[论文解读] Digital Twin-Centered Hybrid Data-Driven Multi-Stage Deep Learning Framework for Enhanced Nuclear Reactor Power Prediction

James Daniell, Kazuma Kobayashi+2 more|arXiv (Cornell University)|Nov 23, 2022

Fault Detection and Control Systems被引用 6

一句话总结

本文提出了一种以数字孪生技术为核心的物理信息多阶段深度学习框架，旨在提升反应堆功率预测的性能。该框架采用两阶段DNN架构——第一阶段对功率变化的方向和幅度进行分类，第二阶段通过回归预测精确的稳态功率，实现了96%的分类准确率和92%的绝对预测准确率，显著提升了核电厂数字孪生系统的可靠性与计算效率。

ABSTRACT

The accurate and efficient modeling of nuclear reactor transients is crucial for ensuring safe and optimal reactor operation. Traditional physics-based models, while valuable, can be computationally intensive and may not fully capture the complexities of real-world reactor behavior. This paper introduces a novel hybrid digital twin-focused multi-stage deep learning framework that addresses these limitations, offering a faster and more robust solution for predicting the final steady-state power of reactor transients. By leveraging a combination of feed-forward neural networks with both classification and regression stages, and training on a unique dataset that integrates real-world measurements of reactor power and controls state from the Missouri University of Science and Technology Reactor (MSTR) with noise-enhanced simulated data, our approach achieves remarkable accuracy (96% classification, 2.3% MAPE). The incorporation of simulated data with noise significantly improves the model's generalization capabilities, mitigating the risk of overfitting. Designed as a digital twin supporting system, this framework integrates real-time, synchronized predictions of reactor state transitions, enabling dynamic operational monitoring and optimization. This innovative solution not only enables rapid and precise prediction of reactor behavior but also has the potential to revolutionize nuclear reactor operations, facilitating enhanced safety protocols, optimized performance, and streamlined decision-making processes. By aligning data-driven insights with the principles of digital twins, this work lays the groundwork for adaptable and scalable solutions in nuclear system management.

研究动机与目标

• 开发一种计算高效且可信的机器学习预测算法，用于核反应堆运行中数字孪生（DT）的集成。
• 通过聚焦于反应堆功率输出的可靠、实时预测，弥合数字孪生技术在实际应用中的技术鸿沟。
• 通过分阶段深度学习架构将概率分类转化为连续回归输出，提升预测的可靠性。
• 将物理信息约束整合到数据驱动模型中，以增强模型可信度并减少对纯经验映射的依赖。
• 提供一种可推广的框架，适用于需要高保真度、实时状态预测的类似复杂能源系统。

提出的方法

• 设计两阶段深度学习框架：第一阶段使用前馈DNN对反应堆功率变化的方向（上升/下降）和幅度（低/高）进行分类。
• 第二阶段采用四个独立的回归DNN，以第一阶段的输出作为输入，将最终稳态反应堆功率预测为连续变量。
• 对数据进行归一化处理：对功率值采用对数缩放，对控制棒位置采用最小-最大归一化，以提升模型收敛性和泛化能力。
• 采用基于功率比采样和反应性分布的合成数据生成技术，扩充训练数据，提升模型鲁棒性。
• 通过排序类别数据的欠采样方法，平衡不同功率变化类别下的训练样本，确保各类别在模型学习中得到均衡对待。
• 通过将反应性分布与堆芯燃耗阶段（如core121、core122）对齐，整合基于物理的约束，以保持合成数据和模型输出的物理解释性。

实验结果

研究问题

• RQ1 与单阶段模型相比，多阶段深度学习框架是否能提升反应堆功率预测的准确性和可靠性？
• RQ2 将物理信息数据增强技术整合到模型中，是否能有效提升模型的泛化能力与物理一致性？
• RQ3 在数字孪生背景下，对输入特征（如控制棒位置、功率水平）进行分离处理，在多大程度上能提升分类与回归性能？
• RQ4 在核能系统中常见的低数据场景下，类别平衡与合成数据生成对模型性能有何影响？
• RQ5 混合数据驱动与物理信息方法是否能在保持计算高效的同时，实现高精度预测，适用于实时数字孪生应用？

主要发现

• 第一阶段分类模型在预测反应堆功率变化方向与幅度方面达到了96%的准确率。
• 第二阶段回归模型在估计最终稳态反应堆功率输出方面实现了92%的绝对预测准确率。
• 基于功率比采样与反应性分布的合成数据生成方法，显著提升了训练数据的多样性与模型鲁棒性。
• 通过堆芯燃耗阶段对齐实现的物理信息约束，显著增强了合成数据与模型预测的物理解释性。
• 多阶段架构成功将概率分类输出转化为精确的连续功率预测，提升了结果的可解释性与实际应用价值。
• 该框架在训练完成后展现出优异的计算效率，适用于核电厂数字孪生系统的实时部署。