAD, KCN）和经典回归方法提高了近一个数量级。
延迟： 推理时间达到亚毫秒级（例如，在 H200 上，单次换热器推理时间为 0.35 ms），能够实现实时监测环路。
鲁棒性： 模型在 50% 传感器噪声下仍能保持稳定性。当确定性基准模型性能显著下降（例如误差增加约 30–50%）时，利用蒙特卡洛 (MC) Dropout 集成的 MIMONet 能将误差增幅控制在 3% 以下。
不确定性量化： 通过结合 MC Dropout 与符合性预测（conformal prediction），该框架提供了经过校准的不确定性估计。后验校准确保了 95% 的预测区间能够达到标称覆盖率，为不可达区域提供了统计学有效的置信界限。
泛化性： 该算子支持“网格无关”评估，允许在任意坐标进行查询而无需重新训练或重新划分网格，即使是在物理上与传感器位置不连续的区域。

意义与主张
论文声称，MIMONet 为安全关键型能源系统中（在这些系统中直接仪表化失效时）实现连续、实时监测的基于模拟的可行性奠定了基础。其主要贡献在于：

范式转变： 将虚拟传感从逐点标量估计转向使用算子学习实现的相干全场重建。
架构特异性： 证明了特定的架构选择（乘法融合、共享潜在解码）对于处理核热流体系统的耦合、多物理特性是必要的，而单场算子无法胜任。
运行可行性： 证明了神经算子可以实现“一次训练，持续部署”的特性，这对于实时安全裕度至关重要，其速度比高保真 CFD 快五个到六个数量级。

作者将这项工作定位为将神经算子系统应用于此前在单场形式下尚未被解决的领域的尝试。他们明确指出，虽然该方法已通过高保真模拟进行了验证，但在实际反应堆中进行自主部署之前，仍需要实验验证和跨求解器的验证。该工作并不声称要取代物理传感器，而是旨在恢复那些物理上无法安装传感器的区域的可观测性。