ICSCREAM 方法：基于筛选与代理模型在计算机实验中识别惩罚性构型——在热工水力中的应用

在核事故分析风险评估框架中，最佳估算计算机代码结合不确定输入变量的概率建模，用于估计安全裕度。此类不确定性量化研究的第一步通常是识别若干输入参数（称为“情景输入”）在其它输入参数不确定性下的临界构型（或就给定安全裕度而言的惩罚性构型）。然而，核工程中大多数计算机代码（如热工水力事故情景模拟相关代码）的巨大 CPU 时间成本，要求开发高效策略。本文聚焦于通过基于代理模型的方法（即拟合于小样本模拟的数学模型）的机器学习算法。为在输入变量极多时实现该目标，提出了一种特定且新颖的称为 ICSCREAM（基于筛选与代理模型的惩罚性构型识别，Identification of penalizing Configurations using SCREening And Metamodel）的方法论。对有影响力输入的筛选基于先进的全局敏感性分析工具（HSIC 重要性度量）。随后顺序构建高斯过程代理模型，并在贝叶斯框架内用于根据情景输入估计超过高水平阈值的的条件概率。该方法论的效率在两组高维（约百个输入）热工水力工业案例中得以展示，案例模拟了压水堆一回路冷却剂丧失事故。两个用例均聚焦于峰值包壳温度（PCT），临界构型由超过 PCT 的 90% 分位数定义。两种情况下，ICSCREAM 方法论仅使用约一千次代码模拟便估计出情景输入的影响及其临界取值区域。