基于人工智能的热限偏差可预测性方法论
机器学习
2026-03-17 v1 人工智能
摘要
核电站运营商面临由于热限离线值与在线值之间的不可预测偏差导致的重大挑战，这一现象被称为热限偏差（thermal limit bias），会导致保守的设计裕度、燃料成本增加以及运营效率下降。本文提出一种基于深度学习的方法，用于预测和纠正沸腾水堆（Boiling Water Reactor, BWR）的热限偏差，具体 focuses on 用于跟踪线性热生成率（Linear Heat Generation Rate, LHGR）限制的最大功率密度比例（Maximum Fraction of Limiting Power Density, MFLPD）指标。该模型采用完全卷积的编码器-解码器架构，并集成特征融合网络，以预测接近在线测量值的校正后 MFLPD 值。该模型在五个独立的燃料循环中进行评估，较离线方法将节点阵列平均误差降低 74%，限制值平均绝对偏差降低 72%，最大偏差降低 52%。这些结果表明，该模型有潜力显著改善燃料循环经济性和运营计划，且该模型的商业版本已在多个运行中的 BWR 部署使用。
引用
@article{arxiv.2603.14648,
title = {A Methodology for Thermal Limit Bias Predictability Through Artificial Intelligence},
author = {Anirudh Tunga and Michael J. Mueterthies and Jonathan Nistor},
journal= {arXiv preprint arXiv:2603.14648},
year = {2026}
}