用自编码器加神经常微分方程代理ASTEC容器物理，把1913维压到6维、单次模拟从约4.7小时降到约19秒
核心概要
该工作把ASTEC严重事故程序中容器（CESAR与ICARE耦合）的物理过程解耦出来，用自编码器做降维、用神经常微分方程在潜空间推进时间，基于SBO与LOCA两类事故各训练一个代理模型，可同时预测约80个标量与场变量，自回归稳定推进1万至5万时间步（约4至40小时），自编码器把1913个自由度压缩到6维（约332倍），全时空预测在CPU与GPU上均不到一分钟，LOCA算例中CPU平均约26.5秒、GPU约18.9秒，相对ASTEC仅ICARE模块的16879.8秒平均时间约快640倍。
Figure 1: Left: the twelve modules of ASTEC linked to the reactor modules they model. Right: the modules of ASTEC communicate with each other through the ASTEC’s dynamic database. δti is the micro time step of each module, while ∆tA is the macro time-step of ASTEC. Image adapted from the ASNR version in [53].
· 第 4 页深度剖析
作者构建了据其所述首个ASTEC容器物理的纯数据驱动（非侵入式）代理模型，做法是把容器从一回路与二回路解耦，并把ASTEC的边界量sB1、sB2作为预测输出，从而为后续与一回路模型耦合留出接口。 此前ASTEC容器物理只能由CESAR与ICARE耦合的机理求解器计算，该工作首次用深度学习代理模型替代这一耦合，并给出可耦合的边界变量预测。 以ASTEC 3.1.2生成的SBO与LOCA轨迹为数据，LOCA用700条训练、100条验证、40条测试，SBO用286条训练、50条验证、27条测试；结果以逐变量的RMSEmean、RMSEmax、RMSEstd在测试集上报告。
自编码器把容器物理的1913个自由度压缩到6个潜变量，压缩约332倍，使全时空预测在CPU与GPU上均不到一分钟。 相对原始高维物理状态，该压缩使时间推进在潜空间进行，从而把原本以天计的ASTEC模拟压缩到秒级。 LOCA算例中ASTEC仅ICARE模块平均16879.8秒、中位13082.4秒，AE-NODE在CPU上平均26.5秒、中位25.8秒，GPU上平均18.9秒、中位18.3秒；作者据此给出CPU约640倍、GPU约890倍的平均加速。
神经常微分方程在潜空间自回归推进可保持稳定，跨不同测试轨迹从1万到5万时间步（约4至20小时）不发散，并能响应来自一回路的边界输入而呈现不同动力学。 相对仅在教师强制下训练的做法，该工作采用教师强制与自回归结合、并用自适应窗口逐步增大时间窗的训练策略，缓解了分布偏移与训练不稳定。 潜空间轨迹对比显示NODE预测与编码器给出的真实潜轨迹吻合，且不同测试轨迹呈现不同动态；作者同时指出AE-NODE误差的主要来源是自编码器而非NODE。
代理模型对约80个变量的预测能力因变量而异：趋势与轨迹间差异能被较好复现，但强非线性、突变与高频振荡处难以逐点准确，部分标量变量RMSEmean与RMSEstd偏大。 该工作首次系统刻画了深度学习代理模型在ASTEC这类强非线性、含间断的严重事故物理上的能力边界，而非只报告总体精度。 测试集逐变量误差显示x alpha、P H2、m gas、Q liq vap、porosity、Q H2O ptv、m H2O ptv、Q steam vtp及裂变产物相关变量误差较大；作者用AE误差作为下界，说明AE-NODE不会优于AE。
启示与展望
该结果面向ASTEC容器域（CESAR与ICARE耦合部分）的代理建模，适用于以操作员动作为唯一变化来源、初始条件固定为满功率运行的SBO与LOCA场景，且模拟止于容器破裂时刻。它使容器代理模型可与一回路模型（由ASTEC或另一代理模型提供）对接，为后续构建实时严重事故仿真器、用于操作员培训打下接口基础；作者也说明该方法论可迁移到其他多模块耦合的多物理仿真。
作者指出目前尚不能把该代理模型视为ASTEC容器物理的可靠替代，因为部分变量预测失败；失败究竟源于建模还是数据不足，需要生成更多训练数据来判断。数据中哪些尖峰与非线性属于数值噪声、哪些属于真实物理，需要与严重事故专家逐变量研究；平滑虽使潜空间更规整，却会引入负质量等伪影。此外，模拟终止时间由真实轨迹结束点决定，模型本身尚未预测容器破裂；与一回路耦合后的反馈效应也未纳入，预测偏差可能被进一步放大。本文为全文阅读，图表数值以正文与附录所述为准。