近日，我院杨军教授团队的研究成果“ExplainableAI for enhanced sensitivity analysis of thermal-hydraulic systems within best estimate plus uncertaintyframework”在国际期刊ReliabilityEngineering & System Safety(JCR Q1, IF 13.7）上发表。该研究将可解释人工智能（ExplainableAI）方法引入最佳估算加不确定性（BestEstimatePlusUncertainty，BEPU）分析框架，为复杂事故条件下关键不确定性来源的识别及其作用机理的解释提供了新的分析思路。
人工智能正在与核能研究深度融合。2026年微软与英伟达宣布“AI for nuclear”合作计划，联合推出覆盖反应堆设计、许可审查和运行维护全生命周期的工具链，目标是破解核电项目在设计建造与审评环节长期存在的进度瓶颈，反应了人工智能在核能领域的应用潜力。
在核安全分析领域，BEPU方法将“最佳估算计算”与“不确定性量化”相结合，既给出贴近真实的最佳估算结果，又能提供统计上可信的安全裕量，正在成为国际核安全审评的主流路线，并正逐步在我国核安全设计和认证分析中推广应用。
随着先进核能系统大量采用非能动安全系统，其事故响应不仅受到热功率、流量、传热等连续物理参数的影响，还与液位触发信号、泄压时序和安全系统动作延迟等控制逻辑密切相关。传统的Pearson相关系数和Spearman秩相关系数能够有效筛选主要影响参数，但对于非线性、区间依赖以及由控制逻辑引起的局部耦合效应，其解释能力仍存在局限。与此同时，机器学习代理模型虽然能够提高复杂安全分析的计算效率，但“模型为什么给出这样的预测”“参数在不同事故状态下究竟如何起作用”仍难以说明——这正是人工智能方法应用于核安全分析需要解决的关键问题。
图1 SHAP增强BEPU敏感性分析总体研究框架
该研究以第三代先进轻水堆——ESBWR的主蒸汽管道双端剪切断裂（MSLB）事故工况为研究对象：首先利用现象识别与排序表（PIRT）并结合专家判断，区分物理参数中的偶然不确定性与由控制逻辑驱动的认知不确定性；再基于系统热工水力程序开展事故瞬态分析，分别考虑25个物理不确定性参数和10个安全系统逻辑参数，以最低堆芯坍塌液位和重力驱动冷却系统（GDCS）动作时间作为关键安全评价指标，并采用Wilks 95/95非参数抽样完成不确定性传播，获得统计上稳健的安全包络。
在敏感性分析环节，研究先以Spearman秩相关系数（SRCC）和Pearson相关系数（PCC）对参数影响进行排序，再构建XGBoost、随机森林（Random Forest）、CatBoost等机器学习代理模型，并进一步融合SHAP（Shapley Additive exPlanations，沙普利加性解释）与Sobol方差分解方法，从全局参数重要性、局部参数贡献及参数交互作用等不同层面解析不确定参数对事故响应的影响，同时通过不同敏感性方法和不同代理模型之间的排序一致性对结果进行交叉验证。其中，SHAP的核心思想来自博弈论中的沙普利值——把一次模型预测的结果“公平地”分摊到各个输入参数上，定量给出每个参数在每次预测中的贡献，使机器学习模型的“黑箱”变得可以追溯。
研究表明，可解释人工智能能够作为传统BEPU方法的有效补充。一方面，SRCC和PCC可以高效完成全局筛选，而SHAP能够进一步揭示相关系数难以反映的区间依赖效应和贡献度变化，两类方法在识别主导影响参数上结论一致；另一方面，对于采用复杂非能动安全系统的先进反应堆，SHAP还揭示了控制逻辑参数中“阈值型”和“时序依赖型”的影响模式，可用于分析安全系统动作阈值、触发延迟、泄压时序等对事故进程和安全裕量的影响，为控制逻辑敏感性评价和安全分析模型优化提供技术支撑。
由此，机器学习从“热工水力响应预测”进一步拓展为可解释、可追溯的核安全分析辅助工具，提升了代理模型辅助BEPU敏感性分析的透明度，为面向可靠性设计的核热工水力安全评估提供了参数优先级排序与模型优化的新途径，为人工智能方法进一步用于核安全分析打下了基础。
华中科技大学为论文第一完成单位，能源与动力工程学院博士研究生胡梦岩为论文第一作者，杨军教授为通讯作者，我校邓程程老师与比利时布鲁塞尔自由大学（Université Libre de Bruxelles）Shizhen Yu参与研究。
论文链接：https://doi.org/10.1016/j.ress.2026.113532。
