基于表征抽取且可解释的反应堆事故诊断方法研究

为实现准确且可信的反应堆鲁棒事故诊断,本文构建了一种基于表征抽取且具有可解释性的诊断框架:首先提出了降噪遮掩自动编码器(DPAE)深度学习模型,DPAE在不同破口位置和破口大小的模拟数据集上进行自监督学习后,其编码器结构能够从部分缺失数据和噪声数据中自动提取监测参数的低维表征向量,进而将该表征向量用于基于分类和回归算法的下游诊断任务中;随后提出了一种基于后验可解释性算法的参数重要性计算方法,以分析监测参数对诊断结果的贡献。本研究以HPR1000为研究对象,在冷却剂丧失事故(LOCA)工况下验证了所提出的诊断方法。实验结果显示,在信噪比为30 dB的高斯噪声以及遮掩比例为0.3的随机遮掩干扰下,经训练的DPAE模型依然能获得有效的数据表征。此外,在受到信噪比为20 dB、遮掩比例为0.2的干扰下,相较于“端到端”诊断模型,本研究提出的“上下游”诊断模型在破口位置和尺寸诊断方面表现更优,并能识别对诊断结果贡献较大的监测参数。本研究提出的反应堆事故诊断方法有助于打造精确、稳定且可靠的智能反应堆运行维护系统。