🤖 machine learning

Constrained Sensing and Reliable State Estimation with Shallow Recurrent Decoders on a TRIGA Mark II Reactor

本文展示了浅层循环解码器（SHRED）网络在已投入运行的 TRIGA Mark II 核反应堆上的首次应用，证明了其利用合成及实验温度数据实时精确重建全状态场的能力，同时保持了对传感器噪声和模型差异的鲁棒性。

原作者： Stefano Riva, Carolina Introini, Josè Nathan Kutz, Antonio Cammi

发布于 2026-09-07

📖 1 分钟阅读☕ 轻松阅读

原作者： Stefano Riva, Carolina Introini, Josè Nathan Kutz, Antonio Cammi

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

在核反应堆内部，堆芯是一个充满高温和无形力量的地方，水流在此流动，燃料在此燃烧，能量在此释放。为了保持这样一个系统的安全与高效，工程师需要精确掌握内部每一时刻发生的情况。他们需要追踪水的温度、流速以及燃料通道内积聚的压力。然而，反应堆内部是一个恶劣的环境：由于温度过高且具有放射性，大多数仪器无法长期生存。这给科学家们留下了一个难题：他们只有少数几个传感器，且仅布置在特定的位置，却试图推测整台机器的状态。这就像是试图通过仅仅两个小窗口观察天空，来理解整个大陆的天气状况。几十年来，解决这个难题一直需要复杂的数学模型，但这些模型运行缓慢，且当现实世界与理论不完全匹配时，往往难以应对。

一支研究团队现在测试了一种更快解决此问题的新方法，即使用一种被称为“浅层循环解码器”（shallow recurrent decoder）的人工智能技术。这种方法旨在利用来自少数传感器的有限且带有噪声的数据，实时重建反应堆内部完整且详细的图像。研究人员将这一技术应用于位于意大利帕维亚大学的知名研究堆——TRIGA Mark II。他们希望测试这一新工具是否能在传感器被放置在水流几乎不动的“安静”位置时，依然能准确预测反应堆的状态；并测试当计算机模型与真实反应堆的实际测量值不一致时，它是否能够进行自我修正。

团队首先创建了一个详细的反应堆计算机模拟程序，作为系统应有表现的完美参考。随后，他们利用该模拟数据训练了人工智能，但加入了一个特殊的设定：他们要求系统假装只能获取来自两个特定通道的温度读数。其中一个通道位于反应堆堆芯的外缘，那里的水流速度较慢；另一个通道则隐藏在控制棒后方，那是一个流动受到屏蔽且难以观测的位置。这些正是由于物理限制而被迫安置传感器的“糟糕”位置。尽管起始数据如此有限且缺乏动态特征，系统仍学会了预测反应堆其他所有位置的水温、流速和压力。结果非常令人惊叹。系统重建了整个流场，与完美模拟值的平均误差小于百分之四。它成功推断出了在没有任何传感器监测之处的水流行为，证明了它仅凭几个安静的点，就能学习到系统的隐藏动力学特性。

随后，研究人员迈出了下一步，从完美的计算机模拟世界转向了混乱的现实世界。他们使用了在一项真实实验中记录的温度数据，在该实验中，反应堆从冷态启动逐渐升至满功率运行。在这一阶段，他们所训练的计算机模型与现实世界并不完全匹配；例如，模型没有考虑到从水池顶部循环进入的一些冷水，这导致实际传感器的读数比模拟预测的要低。当研究人员将真实的实验数据输入到训练好的系统中时，人工智能察觉到了这种差异。它并没有盲目遵循有缺陷的计算机模型，而是调整了自己的预测，使其更接近实际测量值。它有效地“修正”了模型的背景知识，缩小了预测值与实际温度读数之间的误差。在某些情况下，这种新方法比原始的计算机模拟本身还要准确得多。

这项工作表明，这种新型神经网络不仅是一项理论练习，更是一种能够处理实际工程约束的实用工具。它展示了该系统具有足够的鲁棒性，即使在传感器位置较差的情况下也能正常工作，并且具有足够的灵活性，能够在面对新的现实世界数据时更新其理解。研究人员发现，该系统只需在标准笔记本电脑上运行几分钟即可学习反应堆复杂的物理特性，而这种速度对于传统的重型模拟方法来说是不可能实现的。虽然目前的研究侧重于特定的常规运行场景，但结果表明，这种方法最终可以帮助构建核反应堆的“数字孪生”——即能够实时监测真实电厂的虚拟副本，即使在物理传感器稀疏或环境条件发生变化时，也能确保安全与高效。这项研究证实，通过正确的数据驱动方法，我们可以清晰且自信地洞察核反应堆那看不见的心脏。

技术摘要：基于 TRIGA Mark II 反应堆浅层循环解码器的受限感知与可靠状态估计

问题陈述
从稀疏且多噪声的传感器测量值中重建核反应堆的内部状态是一个关键挑战，这对于监测与控制至关重要。核反应堆是复杂的、多物理场耦合的系统，运行在严苛的环境中，其传感器布置受到物理可达性、经济约束和安全法规的限制。因此，状态估计任务属于病态反问题，其特征在于：(i) 传感器位置有限且并非任意分布；(ii) 存在不可观测场（如速度、压力、湍流），必须通过间接推断；(iii) 数学模型（用于训练）与真实数据之间存在差异，这是由于建模假设或参数不确定性导致的。传统的资料同化（DA）方法（如卡尔曼滤波或变分法）通常需要对高维偏微分方程（PDE）系统进行计算昂贵的优化，这使其无法适用于准实时应用。

方法论：SHRED 架构
本研究应用了浅层循环解码器（SHRED）网络，这是一种旨在将稀疏测量的时序轨迹映射到全系统状态空间的驱动数据架构。该方法依赖于以下组件：

架构： SHRED 结合了长短期记忆（LSTM）网络与浅层解码器网络（SDN）。LSTM 从稀疏的传感器时间序列中捕捉时间动力学特性，而 SDN 则将潜在表示解码为全状态空间。
理论基础： 该方法利用 Takens 嵌入定理，用单个传感器的测量时间轨迹来替代单时刻的密集空间数据。其理论基础在于 PDE 的变量分离，即将时间行为与空间结构解耦。
降维： 为了处理高维状态向量（例如 $10^4$ 到 $10^6$ 个自由度），该方法采用了奇异值分解（SVD）或本征正交分解（POD）。神经网络在压缩的潜在空间（降阶空间）内运行，将传感器测量值映射为降阶系数，而非直接映射到全状态。
集成策略： 为了处理噪声数据并提高鲁棒性，该框架使用不同的传感器配置子集来训练 SHRED 模型集成。最终的预测结果是这些模型的平均值，并附带置信区间。
训练效率： 通过在压缩空间内运行，训练过程计算效率极高（在标准笔记本电脑上仅需数分钟），且仅需极少的超参数调优。

应用与实验设置
本研究重点关注位于帕维亚大学的 TRIGA Mark II 研究反应堆（250 kW）。背景模型是反应堆堆芯的计算流体力学（CFD）模拟，代表一个流体动力学模型，其状态向量包含温度 ( $T$ )、速度 ( $u$ )、压力 ( $p$ )、湍动能 ( $\kappa$ ) 和耗散率 ( $\omega$ )。

数据来源： 研究利用了来自 CFD 模型的合成数据，以及来自 2016 年一次涉及特定堆芯通道内 Pt1000 温度传感器的实验数据。
约束条件： 传感器被限制在“低动力学”通道（例如，外围通道或被控制棒遮挡的通道），以测试该架构对次优布局的鲁棒性。只有温度是直接可观测的，其他场均为不可观测。

核心贡献
本文声称了四个主要贡献：

首次部署应用： 这是首次将 SHRED 应用于已部署的核反应堆（TRIGA Mark II），超越了概念设计或小型实验设施的应用范畴。
混合数据集成： 本工作在 SHRED 框架内集成了混合合成数据与实验数据，测试了模型处理现实差异的能力。
鲁棒性评估： 在物理受限的低动力学传感器位置下的系统性评估表明，该架构对传感器位置具有不可知性（即不受位置影响）。
自我修正评估： 对该架构在模型与数据存在差异时进行自我修正能力的定量评估，特别评估了其利用真实测量值更新背景知识的能力。

结果

合成重建： 使用受限传感器（具有低动力学的通道）的合成数据，SHRED 准确地重建了全状态空间。所有场（包括速度和湍流等不可观测场）的欧几里得范数平均相对误差均低于 4%。集成策略提供了可靠的置信区间。
实验验证与自我修正： 在使用实验数据进行测试时，SHRED 展示了修正背景 CFD 模型的能力。
- 在实验数据偏离 CFD 模型的情景下（例如，由于上池部未建模的循环现象），SHRED 调整了其预测，使其更好地符合实验测量值。
- 定量分析显示，与基准 CFD 相比，均方根误差（RMSE）有所降低。例如，当使用 Hole 9 数据进行训练并在 Hole 3 上进行测试时，平均 RMSE 从 CFD 的 2.155 K 降至 SHRED 的 1.032 K。
- 该架构成功识别了模型与现实之间的差异，并通过重新缩放其输出进行补偿，尽管它并未执行完整的物理资料同化（例如，更新控制方程）。

意义与主张
论文认为，SHRED 为核反应堆监测与控制（特别是构建数字孪生）提供了一种鲁棒、可解释且计算高效的解决方案。其重要性在于：

传感器不可知性： 该方法不需要最优传感器布局，因此适用于具有严格物理约束的系统。
实时潜力： 快速的训练与推理能力使其在与传统受限于高计算成本的 DA 方法相比，具备实现实时状态估计的可行性。
处理不确定性： 集成方法提供了置信区间，这对于安全至上的应用至关重要。
模型更新： 利用真实数据部分修正背景模型差异的能力，为自适应监测系统提供了路径。

作者承认了局限性，指出目前的实现是在重建模式下运行（无法在观测窗口之外进行预测），且其修正能力仅限于量级缩放，而非完整的物理资料同化过程。未来的工作建议将 SHRED 集成到真正的资料同化框架中，并将其应用扩展到参数化及事故瞬态过程。

类似论文