实验活动不相交的机器学习临界热通量模型验证:泄漏量化与物理锚定残差迁移

《Energy and AI》:Campaign-disjoint validation of machine-learned critical heat flux models: leakage quantification and physics-anchored residual transfer

【字体: 大 中 小 】 时间:2026年08月28日 来源:Energy and AI 9.7

编辑推荐:

  临界热通量(CHF)是沸腾系统中的安全关键极限,因为过预测会分配实际上不可用的热裕度。对临界热通量的机器学习研究通常验证随机记录分割,尽管公共数据库由来自单个实验活动的密集参数扫描组成。此类分割可能衡量在熟悉设施内的插值,而非对未见实验的迁移。本研究询问所报告

  
临界热通量(CHF)是沸腾系统中的安全关键极限,因为过预测会分配实际上不可用的热裕度。对临界热通量的机器学习研究通常验证随机记录分割,尽管公共数据库由来自单个实验活动的密集参数扫描组成。此类分割可能衡量在熟悉设施内的插值,而非对未见实验的迁移。本研究询问所报告的准确性是否能在实验活动不相交验证下成立,以及将学习器锚定到封闭形式关联式是否能改善迁移。使用标准水和蒸汽热物理性质、直方图梯度提升(HistGBR)和极端梯度提升(XGBoost)回归器,以及学习Bowring关联式乘性对数残差的混合模型,分析了来自均匀加热垂直圆管中60个实验活动组的24,579个测量值。实验活动组被完全排除在拟合之外;随机到分组的退化通过泄漏放大因子(LAF)进行量化;通过因果审计排除了从测量结果导出的预测变量。直接学习器在实验活动不相交验证下,随机分割误差从4.69%恶化到11.91%,增加2.54倍,而不可训练的关联式保持接近1。锚定混合模型实现了3.94%和4.96%的分组误差率,放大因子分别为1.36和1.06。在三十个留出分区中,锚定模型通常比直接对应模型保持更低的放大因子和分组误差,并且对6%的系统性锚点误差不敏感。贡献是为复杂沸腾传热中的机器学习提供了一个可复现的证据框架。
临界热通量(CHF)是沸腾系统中的安全关键极限,其高估会分配物理上不可用的热裕度。现有机器学习CHF模型常采用随机记录分割进行验证,但公共数据库由来自特定实验活动的密集参数扫描构成,这种分割可能只是衡量模型在熟悉设施内的插值能力,而非对未见实验的迁移能力。为此,研究人员提出采用实验活动不相交(campaign-disjoint)验证协议,并探索将物理关联式作为锚定的残差学习能否提升迁移性能。研究人员使用了美国核管理委员会(NRC)和OECD/NEA发布的CHF机器学习基准数据库,筛选出24,579个均匀加热垂直圆管内稳态水流测量值,这些数据按参考ID(RID)划分为60个实验活动组。模型包括直方图梯度提升(HistGBR)和极端梯度提升(XGBoost)直接回归器,以及以Bowring关联式为物理先验、学习乘性对数残差的混合模型。通过将五个完整RID组(共8,083条记录)完全留出作为测试块,研究人员量化了随机分割到分组分割的误差膨胀。结果表明:直接学习器的随机分割误差从4.69%升至分组验证下的11.91%,泄漏放大因子(LAF)达2.54;而锚定残差混合模型的分组误差仅3.94%和4.96%,LAF为1.36和1.06。在三十个独立留出分区中,锚定模型在大多数分区中保持更低的放大因子和分组误差,并对6%的系统性锚点误差不敏感。该研究建立了一个可复现的证据框架,表明物理锚定残差学习能显著改善CHF预测的跨实验活动迁移。相关成果发表于《Energy and AI》。

样本队列来自NRC/OECD-NEA的CHF基准数据库,均匀加热垂直圆管稳态水数据,筛选后共24,579条,按RID分为60个活动组。主要关键技术包括:①以Bowring关联式为固定物理先验,构造残差目标ln(q″meas/q″Bow);②使用HistGBR和XGBoost作为学习器拟合残差;③采用RID完全留出的分组分割,并定义泄漏放大因子LAF=分组MAPE/随机MAPE;④进行因果审计,剔除出口品质等由实测CHF推断的变量;⑤报告记录加权和RID宏平均MAPE,同时提供单侧过预测尾部、描述性k95和Mahalanobis适用性门控。

研究结果部分包含五个主要发现:

(1)容量依赖的泄漏(Capacity-dependent leakage):通过比较随机和分组验证的误差,发现直接学习器对分割方式高度敏感,LAF介于1.85-2.54,而锚定混合模型仅1.06-1.36。数据库聚类分析显示,同一RID内记录解释了46%的ln(Bo)方差,最近邻中52%属于同一RID,证明随机分割会带来信息泄漏。

(2)对未见实验组的迁移(Transfer to unseen experimental groups):在固定五组留出块上,锚定混合模型的RID宏平均MAPE为3.97%和5.06%,而直接HistGBR和XGBoost分别高达22.04%和30.99%。RID 35是最困难的迁移案例,直接XGBoost误差达97.76%,而混合模型仍低于8%。

(3)包络感知的经典基准(Envelope-aware classical benchmarks):经典关联式在适用包络内有效,Bowring在61.8%覆盖范围内包络内MAPE为7.01%,超出后误差剧增;混合模型则在整个数据域均保持低误差,说明物理锚定而非强制外推是有效策略。

(4)单侧安全诊断(One-sided safety diagnostics):混合模型将超过20%的过预测率降至0.36%和0.63%,描述性k95从直接模型的1.323和1.434降至1.078和1.104,表明非保守尾显著缩小。

(5)适用性与工况鲁棒性(Applicability and regime robustness):用Mahalanobis距离衡量查询点与训练支持的距离,混合模型在不同压力、质量流、L/D区间内MAPE波动小,而直接模型在某些区间达38%。若查询不在学习支持内且超出Bowring包络,则返回“不支持域”标志。

在讨论部分,研究人员强调验证单元的选择会逆转模型排名:随机分割下直接HistGBR看似优于Bowring(4.69%对约9%),但分组验证后直接模型误差升至11.91%,而Bowring仍为9%左右。物理锚定之所以有效,是因为Bowring提供了主导尺度,学习器只需估计有界小数偏差。经典模型必须附有包络覆盖报告。误差不对称和适用性是独立维度,单侧尾部和数据支持应明确报告。研究局限包括数据谱系共享、RID 0源映射不完整、固定块由RID 31主导等,这些通过重复分组重采样和RID宏平均得到缓解。该诊断方法可推广到电池寿命、风能预测等按场地/批次分组的数据场景,但需有非可训练参考模型来校准分割难度。

研究结论可翻译为:本研究证明,机器学习临界热通量预测的可信度既取决于回归精度,也取决于验证设计。随机记录分割使直接梯度提升模型表现高度准确;当完整实验活动被留出时,这些模型的误差急剧增加,而不可训练的Bowring关联式在分割敏感性上保持接近单位。在固定留出块上,锚定残差模型将分组误差保持在3.94%和4.96%,并将过预测超过20%的比例降至0.36%和0.63%。在三十个留出活动组合中,每个锚定学习器在26个分区中比其直接对应物具有更低的放大因子,在28和27个分区中具有更低的分组误差。两个锚定学习器在各分区中无法被稳定区分,因此支持的是锚定残差结构有益这一结论,而非某一特定算法更优。分析还界定了该结论的适用范围。残差截断仅影响0.121%的有限训练记录,且作用方向保守;Bowring锚点6%的系统性缩放误差使重拟合混合模型的误差变化小于0.05个百分点,因为乘性缩放在对数残差目标中成为加性偏移。经典关联式仅在其文档化应用包络内有效,机器学习预测需要明确的支持判定。由目标导出的出口变量不得用作普通预测变量,因为能量平衡中它们包含实测CHF。对于复杂能源系统传热中的人工智能,更广泛的方法论启示是:验证时必须分离完整实验组,执行因果特征可采纳性审计,明确报告非保守误差尾部,并拒绝无支持的外推。下一步关键工作是在真正外部设施上进行前瞻性校准和评估,而不是在相同内部数据库上继续优化。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号