近日，火箭军工程大学王涛教授团队在核安全领域取得突破，开发了一种基于并行混合深度学习网络的放射性核素扩散预测模型，显著提升复杂建筑场景中污染物浓度预测精度与效率。相关成果以<em>“Research on predicting the diffusion of radionuclide in complex building scenarios based on a hybrid deep learning model</em>”为题发表于核领域权威期刊《<em>Nuclear Engineering and Design</em>》。该研究为解决核事故应急响应中建筑物-气象-源项多尺度耦合难题提供了创新方案。
研究背景与意义
核电站运行安全及核事故应急处置是能源安全的核心挑战。历史上切尔诺贝利、福岛等核泄漏事故表明，放射性核素在复杂建筑群中的扩散受几何异质性（高度差、街谷比）和时变气象要素（风速脉动、大气稳定度）的多尺度耦合影响，传统模型（高斯模型、拉格朗日粒子模型、CFD模拟）难以兼顾计算精度与效率。尤其在居民区场景中，建筑结构诱导的绕流、二次环流会显著改变污染物传输路径，亟需开发兼顾实时性与准确性的预测工具。
研究方法与创新
团队提出并行混合深度学习架构Dual CNN-LSTM（图1），创新性融合卷积神经网络（CNN）的空间特征提取能力与长短期记忆（LSTM）网络的时间序列建模优势。模型采用双分支并行结构：分别处理源项数据（释放强度、颗粒特性）和气象数据，输出向量经特征拼接后通过全连接层生成预测结果。此外，团队通过滑动窗口技术将原始二维数据转换为三维时间序列（图2），解决了复杂时空关联数据的建模难题。
图1 Dual CNN-LSTM模型
图2 时间序列数据处理流程
实验验证与结果
在万级数据规模的Indianapolis数据集测试中：
精度验证：Dual CNN-LSTM的十次实验平均R²达0.6182（最高0.6351），较次优模型CNN-LSTM提升8.8%，且变异系数<2%，稳定性显著（表1、图3）；
时效性：预测耗时仅1.11秒，较高斯模型（2.13秒）提速近一倍；
物理一致性：模型准确捕捉大气稳定度与污染物浓度的负相关规律——稳定度越高，垂直混合减弱导致近地层浓度峰值越大（图6）；
可视化验证：浓度分布热图与实际扩散形态高度吻合（图4），散点图数据紧密分布在y=x拟合线附近（图5）。
表1 各模型的R²统计结果
图3 实际值与预测值比较：(a)Dual CNN-LSTM,(b)CNN-LSTM,(c)CNN,(d)LSTM
图4 浓度分布热图：(a)实际值(b)预测值
图5 实际值与预测值的散点图
图6 两种工况浓度实际值与预测值的对比图
未来应用与展望
该模型不仅为核事故应急响应提供实时决策支持，还可拓展至化工泄漏、城市大气污染等复杂场景的污染物扩散预测。团队表示，下一步将聚焦三方面工作：
优化模型架构以进一步提升预测精度；
开发适配多类型建筑群的数据增强方法；
推动模型在核电站数字化应急平台中的集成应用。
结语
本研究是深度学习技术在核安全领域的标志性应用，其创新的并行混合架构与高效预测能力，对构建国家核安全屏障具有重要战略意义。
