基于机器学习算法的RPV辐照脆化预测模型开发

徐超亮 李远飞 贾文清 全琪炜 尹建 刘向兵^*

中广核集团苏州热工研究院

详细摘要：反应堆压力容器（RPV）是核安全一级设备，是压水堆核电厂寿期内不可更换的大型部件，直接影响核电站的安全性与经济性。对RPV运行期间的辐照脆化程度进行准确预测是保证核电站长寿期安全运行的重要方法，对保证核反应堆安全运行具有重要意义。尽管现有模型已经根据辐照脆化机制进行了改进，但由于对RPV辐照脆化机制认知有限，辐照脆化影响因素相互关联，采用常规的预测模型建立方法提升模型精度、扩大模型使用范围（运行至60年甚至80年）已经难以获得进一步的发展。已有研究表明，通过机器学习算法可以从相互关联的辐照脆化影响因素中获得辐照性能变化规律。与传统预测模型开发过程相比，机器学习不考虑具体的辐照脆化机制，而是直接从辐照脆化数据入手，通过分析数据内部规律预测辐照性能。因此，本研究采用机器学习方法建立RPV辐照脆化预测模型。

本研究收集了美国部分核电厂辐照监督数据、法国CP0型和CPY型900MW压水堆辐照监督数据、日本压水堆辐照监督数据、国内秦山一期、二期、大亚湾核电机组RPV监督数据及国内实验堆获得的脆化数据，数据科目包括材料种类、化学成分（包括Cu、P、Mn、Ni、Si等）、中子注量、注量率、辐照温度、ΔRTNDT等。在此基础上，采用数据特征工程对以上辐照脆化数据进行数据清洗、重要度排序及特征归一化，通过对辐照损伤敏感的影响因素Cu进行辐照脆化数据分层抽样，建立了基于XGBoost的RPV辐照脆化预测模型。最后对基于XGBoost的RPV辐照脆化预测模型进行了评估与分析。结果表明，基于XGBoost的RPV辐照脆化预测模型标准差低于当前国际上基于物理机制开发的模型，预测值-测试值分布基本处于95%置信区间内，模型预测结果与当前辐照脆化物理机制中Cu含量阈值及Mn-Ni团簇孕育注量的认知规律一致。因此，基于XGBoost建立的RPV辐照脆化预测模型具有较高的准确性。