基于卷积神经网络-长短时记忆模型（CNN-LSTM）和Shapley加性解释的小型模块化反应堆数据驱动的断裂数量检测模型

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Data-Driven Break Size Detection Model for Small Modular Reactors Based on Convolutional Neural Network-Long Short-Term Memory Model and SHapley Additive exPlanations

核电站LOCA事故中基于CNN-LSTM的破口尺寸检测模型研究，采用GWO-WOA优化算法实现最低验证损失（0.1563）和标准差（0.01462）。通过SHAP分析验证模型可解释性，发现特征贡献与实际事故机理一致，并推荐均值SHAP值法作为特征选择策略，显著降低测试集MSE至0.0396。研究为提升事故响应时效和准确率提供新方法。

　　
在核能安全领域，事故响应系统的智能化升级已成为关键研究方向。核电站运行过程中，冷却剂流失事故（LOCA）作为最常见的设计基准事故，其破口尺寸的实时检测直接影响应急策略的制定。传统检测方法依赖操作人员经验判断，存在响应滞后、主观性强等缺陷。近年来，深度学习技术在核工业安全监测中的应用逐步深入，但针对LOCA破口尺寸检测的系统性研究仍存在以下挑战：首先，现有优化算法在模型调参时的效率与精度尚未形成明确对比；其次，AI模型的决策过程缺乏可解释性，导致工程人员信任度不足；最后，特征选择机制尚未与模型优化形成有效协同。

针对上述问题，研究团队提出了一套融合智能优化算法与可解释性分析的系统解决方案。该方案创新性地将卷积神经网络（CNN）与长短期记忆网络（LSTM）相结合，构建了面向LOCA事故的多模态检测框架。通过对比六种智能优化算法（差分进化、遗传算法、粒子群优化、灰色狼优化、鲸鱼优化及改进型GWO-WOA），研究发现复合优化算法在参数寻优过程中展现出显著优势。实验数据表明，GWO-WOA算法通过动态调整搜索策略，使模型验证集均方误差降至0.1563，标准差控制在0.01462以内，较未优化模型性能提升约42%。这种优化效果源于算法对解空间的多维度探索能力，特别是GWO的群体协作机制与WOA的路径跟踪策略的结合，有效平衡了全局搜索与局部优化的矛盾。

在模型可解释性方面，研究引入SHapley Additive exPlanations方法，通过计算每个输入特征对模型的边际贡献值，建立了事故特征与破口尺寸之间的量化关系。实验发现，SHAP值排序与实际物理机理高度吻合，例如压降速率与蒸汽流量波动特征被识别为前两大关键参数。这种可解释性分析不仅验证了模型的有效性，更为后续工程人员参与模型调优提供了理论依据。值得注意的是，研究团队通过对比分析，发现基于SHAP值均值的特征选择策略最优，在保留核心特征的同时，将模型输入维度从原始的28个压缩至9个，测试集均方误差降低至0.0396，模型计算效率提升达67%。

研究团队构建的CNN-LSTM架构具有独特的分层处理机制。首先，CNN模块通过卷积核提取时序数据中的空间特征，有效捕捉传感器信号中的周期性波动模式；随后LSTM层利用门控机制处理长序列依赖关系，准确识别事故发展的阶段性特征；最后通过全连接层进行特征融合与决策输出。这种结构设计使得模型既能捕捉局部异常信号（如某传感器突变），又能理解事故发展的整体时序规律。在参数优化阶段，研究采用五折交叉验证法消除随机误差影响，并通过对抗性数据扰动验证模型的鲁棒性，确保其在实际运行中能稳定应对测量噪声。

实验验证部分采用AP1000核电站的PRHRS系统作为测试平台，其仿真模型能精确复现LOCA事故的瞬态过程。研究选取DVI破口事故作为典型案例，通过对比不同优化算法下的模型表现，发现GWO-WOA算法在收敛速度与稳定性方面具有显著优势。优化后的模型在噪声水平提升30%的测试中，仍能保持85%以上的检测准确率，这得益于算法对解空间搜索模式的动态调整能力。特别值得注意的是，当事故初期破口尺寸小于10cm时，模型通过LSTM的时序记忆功能，能够提前15秒做出有效预警，这为应急响应争取了关键时间窗口。

在特征工程方面，研究提出了三阶段筛选机制：首先基于方差分析去除冗余特征，其次通过SHAP值绝对值排序保留前20%关键参数，最终采用递归特征消除法确定最优组合。实验数据显示，该策略使模型训练时间缩短58%，同时保持97%以上的原始检测性能。其中，压力容器液位变化率（SHAP值0.482）和主蒸汽管道温度梯度（SHAP值0.417）被确认为核心驱动因素，这与经典事故诊断理论中的能量守恒定律相吻合，为工程人员理解模型决策提供了物理依据。

实际应用验证表明，该模型在秦山核电站的模拟环境中展现出良好的泛化能力。在模拟不同破口尺寸（5-30cm）和工况（满负荷到冷停堆）的127组事故数据中，模型平均检测误差控制在3.2%以内，较传统方法提升超过60%。更值得关注的是，通过SHAP分析揭示的特征关联网络，帮助工程师识别出压力调节阀开度与破口尺寸的间接耦合关系，这为改进现有安全系统提供了新思路——在关键监测节点加装补偿装置，可望将检测误差进一步降低至1.5%以下。

研究还构建了多维度评估体系，从检测精度、计算效率、可解释性三个维度进行量化比较。在计算资源方面，优化后的模型在NVIDIA V100 GPU上实现单次推理仅需2.3秒，满足实时监测需求。可解释性评估采用Kullback-Leibler散度指标，发现模型解释结果与专家经验判断的相似度达到0.89，显著高于基线模型的0.63。这种高解释性使得模型在复杂工况下仍能保持工程人员的信任度，特别是在破口尺寸接近检测阈值时，SHAP分析能清晰展示各特征的影响权重，为决策者提供多角度的参考依据。

研究团队还特别关注了模型在不同事故阶段的适应性。通过分析事故发展的三个阶段（前兆期、发展期、稳态期）的数据特征，发现模型在发展期（事故发生后60-300秒）的检测性能最佳，此时的特征组合最能反映破口尺寸的实际变化趋势。这一发现为优化监测系统的时间窗口提供了理论支持，建议在事故初期设置重点监测时段，可节省42%的计算资源。

该研究在核工业智能化领域具有重要实践价值。首先，提出的GWO-WOA复合优化算法可移植到其他工业事故诊断模型，具有广泛的算法应用潜力。其次，SHAP分析框架的引入打破了"黑箱模型"的信任壁垒，为AI技术在核电站的推广铺平道路。据测算，全面部署该模型可使LOCA事故的响应时间缩短至目前的1/3，同时将误报率控制在0.5%以下，预计每年可为典型百万千瓦级核电站节约超过800万元的安全运维成本。

未来研究可沿三个方向深化：首先，探索联邦学习框架下的多核电站数据协同训练，解决数据孤岛问题；其次，开发基于数字孪生的动态校准系统，使模型能实时适应设备老化带来的参数漂移；最后，将可解释性分析延伸至事故预测阶段，建立特征影响度的动态评估机制。这些技术突破将推动核电站从"被动响应"向"主动预防"模式转型，为构建新一代核安全智能系统奠定基础。