AI 使用虚拟传感器将核反应堆故障预测速度提高 1400 倍
快速阅读: 据《AZoAI》最新报道，2025年4月14日，伊利诺伊大学研究团队开发出基于深度学习的虚拟传感器，可快速预测核反应堆关键故障，比传统模拟快1400倍。该技术利用AI和高性能计算，提升核能系统监测效率与安全性。
**伊利诺伊大学系统 2025年4月14日**
核反应堆监测迎来重大升级！
由人工智能驱动的虚拟传感器现已能够快速预测关键故障，帮助工程师在问题恶化之前检测到风险。这款开创性的工具提供了传统物理传感器无法实现的实时洞察。
**研究内容：**
《基于深度神经算子的虚拟传感数字孪生框架，用于实时监测核系统》。
图片来源：IndustryAndTravel / Shutterstock
无论是车辆还是家庭，从小规模使用到大规模应用，关于最高效和最具成本效益燃料的争论仍在继续。目前，选项并不短缺。核能提供了一种替代传统能源的选择，但需要严格的系统监控和安全程序。机器学习可以使核能系统的关键元素监测更加容易，并更快地响应问题。
**塞义德·巴哈乌丁·阿拉姆（Syed Bahauddin Alam）**，伊利诺伊大学厄巴纳-香槟分校工程学院格兰杰工程学院核、等离子体与放射工程系（NPRE）助理教授，与其团队通过伊利诺伊计算项目（Illinois Computes）与人工智能和机器学习专家合作，开发出一种新型的实时监测核能系统的方法。这种方法可以比传统的计算流体力学（CFD）模拟快约1400倍地推断预测结果。NCSA的研究助理以及NPRE研究生**卡祖马·小林（Kazuma Kobayashi）**和**法里德·艾哈迈德（Farid Ahmed）**协助了这项开发工作。
阿拉姆的研究发表在《自然》旗下的《npj材料降解》上，他介绍了一种基于深度学习算子代理模型的机器学习驱动虚拟传感器，作为对物理传感器的补充，用于监测关键降解指标。传统的物理传感器面临局限性，尤其是在难以到达或恶劣环境中的关键参数测量，通常导致数据覆盖不完整。此外，传统的基于物理的数值建模方法如CFD仍然太慢，无法在核电站提供实时预测。相反，当经过适当训练的新型深度算子神经网络（DeepONet）在图形处理单元（GPU）上运行时，它可以瞬间且准确地预测整个域的完全多物理场解决方案。
DeepONet作为实时虚拟传感器，解决了物理传感器或经典建模预测的这些局限性，特别是通过预测压水堆热腿的关键热工水力参数。由于组件持续受到极端温度、压力和辐射的影响，对核电站服役部件进行适当的监测和检查对于长期的安全性和效率至关重要。
人工智能并不是取代人类监督，而是创造了新的方式来监测和预测系统元件可能的失效。“我们的研究通过使用先进的机器学习技术来实时监测关键条件，引入了一种保持核系统安全的新方法，”阿拉姆说。“传统上，在核反应堆内部某些参数的测量非常具有挑战性，因为它们通常位于难以到达或极其恶劣的环境中。我们的方法利用由算法驱动的虚拟传感器来预测关键的热流条件，而无需在每个地方都放置物理传感器。
“想象一下拥有一张虚拟地图，显示反应堆是如何运行的，这样我们就可以不断获得反馈，而不必将物理仪器放置在危险的地方。这不仅加快了监测过程，还使其显著更准确和可靠。通过这样做，我们可以提前检测潜在问题，从而提高安全性并增强效率。”
通过校园资助的伊利诺伊计算项目，阿拉姆利用了NCSA的Delta上的分配，在中央处理器（CPU）节点上进行数据生成计算，并在配备NVIDIA A100 GPU的计算节点上执行训练和评估任务。他与NCSA的人工智能驱动科学计算和高性能计算专家合作。
“在这个伊利诺伊计算项目中，我们充分利用了NCSA和格兰杰工程学院的独特高性能计算资源和跨学科专业知识，推动了伊利诺伊州转化和变革性工程研究的发展，”NCSA研究咨询高级技术主任**赛义德·科里克（Seid Koric）**和机械科学与工程系研究教授说。
“这次合作展示了当先进的AI方法、高性能计算资源和领域专业知识汇聚时所产生的协同效应，”NCSA的研究科学家**阿布埃伊达（Abueidda）**说。“与阿拉姆博士团队及NCSA的人工智能和高性能计算专家合作，我们利用美国国家科学基金会资助的Delta的尖端能力，突破了核系统实时监测和预测分析的界限。通过结合我们的专业技能，我们加速了研究，同时提高了关键安全措施的准确性和可靠性。
“我们期待继续这种跨学科方法，为复杂的能源系统提供变革性解决方案。最终，这些突破凸显了计算科学在应对核能紧迫挑战方面的潜力。”
**来源：**
伊利诺伊大学系统
**期刊参考：**
Hossain, R., Ahmed, F., Kobayashi, K., Koric, S., Abueidda, D., & Alam, S. B. (2025). 基于深度神经算子的虚拟传感数字孪生框架，用于实时监测核系统。npj材料降解，9(1)，1-14。DOI：10.1038/s41529-025-00557-y
https://www.nature.com/articles/s41529-025-00557-y
(以上内容均由Ai生成)
