基于事后可解释性的面向数据核反应堆事故诊断系统参数选择
系统与控制
2022-08-30 v2 人工智能
机器学习
系统与控制
摘要
在将面向数据的诊断系统应用于区分核电厂初始事件类型并评估其严重度时，决定哪些参数用作系统输入至关重要。然而，尽管若干诊断系统已在诊断精度与速度上取得可接受性能，研究者却鲜少讨论监测点选取及其布置方法。为此，冗余测量数据被用于训练诊断模型，导致分类不确定性高、额外训练耗时以及训练时更高的过拟合概率。本研究利用深度学习中事后可解释性理论，提出一种核电厂热工水力参数选取方法。首先，引入一种新颖的时序残差卷积神经网络（TRES-CNN）诊断模型，利用 HPR1000 上经验手动选取的 38 个参数识别 LOCA 破口位置与水力直径。随后，应用事后可解释性方法评估诊断模型输出的归因，确定哪 15 个参数对诊断 LOCA 细节更具决定性。结果表明，基于 TRES-CNN 的诊断模型通过选取的 HPR1000 的 15 个参数成功预测 LOCA 破口位置与尺寸，训练耗时相较使用全部 38 个参数的过程减少 25%。此外，相较经验选取参数的模型，相对诊断精度误差在 1.5% 以内，可视为同等诊断可靠性。
引用
@article{arxiv.2208.01805,
title = {Post-hoc Interpretability based Parameter Selection for Data Oriented Nuclear Reactor Accident Diagnosis System},
author = {Chengyuan Li and Meifu Li and Zhifang Qiu},
journal= {arXiv preprint arXiv:2208.01805},
year = {2022}
}
备注
ICONE 29