图神经 ODE 数字孪生用于部分可观测条件下的控制导向反应堆热工水力预测
机器学习
2026-05-19 v2
摘要
先进反应堆的实时监督控制需要准确预测全厂热工水力状态，包括物理传感器不可用的位置。满足这一需求需要结合预测保真度、毫秒级推理速度和部分可观测鲁棒性的代理模型。在本工作中，我们提出了一种物理信息消息传递图神经网络与神经常微分方程（GNN-ODE）相结合的模型，以同时满足上述三个要求。我们将整个系统表示为一个有向传感器图，其边通过考虑流/热传递的消息传递来编码水力连接，并通过受控神经 ODE 在连续时间中推进潜变量动力学。一个拓扑引导的缺失节点初始化器在展开开始时重建未仪表化状态；预测然后完全自回归地进行。GNN-ODE 代理在系统动力学预测上取得了满意的结果。在留出模拟瞬态上，代理在未仪表化节点上 60 秒的平均 MAE 为 0.91 K，300 秒为 2.18 K，对于缺失节点状态重建的 最高达 0.995。推理速度大约比单 GPU 上的模拟时间快 105 倍，支持 64 成员集成展开以进行不确定性量化。为评估模拟到真实的迁移，我们使用仅 30 个训练序列的分层判别式微调将预训练代理适配到实验设施数据。所学习的流依赖热传递缩放恢复了与已有关联一致的雷诺数指数，表明了超越轨迹拟合的本构学习。该模型跟踪陡峭的功率变化瞬态，并在未仪表化位置产生准确的轨迹。
引用
@article{arxiv.2604.07292,
title = {Graph Neural ODE Digital Twins for Control-Oriented Reactor Thermal-Hydraulic Forecasting Under Partial Observability},
author = {Akzhol Almukhametov and Doyeong Lim and Rui Hu and Yang Liu},
journal= {arXiv preprint arXiv:2604.07292},
year = {2026}
}