Abstract
高度な原子炉のリアルタイムな監督制御には、物理センサが存在しない位置を含む、プラント全体の熱水力状態を正確に予測することが必要です。この要請を満たすには、予測の忠実度、ミリ秒スケールの推論、部分的観測に対する頑健性を兼ね備えたサロゲートモデルが求められます。本研究では、これら3つの要件を同時に満たすための、物理に基づくメッセージパッシング型グラフニューラルネットワークとニューラル常微分方程式（GNN-ODE）を組み合わせた手法を提示します。我々は、流量・熱伝達を意識したメッセージパッシングによって流体的なつながり（油水力的な連結性）をエッジとしてエンコードする、有向センサグラフとしてシステム全体を表現し、制御されたニューラルODEによって潜在ダイナミクスを連続時間で進めます。トポロジーに導かれた欠損ノード初期化器が、ロールアウト開始時に非計測状態を再構成し、その後の予測は完全な自己回帰的（オートレグレッシブ）に進行します。GNN-ODEのサロゲートは、システムダイナミクス予測に対して満足できる結果を達成します。保持した（未使用の）シミュレーションの過渡事象において、非計測ノードに対する平均MAEは60 sで0.91 K、300 sで2.18 Kであり、欠損ノードの状態再構成ではR^2が最大0.995でした。推論は、単一GPU上でシミュレーション時間に対して約105倍高速に実行でき、不確実性定量のための64メンバーのアンサンブル・ロールアウトを可能にします。シミュレーションから実機への移転を評価するために、事前学習したサロゲートを、層ごとの判別的ファインチューニングにより実験施設データへ適応させますが、必要なのは訓練シーケンス30個のみです。学習された流量依存の熱伝達スケーリングは、確立された相関式と整合するレイノルズ数指数を回復し、軌跡への当てはめを超えた構成則（constitutive）の学習を示します。本モデルは急峻なパワー変化の過渡事象を追跡し、非計測位置においても正確な軌跡を生成します。
