韩国研发AI模型用于核设施震后检查排序

韩国标准科学研究院 (KRISS) 与蔚山科学技术院 (UNIST) 联合研究团队开发出一种深度学习模型，可在地震发生后辅助核设施快速判断重点检查区域。该模型仅利用单台地震仪采集的地震波信号，实时预测核电站内部多个位置的振动响应，并对潜在风险进行量化排序。

研究由韩国标准科学研究院高级研究员李在范 (Jae-Beom Lee) 和蔚山科学技术院教授李英柱 (Young-Ju Lee) 团队共同完成。研究人员表示，该技术可在不为每个关键位置安装传感器的情况下，推断核设施内139个未布设传感器位置的振动情况，从而帮助运行方更快缩小震后排查范围。

地震后，即便设施未出现明显损伤，安全确认和详细检查仍可能导致较长停运时间。资料显示，2016年韩国庆州发生5.8级地震后，月城核电站1至4号机组经过约80天的性能确认和详细检查后恢复运行。今年7月日本熊本发生强震后，台积电熊本1号工厂也曾暂停运行，并在设备检查和调整后逐步恢复正常。

该研究的核心在于“虚拟传感”技术。模型通过分析单台地震仪记录的地震波，实时推断设施内部不同位置的振动响应;即便面对未参与训练的实际地震记录，也表现出较好的预测能力。研究团队还将结构特性带来的不确定性纳入计算，将各位置振动响应超过预设风险标准的概率量化为0%至100%。

这一方法并非简单给出“安全”或“危险”的二元判断，而是按风险概率高低对检查点位进行排序。对核电站等大型复杂设施而言，这有助于专家在震后优先核查高风险区域，提高安全验证效率。

研究团队还提出了一种根据结构固有频率推导最优人工智能结构的设计公式，减少了反复设计、比较模型所需的试错过程。按该方法设计的AI模型，在准确性上可与部分最新深度学习模型相当，但参数量远低于后者，计算负担也明显降低，更适合在计算资源受限的现场环境中应用。

由于该AI模型可根据不同结构的振动特性进行灵活设计，研究团队认为，相关技术未来还可扩展至半导体工厂、数据中心等大型工业设施的震后安全评估。

李在范表示，在安全人工智能领域，准确预测和认识模型判断边界同样重要。后续研究将继续提升模型可靠性，使其能够在存在不确定性的场景下辅助人员作出判断。

相关成果已形成三篇论文，其中包括发表于国际期刊《可靠性工程与系统安全》(Reliability Engineering & System Safety) 的论文。研究得到韩国国家研究基金会个人基础研究项目和韩国标准科学研究院基础研究项目支持。