《British Accounting Review》：Probabilistic Safety Margin analysis method for SBLOCA in nuclear power plants based on a Multi-Level Hybrid Efficient Solution Strategy
编辑推荐：
为快速且准确地评估核电厂的概率安全裕度（PSM），本文提出一种基于多层级混合高效求解策略的概率安全裕度分析方法（PSMA-MLHESS），以解决传统PSM分析中的三大瓶颈：事故序列分支爆炸、单一序列所需样本量庞大以及多序列仿真耗时过长。
该策略通过三种途径实
为快速且准确地评估核电厂的概率安全裕度（PSM），本文提出一种基于多层级混合高效求解策略的概率安全裕度分析方法（PSMA-MLHESS），以解决传统PSM分析中的三大瓶颈：事故序列分支爆炸、单一序列所需样本量庞大以及多序列仿真耗时过长。
该策略通过三种途径实现优化。首先，通过一个包含“预分类、极限状态分析和概率截断筛选”的三步流程，将专家知识与混合粒子群优化算法（HPSO）相结合，对事故序列进行精简。其次，采用自适应采样聚焦安全边界来构建单序列数据集，从而在控制数据规模的同时提升效率与精度。第三，以卷积神经网络-长短期记忆网络（CNN-LSTM）混合代理模型替代热工水力程序，并通过迁移学习（TL）加速相似序列的建模。
采用典型双回路压水堆情景进行验证，即100%功率与105%功率下的小破口失水事故。结果表明，PSMA-MLHESS在保持传统方法准确性的同时，实现了分析效率提升一个数量级。该方法可为核电厂功率提升与寿期延长等情景下的PSM评估与决策提供高效工具。
该文发表于《British Accounting Review》的信息与所给正文内容并不一致；根据原文内容，论文主题属于核电安全分析与热工水力事故概率安全裕度评估。以下解读严格依据已提供文本进行浓缩总结，不对未给出的正文细节作推断。
本文围绕核电厂概率安全裕度（PSM）分析中长期存在的计算效率瓶颈展开研究。研究背景在于，在“双碳”目标推动下，核能作为高能量密度、低排放的清洁能源，正处于持续发展的关键阶段。然而，核电安全始终是核能可持续利用的核心前提。对于核电机组寿期延长、功率提升等工程场景，仅依赖传统概率安全分析（PSA）或确定论安全分析（DSA）已难以全面刻画系统风险与安全裕度，因此融合二者优势的风险指引安全裕度表征（RISMC）/概率安全裕度（PSM）分析方法逐渐成为研究热点。尽管PSM方法适用性已得到验证，但在复杂事故工况下仍面临严重的效率问题，主要表现为事故序列分支数量过多、单一事故序列分析样本量需求大，以及热工水力仿真程序计算耗时高，导致其在大规模不确定性分析和实时决策支持中的应用受限。
针对上述问题，研究人员系统梳理了既有研究的不足。已有工作分别从动态事件树（DET）、专家筛选、改进采样方法和代理模型等角度提升RISMC/PSM效率，但普遍存在优化维度单一的问题。部分方法虽可减少事故序列数量，却可能依赖主观经验，难以避免遗漏低概率高后果序列；部分方法通过减少样本量提升计算速度，但在复杂多物理耦合事故中的边界适应能力尚不充分；还有部分深度学习代理模型能够显著加速高保真程序计算，但仅拟合“输入—输出”关系，存在原始模型不确定性传递不足、从而影响安全裕度概率估计准确性的风险。因此，如何在事故序列简化、样本优化和仿真加速三个层面协同提升效率，成为该研究拟解决的核心科学与工程问题。
基于此，研究人员提出了多层级混合高效求解策略下的概率安全裕度分析方法，即PSMA-MLHESS。该方法的创新之处不在于单独优化某一环节，而在于构建一个统一、协同的高效分析流程，从事故序列层、样本层和模型层同时开展优化。其目标是在不显著牺牲分析精度的前提下，大幅提高复杂事故情景下的PSM计算效率，从而增强该方法在核电厂工程评价中的可用性。
从方法构成看，PSMA-MLHESS主要包括三项核心内容。第一，研究人员提出基于混合粒子群优化（HPSO）的事故序列分支简化方法，并融入专家知识。该方法先依据事故序列设计参数和关键安全参数计算结果进行预分类，再借助优化算法开展极限状态分析，识别事故序列类型，最后结合概率截断方法筛选出需要进一步开展最佳估计加不确定性分析（BEPU）的关键序列，以减少分析工作量。第二，研究人员引入自适应采样策略，利用其依据已有采样结果动态引导后续采样方向的特点，将学习样本集中于安全边界或失效区域附近，从而减少冗余样本，在维持精度的同时压缩样本规模，并为后续深度学习代理模型提供更高质量的数据基础。第三，研究人员构建融合深度学习与迁移学习的多序列代理模型。在单序列层面，采用CNN-LSTM混合神经网络构建代理模型，以同时提取局部瞬态特征和长时间序列依赖关系，增强对长历时事故序列的预测能力；在多序列层面，利用迁移学习（TL）降低高度相似事故序列的训练样本需求，进一步提升整体分析效率。
就主要技术方法而言，本文采用了三个关键技术模块：其一，基于专家知识、极限状态判别与概率截断的HPSO事故序列简化方法，用于压缩事故序列分支空间；其二，以支持向量机（SVM）引导的自适应采样思想，将样本重点布置在安全边界附近，以减少单序列分析所需样本量；其三，构建CNN-LSTM深度学习代理模型，并结合迁移学习实现多事故序列间知识迁移，以替代高耗时热工水力程序。案例研究对象为典型双回路压水堆（PWR）小破口失水事故（SBLOCA）场景，并比较100%额定功率与105%功率提升工况下的PSM表现。
在结果部分，原文给出的章节标题主要包括以下内容。
一、PSMA-MLHESS method framework
该部分建立了PSMA-MLHESS的整体方法框架。研究人员指出，该框架针对PSM求解效率的瓶颈问题，从三个关键方面进行系统优化：一是通过合理简化事故序列分支降低系统状态空间复杂度；二是通过先进采样方法减少单事故序列分析所需样本数；三是通过代理模型替代高耗时系统热工水力计算，提高多序列分析效率。该框架的核心价值在于多层级耦合优化，而非单点改进，因此能够在保持分析准确性的同时显著提高PSM分析计算效率。
二、Validation of SBLOCA-based PSMA-MLHESS analysis methods
该部分以小破口失水事故（SBLOCA）为案例，验证所提方法的有效性。研究人员选择典型双回路压水堆作为研究对象，并设置100%满功率与105%功率提升两种工况，以评估小幅功率提升的经济可行性及其对PSM的影响。原文指出，验证结果表明，PSMA-MLHESS在保持传统方法精度的基础上，分析效率实现了一个数量级的提升。这说明该方法能够较好解决传统PSM分析中“算得准但算得慢”的问题，为功率提升和寿期延长等工程评价提供更高效的技术支撑。
三、Conclusions
结论部分指出，本文聚焦于传统PSM分析效率低和仿真耗时长的问题，提出了PSMA-MLHESS方法。该方法通过事故序列分支简化、先进采样和深度学习-迁移学习（DL-TL）融合代理模型等多层级混合优化方案完成加速，并在核电厂100%与105%功率的SBLOCA场景中得到验证。根据原文概述，研究结果表明，该方法能够在保证传统分析方法准确性的同时显著提升分析效率，从而为核电厂概率安全裕度评估提供一条高效、准确的新技术路径。
综合讨论部分，本文的学术意义主要体现为：第一，将事故序列筛选、样本优化和代理建模三个原本相对分散的提效环节纳入统一分析框架，形成了具有系统性的PSM高效求解路线；第二，在事故序列处理方面，HPSO与专家知识结合的三步法有助于降低纯经验筛选的主观性，并尽量避免忽略低概率高后果事故序列；第三，在单序列分析方面，通过将样本集中于安全边界附近，研究人员提高了样本利用效率；第四，在多序列分析方面，CNN-LSTM与迁移学习的结合增强了对相似事故序列的快速建模能力。总体而言，该研究针对核电安全分析中高计算成本这一制约工程应用的关键难题，提出了具有较强工程适用潜力的综合性解决方案。
结论部分可译述为：本文针对传统概率安全裕度分析效率低、仿真耗时长的问题，提出了基于多层级混合高效求解策略的概率安全裕度分析方法（PSMA-MLHESS）。该方法通过事故序列分支简化、先进采样以及深度学习与迁移学习融合代理模型等多层级混合优化方案，在核电厂100%和105%功率下的SBLOCA工况中完成了方法验证。结果表明，该方法在保持传统分析方法准确性的同时，可显著提高分析效率，为核电厂在功率提升和寿期延长等场景下开展高效、准确的PSM评估提供了新的技术路径。
