摘要
乏燃料放射性源项的精准、快速计算是核燃料循环后端全链条安全与经济性的核心基础。传统源项计算依赖 ORIGEN、SCALE 等数值程序，需基于详细的堆芯功率历史、核素截面数据库进行逐点燃耗求解，单组件高精度计算耗时可达数小时至数天，难以支撑后处理工艺快速迭代、运输装载方案批量优化、核应急快速响应等场景的效率需求；同时，未知卸料历史的乏燃料燃耗溯源（逆燃耗问题）长期依赖迭代优化求解，计算成本高、收敛稳定性差，制约了核保障核查与核取证技术的工程化应用。
近年来，以人工神经网络、大语言模型为代表的人工智能技术与核工程领域深度融合，形成了 “物理模型预计算生成数据集 —AI 代理模型拟合映射关系 — 大模型自然语言交互调度” 的技术路径，实现了毫秒级的源项快速计算与燃耗逆向溯源，计算效率较传统数值方法提升 3~5 个数量级，典型工况下预测相对误差可控制在 5% 以内，具备支撑工程设计的精度潜力。
第一部分 绪论
1.1 研究背景与现实意义
1.1.1 全球核电发展与乏燃料累积态势
进入 21 世纪第三个十年，全球能源转型进入攻坚期，核能作为稳定基荷清洁能源的战略价值持续凸显。截至 2025 年底，全球在运核电机组达 438 台，总装机容量约 3.9 亿千瓦，年产生乏燃料约 1.05 万吨重金属，全球累计乏燃料存量已超 42 万吨重金属。其中，中国在运核电机组59台，总装机容量约6252万千瓦，年产生乏燃料约 750 吨重金属，累计存量超 8600 吨，预计 2030 年累计存量将突破 1.4 万吨，2035 年将超过 2 万吨。
乏燃料从反应堆卸料后，仍包含 95% 以上的铀、约 1% 的钚以及约 3% 的裂变产物与锕系元素，兼具强放射性、高衰变热与潜在资源价值，其安全管理是核燃料循环后端的核心任务。从卸料到最终处置或后处理，乏燃料需经历反应堆水池短期贮存、厂内 / 集中式中长期贮存、公路 / 铁路 / 水路运输、后处理厂拆解溶解或处置库永久安置等多个环节，每个环节的屏蔽设计、热工设计、临界安全设计、辐射防护方案均高度依赖精准的放射性源项数据。
1.1.2 传统源项计算的效率瓶颈
传统乏燃料源项计算以物理第一性原理为基础，通过求解燃耗微分方程组得到各核素浓度随时间的演化，再结合核素衰变特性计算 γ 源强、中子源强、衰变热与放射性毒性。主流计算程序包括美国橡树岭国家实验室开发的 ORIGEN 系列（ORIGEN2、ORIGEN-S）、SCALE 程序包、法国 CEA 开发的 DARWIN 系统、中国自主研发的 NECP-Bamboo、cosSOURCE 等。
这类高精度数值程序存在三个核心效率局限：
计算耗时久：单燃料组件的高保真燃耗计算需考虑上千种核素的产生、衰变与中子反应，耦合中子输运求解，单工况计算耗时从数分钟到数小时不等；若开展批量方案优化（如 1000 种装载组合的源项遍历），计算周期可达数周，严重制约设计迭代效率。
逆问题求解难：对于卸料历史缺失的乏燃料，需通过测量的核素浓度反推燃耗深度、初始富集度、功率历史等参数（即燃耗溯源 / 逆燃耗问题），传统方法需通过正向程序迭代拟合，收敛速度慢、易陷入局部最优，单样本溯源耗时可达数小时。
使用门槛高：传统程序需专业人员掌握堆芯物理、核化学等专业知识，输入参数复杂，后处理与数据解读成本高，难以被运输调度、现场运维等非专业场景快速使用。
1.1.3 AI 技术赋能的产业价值
人工智能技术，尤其是深度学习代理模型与大语言模型的兴起，为破解上述瓶颈提供了全新路径。通过预计算生成覆盖典型工况的大规模数据集，训练神经网络拟合 “输入参数 — 核素浓度 — 源项结果” 的非线性映射关系，可将单工况计算时间压缩至毫秒级，同时保持工程可接受的精度水平；结合大语言模型的自然语言交互能力，可实现 “输入卸料历史、冷却时间，一键输出全维度源项结果” 的轻量化使用模式。
该技术的落地应用将产生三重核心价值：
安全价值：更高的计算效率支撑更精细的方案优化与工况遍历，压缩保守裕度的同时不降低安全标准，提升乏燃料全链条的安全水平；
经济价值：通过精准源项优化装载密度、缩短贮存周期、降低屏蔽造价，在运输、贮存、后处理全链条产生显著成本节约；
管理价值：降低源项计算的专业门槛，支撑一线运维、应急响应、核保障核查等场景的快速决策。
1.2 研究范围与核心概念界定
1.2.1 研究对象
本报告聚焦压水堆（PWR）商用乏燃料，兼顾沸水堆（BWR）、重水堆等主流堆型，研究范围涵盖：
燃耗溯源：基于有限核素测量信息或卸料记录，逆向推断乏燃料的燃耗深度、初始富集度、功率历史、堆型来源等属性；
放射性源项计算：涵盖 γ 射线源强、中子源强、衰变热功率、放射性毒性四大核心输出量；
AI 快速计算：包括机器学习代理模型、深度学习网络、大语言模型交互系统三类技术形态。
1.2.2 应用场景
本报告重点覆盖三大工程场景：
乏燃料运输：运输容器装载方案优化、运输辐射安全评估、运输路径调度；
乏燃料贮存：湿法贮存冷却能力校核、干法贮存容器热工与屏蔽设计、贮存设施容量规划；
后处理工艺设计：首端剪切溶解的源项评估、萃取分离的辐射防护设计、高放废液固化的源项核算。
1.2.3 核心概念界定
燃耗深度：单位质量重金属燃料释放的总能量，单位为 GW・d/tU，是衡量燃料辐照程度的核心指标；
冷却时间：乏燃料从反应堆卸料后经过的衰变时间，是源项衰减的核心影响变量；
源项：乏燃料中放射性核素的数量、活度及其辐射输出的统称，本报告特指 γ 源强、中子源强、衰变热、放射性毒性四类可量化指标；
逆燃耗问题：由最终核素组成反推辐照历史的反演问题，是燃耗溯源的数学本质；
代理模型（Surrogate Model）：用低复杂度的数学模型拟合高精度物理模型的输入输出关系，以牺牲极小精度为代价换取计算效率的大幅提升。
1.3 国内外研究现状概述
1.3.1 国外研究进展
国际上，美国、法国、芬兰等核电发达国家自 2018 年起率先开展 AI 在乏燃料源项计算领域的应用研究。美国橡树岭国家实验室（ORNL）开发了基于随机森林与神经网络的燃料性能预测模型，可快速评估裂变产物对燃料物性的影响；芬兰 VTT 技术研究中心提出了基于神经网络的乏燃料衰变热与核素浓度快速预测方法，计算速度较 CASMO5 提升 10 倍以上，相对误差小于 3%；约旦科技大学提出了 “一次性逆向神经网络” 架构，直接建立核素库存到燃耗初始条件的映射，消除了传统逆问题的迭代优化步骤，精度与效率均显著优于基准方法。
国际原子能机构（IAEA）与经合组织核能署（OECD/NEA）均设立了专项工作组，推动 AI/ML 在核工程科学计算中的验证与确认（VVUQ）标准制定，重点解决黑箱模型的可信度、可解释性与不确定性量化问题，为监管审批提供技术依据。
1.3.2 国内研究进展
国内方面，西安交通大学核工程计算物理实验室（NECP）基于自主 Bamboo 程序开发了燃耗计算模块，形成了覆盖压水堆全工况的核素成分与源项计算能力，为 AI 模型训练提供了高质量数据集基础；上海交通大学提出了 GPR-SVR 协同训练的衰变热预测方法，通过生成虚拟样本解决小样本问题，预测均方根误差较传统程序降低 25.7%；哈尔滨工业大学对比了岭回归、BP 神经网络、卷积神经网络在燃耗预测中的表现，验证了深度学习方法在核素含量反演中的有效性；中国原子能科学研究院开展了大语言模型在乏燃料后处理萃取过程中的应用评估，验证了 LLM 作为 “智能研究助理” 的工程价值。
总体来看，国内外研究已完成原理验证与实验室原型开发，正处于工程化落地与监管适配的关键阶段，在系统架构标准化、不确定性量化、监管认可等方面仍有大量工作待推进。
第二部分 历史背景与技术演进
2.1 乏燃料源项计算技术的发展历程
乏燃料源项计算技术的演进始终围绕 “精度提升” 与 “效率提升” 两条主线，与核工业的发展阶段深度耦合，大致可划分为四个历史阶段。
2.1.1 经验公式与简化模型阶段（1940s—1960 年代末）
核能发展早期，乏燃料管理需求简单，源项计算主要服务于核武器生产堆的燃料后处理与废物处置，计算方法以简化的经验公式与解析模型为主。这一阶段的核心特点是：
核素种类考虑少，仅关注铀、钚等主要锕系元素与少数关键裂变产物（如 ¹³⁷Cs、⁹⁰Sr）；
采用简化的解析方法求解 Bateman 衰变方程，忽略中子能谱变化、燃料温度等复杂因素；
计算工具以手摇计算器与早期电子计算机为主，计算能力极其有限。
1940 年代，曼哈顿计划期间，美国科学家首次建立了辐照燃料中钚产额的估算公式，基于裂变产额与中子通量的简化假设计算钚的生成量，这是人类最早的燃耗与源项计算实践。1950 年代，随着民用核电起步，源项计算开始覆盖更多裂变产物，逐步形成了 “裂变产额 × 燃耗深度” 的简化估算方法，可粗略计算乏燃料的总活度与衰变热，但误差普遍在 20% 以上，仅能用于保守设计。
这一阶段的技术局限决定了乏燃料管理必须采用极大的保守裕度，造成了显著的资源浪费，也为后续数值计算程序的兴起埋下了需求伏笔。
2.1.2 数值程序标准化与商业化阶段（1970s—1990 年代末）
随着计算机技术的快速发展与核电规模化扩张，专门的燃耗与源项计算程序逐步诞生并走向标准化，成为核工业的通用工具。
1973 年，美国橡树岭国家实验室（ORNL）发布了第一代 ORIGEN 程序，采用矩阵指数法求解燃耗方程，内置了丰富的核素数据库与衰变数据，可同时计算上百种核素的浓度演化，是全球首个广泛应用的通用源项计算程序。1980 年 ORIGEN2 发布，扩展了核素库与应用场景，增加了衰变热、光子谱、中子源强等输出功能，成为全球核电行业的事实标准。1990 年代，ORIGEN-S 模块被整合进 SCALE 程序系统，实现了与临界安全计算、辐射屏蔽计算的联动，支撑了乏燃料贮存、运输的一体化分析。
同一时期，法国 CEA 开发了 DARWIN/PEPIN 程序系统，英国开发了 FISPIN 程序，中国也在 1980-1990 年代启动了自主燃耗程序的研发工作。各国程序均基于相同的物理原理，但在核素库、数值解法、适用堆型上各有侧重。
这一阶段的核心进步在于：
核素覆盖从几十种扩展到上千种，可完整计算裂变产物、锕系元素、活化产物的演化；
数值方法成熟稳定，矩阵指数法、泰勒展开法等成为标准解法，计算精度显著提升；
程序标准化、商业化，形成了完善的验证与确认（V&V）体系，获得监管机构认可，成为工程设计的法定工具。
但这一阶段的程序均为正向计算工具，只能基于已知辐照历史计算源项，无法直接求解逆燃耗问题；同时计算耗时仍较长，难以支撑大规模参数扫描与优化设计。
2.1.3 高保真多物理耦合阶段（2000s—2010 年代末）
进入 21 世纪，核电向更高燃耗、更安全的方向发展，第三代核电的燃料组件燃耗深度从 33GW・d/tU 提升至 55~60GW・d/tU，对源项计算的精度提出了更高要求。传统点燃耗程序的均匀化假设难以满足高燃耗下的精度需求，源项计算逐步向高保真、多物理耦合方向发展。
这一阶段的技术特征包括：
输运 - 燃耗耦合：将中子输运程序（如 CASMO、MCNP）与燃耗程序耦合，逐步更新中子能谱与截面，消除均匀化近似带来的误差；
空间精细化：从组件平均燃耗发展到棒级、芯块级的空间分辨率计算，考虑燃耗的空间分布差异；
多物理耦合：耦合热工水力、燃料性能分析，考虑燃料温度、芯块肿胀等因素对核素生成的影响。
与此同时，燃耗信用（Burnup Credit）技术的推广进一步推动了源项计算精度的提升。通过精准计算乏燃料中易裂变核素的消耗，可降低临界安全的保守裕度，显著提升贮存与运输容器的装载密度。美国、法国等国相继将燃耗信用纳入监管标准，倒逼源项计算精度持续提升。
在逆问题方面，这一阶段发展了基于迭代优化的燃耗溯源方法，通过正向程序反复计算并与测量值比对，逐步修正输入参数，最终得到拟合的辐照历史。但这类方法计算量大，仅用于核取证、PIE 实验分析等小众场景，未实现工程化普及。
2.1.4 人工智能赋能的快速计算阶段（2020 年代至今）
2020 年以来，深度学习技术在各领域的爆发式突破为核工程计算带来了新范式。研究人员发现，燃耗计算本质是高维非线性映射问题，非常适合用神经网络进行拟合。通过高精度物理程序预计算生成大规模样本数据集，训练神经网络代理模型，可在毫秒级完成单工况计算，效率提升可达数万倍。
2021-2023 年，大量原理验证性研究集中涌现，验证了 ANN、CNN、随机森林、高斯过程回归等多种机器学习模型在衰变热预测、核素浓度反演、燃耗溯源等场景的可行性，典型误差可控制在 5% 以内，满足工程设计需求。2024 年之后，研究重点从原理验证转向系统集成与工程落地，开始出现面向具体场景的 AI 源项计算软件工具。
大语言模型（LLM）的兴起进一步拓展了技术边界。通过将 AI 数值计算模块封装为工具，由大语言模型负责自然语言交互、参数解析、结果解读与报告生成，形成了 “自然语言输入 —LLM 调度计算引擎 — 结构化结果输出” 的一站式解决方案，大幅降低了使用门槛，使源项计算能力向非专业用户下沉成为可能。
2.2 燃耗溯源技术的发展与核取证需求演变
燃耗溯源技术的发展与核不扩散、核保障的需求紧密相关，其技术演进可分为三个阶段。
2.2.1 实验室分析阶段（1970s—1990s）
早期燃耗溯源完全依赖破坏性分析（DA），通过化学分离与质谱测量得到精确的核素组成，再结合燃耗监测体（Burnup Monitor）反推燃耗深度。最经典的燃耗监测体是 ¹⁴⁸Nd，其裂变产额稳定、半衰期长、不参与中子反应，被国际公认为燃耗测量的金标准。
这种方法精度高，但必须对燃料进行破坏性取样，仅适用于辐照后检验（PIE）实验，无法用于大规模核查与现场快速检测，应用场景极其有限。
2.2.2 无损检测与统计溯源阶段（2000s—2010s）
随着核保障需求的提升，无损检测（NDA）技术快速发展，γ 能谱、中子测量等方法可在不破坏燃料的前提下得到部分核素的相对浓度。基于这些测量信息，研究人员发展了多元统计方法、同位素比值法等溯源技术，可初步判断乏燃料的燃耗范围、初始富集度，甚至区分不同堆型。
OECD/NEA 发布的 SFCOMPO-2.0 乏燃料实验数据库为溯源研究提供了基础数据支撑，该数据库包含全球数百组燃料组件的 PIE 测量数据，覆盖 PWR、BWR、VVER、AGR 等多种堆型，是燃耗溯源模型训练与验证的核心基准数据集。
这一阶段的溯源方法仍以线性拟合、主成分分析等传统统计方法为主，对复杂工况的适配性有限，溯源误差较大，仅能作为核保障的辅助手段。
2.2.3 AI 智能溯源阶段（2020 年代至今）
人工智能技术为燃耗溯源带来了质的飞跃。深度学习强大的非线性拟合能力可有效捕捉核素组成与辐照历史之间的复杂映射关系，显著提升溯源精度与适用范围。
一方面，正向代理模型结合优化算法的传统逆问题求解路径被大幅加速，AI 代理模型将单次正向计算从分钟级压缩到毫秒级，使迭代优化的总耗时从数小时缩短至数秒；另一方面，直接逆向建模的 “一次性” 方法被提出，神经网络直接学习 “核素浓度→燃耗历史” 的逆向映射，完全消除迭代步骤，进一步将溯源时间压缩至毫秒级，同时精度更优。
AI 燃耗溯源技术的成熟，为大规模核保障核查、未知乏燃料快速鉴定、核走私取证等场景提供了强有力的技术工具，也成为核不扩散领域各国技术竞争的新焦点。
2.3 国际标准与规范的演进
乏燃料源项计算的标准化是保障工程设计一致性与监管有效性的基础，国际原子能机构（IAEA）、ISO、美国核学会（ANS）等机构发布了一系列标准与规范。
2.3.1 IAEA 相关标准
IAEA 在源项计算与乏燃料管理领域发布了多份技术报告与安全标准：
Safety Standards Series No. SSG-15《乏燃料贮存安全》：明确了乏燃料贮存设计中源项计算的基本要求，规定了需考虑的核素种类与保守裕度原则；
TECDOC-1535《核燃料循环模拟系统》：介绍了 NFCSS 工具的燃耗与源项计算方法，用于宏观燃料循环情景分析；
核取证相关技术报告：规范了核材料溯源分析的方法与数据要求，推动了燃耗溯源技术的标准化。
IAEA 的标准以原则性、框架性为主，为各国制定本国标准提供了基础框架。
2.3.2 美国与 ISO 标准
美国核管理委员会（NRC）发布了一系列监管导则，认可 SCALE/ORIGEN 等程序的计算结果作为乏燃料贮存、运输设计的法定依据，明确了燃耗信用的应用规则与源项计算的验证要求。
ISO 发布了 ISO 12807《乏燃料运输包装的安全分析》，规定了运输容器安全分析中源项的选取原则与核素释放份额取值，是全球乏燃料运输领域的核心标准。
2.3.3 中国相关规范
中国参照国际标准，建立了自己的乏燃料源项计算规范体系：
《压水堆核电厂乏燃料组件源项计算分析》等行业标准明确了 ORIGEN 类程序的应用方法与包络因子选取原则；
国家核安全局发布的《核电厂乏燃料管理基本要求》对源项计算的安全裕度提出了明确要求；
自主程序 NECP-Bamboo、cosSOURCE 等逐步完成验证与资质认可，开始应用于国内核电工程设计。
目前，AI 源项计算的相关标准仍处于空白阶段，各国均在探索建立 AI 核工程应用的验证与确认标准，这是未来 5-10 年行业标准化的核心方向。
2.4 典型国家的技术发展路径对比
不同国家基于自身的燃料循环政策，在源项计算与 AI 应用方面形成了差异化的发展路径。
2.4.1 美国：开放式循环下的贮存优化导向
美国采用开放式燃料循环，乏燃料直接进行地质处置，不进行商用后处理。因此，美国的源项计算技术主要服务于乏燃料的长期贮存与地质处置，核心需求是提升计算精度以优化处置库空间利用率、降低贮存成本。
美国在 AI 源项计算领域起步早，ORNL、INL 等国家实验室深度参与，技术路线偏向高保真代理模型与不确定性量化，重点解决长期贮存与地质处置场景下的长周期源项演化快速计算问题。美国 NRC 对 AI 技术的监管持审慎态度，要求 AI 模型必须经过严格的 VVUQ 验证，且需保留传统数值程序作为校核手段。
2.4.2 法国：闭式循环下的后处理导向
法国是全球闭式燃料循环的代表，拥有成熟的商用后处理产业，乏燃料经后处理回收铀钚，制成 MOX 燃料循环利用。法国的源项计算技术深度服务于后处理工艺设计、高放废物玻璃固化等场景，对源项精度与计算效率均有较高要求。
法国原子能委员会（CEA）在 AI 与燃耗计算结合方面布局深入，重点研发后处理全流程的源项快速评估工具，支撑工艺参数的快速迭代优化。法国电力集团（EDF）积极推动 AI 在燃料管理中的应用，是最早将机器学习用于堆芯燃料管理的电力企业之一。
2.4.3 中国：战略储备与技术自主导向
中国当前以开放式循环为主，同步推进后处理技术研发与设施建设，乏燃料管理处于 “湿法贮存 + 干法贮存 + 后处理研发” 并行的阶段。中国的源项计算技术发展兼具两大目标：一是满足国内核电快速发展的乏燃料管理需求，二是实现核心软件的自主可控，摆脱对国外程序的依赖。
在 AI 应用方面，中国呈现 “高校科研院所 + 企业” 双轮驱动的格局：高校与科研院所侧重基础算法与模型研究，核电运营企业与工程设计院侧重工程落地与场景验证，整体发展速度快，在部分细分方向已达到国际先进水平。国家层面高度重视核工业智能化，《“十四五” 核安全规划》《核能智能化发展行动方案》等政策均明确支持 AI 与核技术的融合发展。
2.4.4 芬兰、瑞典：地质处置导向
芬兰、瑞典等国已确定深地质处置的技术路线，芬兰 ONKALO 处置库已进入建设阶段。这些国家的源项计算需求聚焦于万年尺度的长期源项演化，重点关注锕系元素与长寿命裂变产物的衰变行为。AI 技术主要用于加速长期衰变计算与不确定性分析，优化处置库的工程设计。
第三部分 底层物理与数学逻辑
3.1 乏燃料燃耗的物理基础
3.1.1 燃耗方程的一般形式
乏燃料中核素浓度的时空演化由燃耗方程描述，其本质是考虑中子反应与放射性衰变的物质守恒方程。对于第i种核素，其浓度Ni(t)随时间的变化率可表示为：
dtdNi(t)=∑mγimσfmNm(t)ϕ(t)+∑jσjiNj(t)ϕ(t)+∑kλkNk(t)bki−σaiNi(t)ϕ(t)−λiNi(t)
其中：
第一项为核素m裂变产生核素i的速率，γim为裂变产额，σfm为核素m的裂变截面，ϕ(t)为中子通量密度；
第二项为核素j通过中子俘获反应生成核素i的速率，σji为对应反应截面；
第三项为核素k衰变产生核素i的速率，λk为核素k的衰变常数，bki为衰变分支比；
第四项为核素i因中子吸收而消失的速率，σai为核素i的吸收截面；
第五项为核素i因自身衰变而消失的速率。
将所有核素的浓度写成向量N(t)，燃耗方程可表示为矩阵形式：
dtdN(t)=A(t)N(t)
其中A(t)为转化矩阵，包含了所有核素的衰变常数与中子反应率。由于中子通量、截面等参数随时间变化，A(t)是时变矩阵，这是燃耗方程求解的核心难点。
3.1.2 燃耗计算的数值解法
传统燃耗程序通过时间步长离散化求解上述微分方程，在每个时间步内近似认为转化矩阵A恒定，此时方程的解析解为矩阵指数形式：
N(t+Δt)=exp(A⋅Δt)⋅N(t)
矩阵指数的计算是燃耗程序的核心算法，主要有以下几种实现方式：
泰勒展开法：将矩阵指数展开为泰勒级数逐项计算，实现简单但精度与效率平衡较差；
帕德近似法：用有理多项式近似矩阵指数，计算效率与精度均优于泰勒展开，是 ORIGEN2 等早期程序的主流算法；
切比雪夫有理近似法（CRAM）：基于切比雪夫多项式的有理近似，具有精度高、数值稳定性好的优势，是新一代燃耗程序的标准算法；
蒙特卡罗法：直接模拟每个核素的衰变与反应过程，精度最高但计算量极大，仅用于基准验证与特殊场景。
实际工程计算中，通常将辐照历史划分为多个燃耗步，每步更新中子通量与截面，逐步计算核素浓度的演化，最终得到卸料时的核素组成，再继续计算冷却过程中的衰变演化。
3.1.3 影响核素组成的关键因素
乏燃料最终的核素组成（即源项的基础）由多个因素共同决定：
初始燃料成分：初始铀富集度、钚含量、可燃毒物含量等直接决定了可裂变材料的初始量；
燃耗深度：总辐照能量是影响核素生成量的最核心因素，燃耗越深，裂变产物与锕系元素生成量越多；
中子能谱：热堆与快堆、不同栅元设计的中子能谱差异显著，直接影响各核素的反应截面，进而改变核素生成比例；
功率历史：功率水平的变化、停堆次数与时长会影响核素的产生与衰变平衡，对短寿命核素影响显著；
冷却时间：卸料后衰变过程中，短寿命核素快速衰减，长寿命核素逐渐成为源项的主要贡献者。
这些因素的复杂耦合决定了燃耗问题的高维非线性特性，也为 AI 模型的拟合提供了充足的特征空间。
3.2 放射性源项的构成与计算原理
基于核素浓度计算结果，可进一步推导四类核心源项指标：γ 源强、中子源强、衰变热与放射性毒性。
3.2.1 γ 射线源强计算
γ 射线是乏燃料最主要的外照射来源，其强度由所有发射 γ 射线的放射性核素共同贡献。总 γ 源强（光子发射率）计算公式为：
Sγ=∑iNiλiPγ,i
其中Pγ,i为核素i每次衰变发射 γ 光子的概率（即 γ 产额）。
实际应用中，通常还需要计算 γ 能谱分布，即不同能量区间的光子强度，用于屏蔽设计与剂量计算。γ 能谱是屏蔽设计的核心输入，直接决定了屏蔽体的厚度与材料选型。
冷却时间对 γ 源强的影响极为显著：卸料初期，短寿命裂变产物（如 ¹³¹I、¹⁴⁰Ba-La）贡献了绝大部分 γ 射线，γ 源强极高；冷却 1 年后，¹³⁷Cs、¹³⁴Cs、¹⁰⁶Ru 等中等寿命核素成为主要贡献者；冷却几十年后，γ 源强主要由 ¹³⁷Cs（半衰期 30 年）主导；千年尺度上，长寿命锕系元素与裂变产物成为主要来源。
3.2.2 中子源强计算
乏燃料的中子来源主要有两类：自发裂变中子与 (α,n) 反应中子。
自发裂变中子：锔、钚等重核素会发生自发裂变，释放中子。其中 ²⁴²Cm、²⁴⁴Cm 的自发裂变产额高，是乏燃料中子源的主要贡献者；
(α,n) 反应中子：α 衰变核素（如铀、钚、镅的同位素）发射的 α 粒子与氧、铍等轻核发生反应，产生中子。在氧化物燃料中，(α,n) 反应是中子源的重要组成部分。
总中子源强计算公式为：
Sn=∑iNiλi(fSF,iνSF,i+fα,iYαn,i)
其中fSF,i为自发裂变分支比，νSF,i为每次自发裂变的平均中子数；fα,i为 α 衰变分支比，Yαn,i为单位 α 衰变产生的 (α,n) 中子产额。
与 γ 源强相比，中子源强的数值小得多，但中子穿透能力强、剂量权重高，是屏蔽设计必须考虑的重要因素。中子源强随冷却时间的变化规律与 γ 源强不同：由于主要贡献核素 ²⁴⁴Cm 半衰期为 18.1 年，中子源强在冷却前几十年衰减相对较慢，之后逐渐由更长寿命的锕系核素主导。
3.2.3 衰变热计算
衰变热是乏燃料释放的热功率，由放射性核素衰变释放的能量转化而来，是乏燃料冷却系统、贮存容器热工设计的核心参数。衰变热功率计算公式为：
Pdecay=∑iNiλiEi
其中Ei为核素i每次衰变释放的总能量，包括 α 粒子、β 粒子、γ 射线的能量总和。
衰变热的时间演化具有明确的阶段性特征：
冷却 0~100 秒：短寿命裂变产物主导，衰变热功率约为反应堆额定功率的 6~7%，下降极快；
冷却 1 小时～1 天：衰变热降至额定功率的 1% 左右，由中等寿命裂变产物主导；
冷却 1~10 年：衰变热主要由 ¹³⁷Cs、⁹⁰Sr 等核素贡献，功率约为额定功率的 0.1% 量级；
冷却数十年以上：衰变热逐渐由锕系元素主导，衰减速度变慢，进入长寿命阶段。
衰变热是决定乏燃料何时可以从湿法贮存转入干法贮存、运输容器装载量多少的最关键参数，也是源项计算中精度要求最高的指标之一。NEA 的专项评估显示，衰变热计算的平均不确定度约为 2~5%，但尾部核素的不确定度可能更高，而即使百分之几的精度提升，也能带来显著的经济效益。
3.2.4 放射性毒性计算
放射性毒性用于衡量乏燃料的生物危害潜力，是评估乏燃料长期环境影响、废物处置等级的重要指标。最常用的毒性量化指标是潜在毒性指数，定义为放射性活度与对应核素年摄入量限值（ALI）的比值：
T=∑iALIiAi
其中Ai为核素i的活度，ALIi为国际辐射防护委员会（ICRP）规定的对应核素的年摄入量限值，代表摄入后产生特定剂量的放射性活度。
潜在毒性指数的物理意义是：将该乏燃料稀释到符合饮用水标准所需的水体积，数值越大表示毒性越强。另一种常用指标是毒性指数，以天然铀的放射性毒性为基准进行归一化，便于直观对比不同废物的毒性水平。
放射性毒性的长期演化规律与活度不同：短寿命核素活度高但半衰期短，毒性衰减快；长寿命锕系元素（如 ²³⁷Np、²³⁹Pu）活度不高但半衰期极长、毒性大，是万年尺度上乏燃料毒性的主要来源。闭式燃料循环通过分离嬗变可大幅降低长寿命锕系元素的量，从而显著降低乏燃料的长期毒性，这也是后处理技术的重要环境价值所在。
3.3 燃耗溯源的逆问题数学本质
燃耗溯源是典型的逆问题：已知系统的输出（卸料时的核素浓度），反推系统的输入（初始富集度、燃耗深度、功率历史等）。
3.3.1 逆问题的数学表述
设正向燃耗计算可表示为函数f：
N=f(x)
其中x=[x1,x2,...,xm]T为输入参数向量（初始富集度、燃耗深度、平均硼浓度、燃料温度等），N=[N1,N2,...,Nn]T为输出核素浓度向量。
逆燃耗问题就是已知N，求解x，即求函数f的逆映射：
x=f−1(N)
由于正向函数f是高维非线性映射，且核素数量n远大于输入参数数量m，逆问题是超定的，理论上存在唯一解，但由于测量误差与计算误差的存在，通常采用最小二乘意义下的最优解。
3.3.2 传统求解方法
传统逆燃耗求解采用 “正向计算 + 迭代优化” 的思路，构造目标函数：
J(x)=∑iwi(NimeasNicalc(x)−Nimeas)2
其中Nicalc为正向计算得到的核素浓度，Nimeas为测量值，wi为权重系数。通过优化算法（如梯度下降、遗传算法、模拟退火等）不断调整输入参数x，使目标函数J最小化，最终得到最优的溯源结果。
这类方法的核心缺陷是效率低，每次迭代都需要执行一次完整的正向燃耗计算，整个溯源过程可能需要成百上千次正向计算，耗时从数小时到数天不等。
3.3.3 AI 方法的求解路径
AI 技术为逆燃耗问题提供了两种高效解决方案：
代理模型加速法：用神经网络代理模型替代传统正向程序，将单次正向计算耗时从分钟级压缩到毫秒级，迭代优化的总耗时随之大幅降低，从数小时缩短至秒级；
直接逆向建模法：直接训练神经网络学习逆向映射f−1，输入核素浓度直接输出溯源参数，完全消除迭代过程，单样本溯源仅需毫秒，且精度通常优于迭代法，因为神经网络可在训练中全局优化映射关系，避免迭代陷入局部最优。
直接逆向建模是当前燃耗溯源领域最前沿的技术方向，代表了未来的发展趋势。
3.4 人工智能方法的理论基础
3.4.1 神经网络的通用逼近定理
人工神经网络之所以能够有效拟合燃耗计算的复杂映射，其数学基础是通用逼近定理：具有至少一个隐藏层的前馈神经网络，只要隐藏层神经元数量足够多，就可以以任意精度逼近闭区间上的任意连续函数。
燃耗计算的输入输出映射是连续的高维非线性函数，完全满足通用逼近定理的适用条件，因此理论上神经网络可以达到与物理程序相当的精度。实际应用中，通过合理设计网络结构、准备充足的高质量训练样本，可将预测误差控制在工程允许范围内。
3.4.2 代理模型的误差来源与控制
AI 代理模型的误差主要来源于三个方面：
训练数据误差：训练样本由高精度物理程序计算生成，物理程序本身存在核数据误差、模型假设误差，这些误差会传递给 AI 模型；
插值误差：AI 模型仅在训练样本覆盖的参数空间内有效，超出训练范围的外推预测误差会显著增大；
模型拟合误差：网络结构容量不足或训练不充分导致的拟合偏差。
误差控制的核心手段包括：
确保训练样本覆盖全部工程应用工况，严格限制模型的适用范围，禁止外推使用；
采用高质量的物理程序与核数据库生成训练样本，从源头控制数据误差；
优化网络结构，采用正则化、交叉验证等技术避免过拟合，提升模型泛化能力；
建立完备的验证集，对模型进行全面的精度评估，量化不确定度。
3.4.3 大语言模型的作用机制
大语言模型在 AI 源项计算系统中不直接执行数值计算，而是承担 “智能调度器” 与 “交互接口” 的角色，其核心价值体现在三个方面：
自然语言交互：将用户的自然语言描述（如 “某 M310 组件，燃耗 45GWd/tU，冷却 5 年，计算总源强”）解析为结构化的计算参数，降低使用门槛；
多工具编排：根据用户需求自动调用不同的计算模块（燃耗溯源、衰变热计算、γ 源强计算等），整合多步计算流程；
结果解读与报告生成：将数值计算结果转化为自然语言分析报告，解释结果的工程意义，自动生成符合规范的计算说明书。
通过 “LLM 做交互与推理，专用模型做数值计算” 的分工模式，既保证了计算的精度与效率，又提供了友好的用户体验，是工程化 AI 源项系统的主流架构。
第四部分 AI 快速计算系统的具体实现方式
4.1 系统总体架构设计
面向工程应用的乏燃料燃耗溯源与源项 AI 快速计算系统采用 “四层架构” 设计，从下到上依次为数据层、模型层、服务层与交互层。
4.1.1 数据层：多源数据集构建
数据是 AI 模型的基础，数据层负责构建训练、验证、测试全流程数据集，主要包含三类数据：
物理仿真数据集：采用经过工程验证的高保真燃耗程序（如 SCALE/ORIGEN-S、NECP-Bamboo），通过参数抽样生成覆盖全工况的仿真样本。输入参数抽样范围需覆盖全部工程应用场景，包括：
初始铀富集度：1.5%~5.0%（商用压水堆典型范围）
燃耗深度：10~65 GW・d/tU
冷却时间：0~100 年
辅助参数：平均硼浓度、燃料温度、功率因子等 抽样方法采用拉丁超立方抽样（LHS），以较少的样本量实现参数空间的均匀覆盖，典型数据集规模为 5000~20000 组样本。
实验测量数据集：收集 SFCOMPO-2.0 等公开数据库中的 PIE 实验数据，以及国内核电站的辐照后检验数据，用于模型的最终验证，确保模型在真实燃料上的预测精度。
工程案例数据集：收集实际核电站的卸料历史与源项计算报告，用于模型的工程适配与调优。
所有数据需经过标准化预处理，包括异常值剔除、特征归一化、核素筛选等，为模型训练提供高质量输入。
4.1.2 模型层：多模型融合计算引擎
模型层是系统的核心，由多个专用 AI 模型组成，各司其职：
正向源项计算模型：输入卸料历史参数，输出核素浓度、γ 源强、中子源强、衰变热、放射性毒性等全维度源项结果；
燃耗逆向溯源模型：输入部分核素的测量浓度，输出燃耗深度、初始富集度、堆型等溯源参数；
不确定性量化模型：基于贝叶斯神经网络或蒙特卡洛 dropout，给出预测结果的置信区间；
大语言模型交互引擎：负责自然语言理解、工具调用、结果解读与报告生成。
模型层采用模块化设计，各模型可独立升级迭代，也可组合完成复杂计算任务。
4.1.3 服务层：标准化功能接口
服务层将模型能力封装为标准化的 API 接口，向上支撑交互层的各类应用，核心接口包括：
单工况源项计算接口
批量工况计算接口
燃耗溯源分析接口
参数敏感性分析接口
报告自动生成接口
服务层支持高并发调用，可对接工程设计软件、燃料管理系统、运输调度平台等第三方系统，实现能力复用。
4.1.4 交互层：多形态用户入口
交互层面向不同用户群体提供多种使用形态：
Web 端可视化平台：面向工程设计人员，提供参数输入、结果可视化、报告导出等完整功能；
自然语言对话界面：面向非专业用户，通过聊天方式完成计算需求；
移动端小程序：面向现场运维、应急响应等场景，提供快速查询能力；
SDK 开发包：面向第三方系统集成，提供函数级调用能力。
4.2 燃耗溯源模块的实现
4.2.1 特征核素的选取
燃耗溯源不需要测量所有核素，选取合适的特征核素是保证溯源精度与工程可行性的关键。特征核素的选取遵循以下原则：
裂变产额稳定，受中子能谱、功率历史等因素影响小；
半衰期适中，在典型冷却时间内有可测量的活度；
测量难度低，γ 射线能量特征明显，易于通过无损检测获得；
不同核素随燃耗的变化规律具有差异性，提供独立的信息维度。
压水堆乏燃料溯源常用的特征核素包括：¹³⁷Cs、¹³⁴Cs、¹⁵⁴Eu、¹⁴⁴Ce、¹⁰⁶Ru、²³⁹Pu、²⁴⁰Pu、²⁴¹Am 等。通过这些核素的浓度比值组合，可有效反推燃耗深度、初始富集度甚至功率历史。
4.2.2 一次性逆向神经网络架构
一次性逆向神经网络（Once-through Inverse ANN）是当前燃耗溯源的最优技术方案，其核心思想是直接建立 “特征核素浓度→溯源参数” 的端到端映射，无需迭代优化。
典型网络结构采用全连接前馈神经网络：
输入层：神经元数量等于特征核素数量，通常为 8~16 个，输入为各核素的相对浓度或活度比值；
隐藏层：3~5 层全连接层，每层 64~256 个神经元，采用 ReLU 激活函数，引入批归一化与 Dropout 正则化提升泛化能力；
输出层：神经元数量等于待溯源参数数量，通常为燃耗深度、初始富集度 2 个核心参数，也可扩展功率因子、冷却时间等参数。
损失函数采用加权均方误差（MSE），对燃耗深度、富集度等不同参数设置不同权重，平衡各参数的预测精度。训练采用 Adam 优化器，配合学习率衰减策略，训练周期通常为数小时至数十小时。
对比实验表明，一次性逆向 ANN 的燃耗预测平均相对误差小于 2%，富集度预测平均相对误差小于 1.5%，精度优于传统迭代优化方法，而计算速度提升了 4~5 个数量级，真正实现了 “秒级溯源”。
4.2.3 多堆型适配与来源识别
通过扩展训练数据集的堆型覆盖，溯源模型可进一步实现乏燃料的堆型来源识别，这在核取证与核保障中具有重要价值。
实现方式有两种：
分类 + 回归模式：网络输出层增加堆型分类分支，采用 softmax 激活函数输出各堆型的概率，同时回归输出燃耗、富集度等参数；
特征空间聚类：通过无监督学习对不同堆型的核素特征进行聚类，未知样本通过计算与各聚类中心的距离判断堆型归属。
基于 SFCOMPO 数据库的验证显示，AI 模型对 PWR、BWR、VVER、AGR 等主流堆型的识别准确率可达 95% 以上，具备良好的实用价值。
4.3 源项快速计算模块的实现
4.3.1 衰变热快速预测模型
衰变热是源项中最重要的指标，也是 AI 模型研究最充分的方向。衰变热预测模型通常采用多输入多输出的深度神经网络结构：
输入特征：初始富集度、燃耗深度、冷却时间、平均功率、硼浓度等；
输出：总衰变热功率，以及裂变产物、锕系元素分别贡献的衰变热。
针对冷却时间跨度大（从几小时到上百年）、衰变热数值跨度大（相差数个数量级）的特点，通常对冷却时间与衰变热进行对数变换，将非线性极强的指数衰减过程转化为相对平缓的曲线，显著提升模型的拟合精度。
上海交通大学提出的 GPR-SVR 协同训练方法，通过高斯过程回归与支持向量回归协同生成高质量虚拟样本，再训练极限学习机（ELM）模型，有效解决了小样本场景下的模型泛化问题，衰变热预测均方根误差较传统数值程序降低 25.7%，同时保持了极快的计算速度。
4.3.2 γ/ 中子源强预测模型
γ 源强与中子源强的预测可采用两种技术路线：
间接法：先预测关键核素的浓度，再通过核素的衰变参数计算源强。这种方式物理一致性好，可输出详细核素组成，但需要预测多种核素，模型复杂度高；
直接法：直接训练模型输出总 γ 源强、中子源强以及能谱分布。这种方式模型简单、精度高，但无法输出单种核素的信息。
工程应用中通常采用 “总源强直接预测 + 关键核素补充预测” 的组合方案，既保证总源强的计算精度，又提供必要的核素细节信息。
对于 γ 能谱预测，可采用一维卷积神经网络（1D-CNN），将冷却时间等参数作为条件输入，输出不同能量区间的 γ 强度分布，可直接用于屏蔽计算程序的输入。
4.3.3 放射性毒性快速评估模型
放射性毒性计算的难点在于长周期演化（数千年）与大量核素的贡献叠加。传统方法需对所有核素进行万年尺度的衰变计算，计算量大；AI 模型可直接学习 “输入参数 + 冷却时间→毒性指数” 的映射关系，快速给出任意时间点的毒性结果。
模型可同时输出总毒性指数以及锕系元素、裂变产物分别贡献的毒性，便于分析毒性的主要来源。结合燃耗溯源模型，还可对未知来源乏燃料的长期毒性进行快速评估，支撑废物分类与处置方案决策。
4.4 大语言模型的交互与推理实现
4.4.1 领域微调与提示工程
通用大语言模型缺乏核工程领域知识，直接使用易出现专业错误，需通过领域微调与提示工程双重手段提升可靠性：
领域微调：收集核工程教材、标准规范、源项计算报告、学术论文等专业语料，对基座模型进行监督微调（SFT），提升专业知识的准确性与术语使用的规范性；
提示工程：设计结构化的系统提示词，明确模型的角色定位、计算流程、输出格式，强制模型调用工具进行数值计算，禁止凭空编造数值结果。
中国原子能科学研究院的评估研究显示，经过领域适配的大语言模型在乏燃料后处理过程问题上的回答准确率可提升 40% 以上，但在复杂物理化学耦合问题上仍存在不足，需与专业计算工具结合使用。
4.4.2 工具调用与计算联动
大语言模型通过函数调用（Function Calling）机制调度底层的 AI 计算模型，典型工作流程如下：
用户输入自然语言需求；
LLM 解析用户意图，提取关键参数，判断需要调用的计算工具；
LLM 生成工具调用指令，将参数传递给计算引擎；
计算引擎执行计算，返回结构化结果；
LLM 对结果进行解读与整理，生成自然语言回答与可视化报告。
这种 “LLM + 工具” 的模式有效规避了大模型数值计算能力弱的缺陷，同时保留了自然语言交互的优势，是当前工业领域大模型落地的主流范式。
4.4.3 结果解读与报告自动生成
大语言模型可根据计算结果自动生成符合工程规范的计算报告，包括计算依据、参数输入、结果表格、结论建议等内容，可直接用于工程设计文档归档。报告生成可通过模板化方式实现，将计算结果填入预设的报告模板，同时由 LLM 生成分析性文字，兼顾规范性与灵活性。
4.5 典型工程实现案例
4.5.1 压水堆乏燃料干法贮存装载优化系统
国内某核电运营企业开发了基于 AI 的乏燃料干法贮存装载优化系统，用于提升贮存容器的组件装载量。系统内置了高精度的源项代理模型，可在秒级完成任意组件组合的源项与热工计算，结合智能优化算法，自动搜索满足临界安全、热工安全、辐射屏蔽约束的最大装载方案。
应用效果显示，传统人工设计方案单容器装载 17 组组件，AI 优化后可提升至 21 组，装载密度提升 23.5%，单台机组干法贮存建设成本节约超过 2000 万元，同时设计周期从 2 个月缩短至 1 周，效率提升显著。
4.5.2 后处理厂首端工艺源项快速评估平台
某后处理工程设计院开发了首端工艺源项快速评估平台，基于 AI 源项模型实现了不同燃耗、不同冷却时间乏燃料的剪切溶解工序源项快速计算，支撑工艺设备的屏蔽设计与辐射防护方案优化。
平台上线后，工艺方案迭代计算时间从原来的 3 天缩短至 2 小时，设计迭代效率提升 10 倍以上；同时通过更精细的源项分析，优化了部分设备的屏蔽厚度，单条生产线屏蔽造价降低约 8%。
4.5.3 核保障现场快速溯源终端
某核技术单位开发了便携式核保障快速溯源终端，集成 γ 能谱测量与 AI 溯源模型，可在现场对乏燃料组件进行无损检测，1 分钟内输出燃耗深度、初始富集度的溯源结果，相对误差小于 3%。
该终端可用于核保障现场核查、乏燃料运输交接检验、核材料取证等场景，大幅提升了现场检测效率，改变了传统必须取样送实验室分析的工作模式。
第五部分 全链条经济性量化分析
5.1 经济性分析框架与方法
5.1.1 全生命周期成本分析边界
本报告采用全生命周期成本（LCC）分析框架，覆盖乏燃料从卸料至终态处置的完整链条，评估 AI 源项快速计算技术带来的成本节约。分析边界包括：
运输环节：运输容器购置、运输作业、调度管理成本；
贮存环节：湿法贮存运行、干法贮存设施建设与运维成本；
后处理环节：工艺设备投资、屏蔽工程、运行物料成本；
地质处置环节：处置库建设、长期监护成本。
成本节约的核心来源是源项精度提升带来的保守裕度压缩与计算效率提升带来的设计与管理成本下降两个方面。
5.1.2 源项精度的经济价值量化方法
传统工程设计为覆盖源项计算的不确定性，必须引入保守的包络因子，导致设计偏于保守，造成投资与运行浪费。源项精度提升可直接降低包络因子，压缩不必要的裕度，从而节约成本。
量化公式可表示为：
ΔC=C0×(1−1+k01+k1)
其中C0为传统设计方案的成本，k0为传统方法对应的保守裕度系数，k1为 AI 方法对应的保守裕度系数。
根据 NEA 的研究数据，传统源项计算的整体不确定度约为 5~10%（1σ），工程设计通常取 3σ 保守裕度，即包络因子约 1.3；若 AI 方法配合高精度验证可将不确定度降至 2~3%，则包络因子可降至 1.1 以内，对应约 15% 的成本优化空间。
5.1.3 计算效率的经济价值量化方法
计算效率提升的价值体现在三个方面：
设计周期缩短：减少人工工时，加快项目进度，提前投产产生收益；
方案优化深度提升：算力成本降低使得遍历更多方案成为可能，找到更优解，进一步节约工程成本；
运维决策优化：日常运行中可快速开展工况分析，优化运行策略，降低运维成本。
本报告将结合具体场景逐一量化这些效益。
5.2 运输环节的经济性影响
5.2.1 运输容器装载效率提升的成本节约
乏燃料运输容器的装载量主要受衰变热、临界安全与辐射屏蔽三个因素约束，其中衰变热通常是最主要的限制因素。传统设计采用保守的源项包络值，限制了容器的装载组件数量；精准的源项计算可针对不同燃耗、不同冷却时间的组件差异化计算，优化装载组合，提升单容器装载量。
量化测算：
以国内主流的 17 组组件运输容器为例，传统保守设计下额定装载 17 组 M310 型燃料组件，对应平均燃耗 45GW・d/tU、冷却 5 年的包络源项。采用 AI 精准计算后，可根据实际卸料组件的燃耗与冷却时间动态优化装载方案，平均装载量可提升至 19~20 组，装载效率提升约 12~18%。
单台百万千瓦压水堆每年卸出约 20 组组件，传统方案需运输 1.18 次 / 年，优化后需 1.0 次 / 年，每年减少约 0.18 次运输。单次公路运输成本约 80 万元，单台机组年运输成本节约约 14.4 万元。按 40 年寿期计算，单台机组运输成本节约约 576 万元。
对于拥有多台机组的核电基地，集中运输的规模效应更加显著。大亚湾、秦山等大型核电基地年运输量超 100 组，装载效率提升带来的年成本节约可达数百万元。
5.2.2 运输调度优化的效益
AI 快速计算支持实时源项核算，可结合卸料计划动态优化运输批次与路线，减少空驶与等待时间，提升运输车辆与容器的周转率。
传统模式下，运输计划需提前数周编制，源项核算周期长，调整灵活性差；AI 模式下可实现当日调整运输方案，适配卸料计划的变动，降低调度成本。测算显示，调度优化可降低运输管理成本约 10%，单台机组年节约管理费用约 5~8 万元。
此外，精准的源项计算可优化运输路线的辐射防护方案，减少对沿途人口的辐射影响，降低社会成本与舆情风险，这部分价值虽难以直接货币化，但具有重要的社会效益。
5.3 贮存环节的经济性影响
贮存环节是乏燃料管理中成本占比最高的环节之一，也是源项精度提升经济效益最显著的环节。
5.3.1 湿法贮存周期优化的成本节约
乏燃料在反应堆水池中存放一定时间后，需转运至离堆贮存设施。转运时间主要由衰变热水平决定，源项计算越保守，要求的冷却时间越长，水池占用时间越久。
量化测算：
传统保守设计通常要求冷却 5 年后才可转运至干法贮存；采用精准衰变热计算后，对于低燃耗组件，冷却时间可缩短至 4 年甚至更短，平均湿法贮存周期可缩短约 10~15%。
湿法贮存的运行成本约为 10 千欧元 / 天・座水池（约合人民币 7.8 万元 / 天），单台机组对应水池容量的日运行成本约 2 万元。若平均缩短贮存周期 6 个月（180 天），单台机组可节约湿法贮存运行成本约 360 万元。
同时，水池周转加快可缓解电站乏燃料水池饱和压力，避免因水池容量不足导致的降功率运行风险。国内部分早期机组（如大亚湾、秦山一期）已接近水池容量极限，缩短贮存周期可有效推迟扩建改造的时间，节约数千万级的改造投资。
5.3.2 干法贮存容器密度提升的效益
干法贮存是当前中长期乏燃料贮存的主流方式，其建设成本主要由容器数量与配套设施决定。提升单容器装载量是降低干法贮存成本的最有效途径。
量化测算：
以国内常用的 21 组组件干法贮存容器为例，传统保守设计对应 55GW・d/tU 燃耗、冷却 5 年的包络源项；采用 AI 精准计算与装载优化后，通过合理匹配不同燃耗的组件，平均装载量可提升 20% 左右，达到 25 组 / 容器。
单台百万千瓦机组 40 年寿期共产生约 800 组乏燃料，传统方案需约 38 个容器，优化后需约 32 个容器，减少 6 个容器。单套干法贮存容器（含混凝土模块）造价约 1200 万元，单台机组可节约设备投资约 7200 万元。
此外，容器数量减少还可节约贮存厂房面积、降低运维工作量，进一步节约成本。按全生命周期测算，干法贮存环节的成本节约占乏燃料管理总成本的 60% 以上，是 AI 源项技术最大的效益来源。
5.3.3 地质处置库的长期价值
对于最终采用深地质处置的国家，源项精度的提升可优化处置容器的间距与布置密度，减少处置库的隧道开挖量与建设用地，产生巨大的长期经济效益。
以瑞典 Forsmark 处置库为例，总投资约 500 亿欧元，设计容量 6000 个容器，开挖岩石量约 160 万吨。若源项精度提升使容器间距缩小 10%，总开挖量与隧道长度可减少约 10%，对应节约投资约 50 亿欧元，经济效益极其可观。
中国未来地质处置库的建设规模将达万吨级，源项计算精度的提升将产生数百亿级的长期成本节约，战略价值显著。
5.4 后处理工艺设计的经济性影响
5.4.1 屏蔽设计优化的造价节约
后处理厂存在大量强放射性工艺设备，需设置厚重的混凝土或铅屏蔽墙，屏蔽工程投资占全厂总投资的比例可达 15~20%。屏蔽厚度直接由源项强度决定，保守的源项计算会导致屏蔽过度，增加造价。
量化测算：
传统设计采用包络源项，屏蔽厚度通常留有 15~20% 的裕度；采用精准的 AI 源项计算后，可针对每个设备的实际源项优化屏蔽厚度，平均屏蔽厚度可降低 10% 左右。
一座年处理 800 吨的商用后处理厂，屏蔽工程总造价约 30 亿元，优化后可节约投资约 3 亿元。同时，屏蔽厚度降低还可减少厂房面积、优化设备布局，产生间接经济效益。
5.4.2 工艺参数优化的运行效益
后处理萃取工艺的参数设计需要考虑辐照对萃取剂的降解影响，源项强度直接决定了萃取剂的降解速率与更换周期。精准的源项计算可优化萃取级数、两相流比、接触时间等参数，在保证分离效果的前提下降低萃取剂损耗。
测算显示，源项精度提升可使萃取剂消耗降低约 5~8%，年处理 800 吨的后处理厂年节约萃取剂成本约 2000~3000 万元，全生命周期累计节约可达数亿元。
此外，首端剪切、溶解工序的设备腐蚀速率与源项强度直接相关，精准的源项评估可优化设备材质选型与维护周期，降低长期运维成本。
5.4.3 设计迭代效率提升的时间价值
后处理厂工艺设计复杂，方案迭代周期长。传统模式下，每次源项核算需数天，一轮方案迭代需 1~2 周；采用 AI 快速计算后，源项核算可在分钟级完成，一轮方案迭代可缩短至 1~2 天，设计效率提升 5~10 倍。
设计周期缩短一方面可减少人工工时，降低设计费用；另一方面可加快项目建设进度，提前投产产生收益。一座 800 吨后处理厂总投资约 600 亿元，提前半年投产可产生约 20 亿元的时间价值，效益极其显著。
5.5 AI 系统本身的成本效益分析
5.5.1 研发与部署成本
一套完整的乏燃料 AI 源项计算系统的成本主要包括：
数据集构建成本：高精度物理程序计算、实验数据收集整理，约 200~500 万元；
模型研发成本：算法团队人力、算力资源，约 300~800 万元；
系统开发成本：前后端开发、可视化界面、接口开发，约 200~500 万元；
验证与资质成本：第三方验证、监管认可咨询，约 300~1000 万元。
总体来看，一套面向商用的工程级 AI 源项系统总研发投入约 1000~2800 万元，对于核电企业而言属于中等规模的数字化投资。
5.5.2 运维与迭代成本
系统上线后，年运维成本约为研发投入的 10~15%，主要包括算力资源、人员维护、模型迭代升级等费用。随着新堆型、高燃耗燃料的应用，需定期扩展数据集与更新模型，保证系统的适用性。
5.5.3 投资回报周期测算
以单台百万千瓦压水堆为例，全寿期乏燃料管理环节可节约成本约 8500 万元（运输 576 万 + 湿法贮存 360 万 + 干法贮存 7200 万 + 其他约 400 万）。若一个核电基地拥有 4 台机组，总效益可达 3.4 亿元。
一套系统可同时服务多台机组与多个基地，按服务 10 台机组测算，总效益可达 8.5 亿元，而系统总投入约 3000 万元，投资回报率超过 28 倍，投资回报周期不足 1 年，经济效益极其显著。
5.6 典型场景综合测算案例
5.6.1 百万千瓦压水堆全寿期效益汇总
结论：单台百万千瓦压水堆全寿期（40 年）内，AI 源项快速计算技术可产生约 1.05 亿元的直接经济效益，若考虑地质处置环节的长期效益，总价值将超过 2 亿元。
5.6.2 800 吨级后处理厂效益测算
结论：一座年处理 800 吨的商用后处理厂，AI 源项计算技术可产生约 9.1 亿元的全生命周期经济效益，投资回报显著。
第六部分 主要争议点与各方立场
6.1 技术路线争议：传统数值与 AI 加速的路径之争
6.1.1 传统数值派立场：精度与可靠性优先
以资深核物理工程师、传统程序开发团队为代表的传统数值派，对 AI 源项计算持审慎甚至质疑态度，核心立场包括：
精度可信度存疑：认为 AI 模型是数据驱动的黑箱，其精度仅在训练样本覆盖范围内有保障，而工程场景工况复杂，难以保证所有边缘工况都被样本覆盖，存在不可控的误差风险；
物理一致性缺失：神经网络仅拟合输入输出的数值关系，不遵守物理守恒定律，可能出现违背物理规律的预测结果（如活度随冷却时间上升），而传统数值程序严格基于第一性原理，物理自洽性有根本保障；
验证体系不成熟：传统数值程序经过了数十年的实验验证与工程应用，有完善的 VVUQ 体系，而 AI 模型的验证方法、验收标准尚未形成行业共识，贸然用于工程设计存在安全隐患。
传统派的核心诉求是：AI 只能作为辅助工具用于方案初筛与快速估算，最终设计必须用传统数值程序校核，不能替代传统程序的核心地位。
6.1.2 AI 加速派立场：效率与工程可用性优先
以青年科研人员、数字化团队、工程设计人员为代表的 AI 加速派，认为 AI 技术是破解行业效率瓶颈的必然方向，核心立场包括：
精度满足工程需求：大量研究已证明，在训练覆盖的工况范围内，AI 模型的误差可控制在 5% 以内，优于传统程序的不确定度水平，完全满足工程设计的精度要求；
效率提升价值巨大：传统程序的计算效率已接近物理极限，难以大幅提升，而 AI 带来的数量级效率提升可解锁大量之前因算力限制无法开展的优化工作，产生巨大的工程与经济价值；
可通过技术手段补短板：物理信息神经网络（PINN）、守恒约束损失函数等技术可将物理规律嵌入模型，解决物理一致性问题；通过完善的验证体系与适用范围管控，可有效控制风险。
AI 派的核心诉求是：行业应加快建立 AI 模型的验证标准，认可其在工程设计中的合法地位，推动技术落地应用。
6.1.3 混合路线的共识与分歧
目前行业的主流共识是走 “混合路线”：AI 负责快速计算、方案筛选与批量优化，传统数值程序负责最终校核与法定输出，二者优势互补。但在具体的权责划分上仍存在分歧：
保守观点认为 AI 只能用于前期方案阶段，最终施工图必须全部用传统程序复算；
激进观点认为经过充分验证的 AI 模型可直接用于详细设计，仅关键节点用传统程序抽检。
这一分歧的解决，有赖于监管层面出台明确的技术标准与审批规则。
6.2 安全监管争议：可解释性与监管适配
6.2.1 监管机构立场：可解释性与可追溯性优先
核安全监管机构对 AI 技术的应用持非常审慎的态度，核心关切包括：
可解释性不足：黑箱模型无法给出 “为什么得到这个结果” 的解释，不符合核安全 “可知、可控、可验证” 的基本原则，一旦出现计算偏差，难以定位根因；
可复现性与可审计性：AI 模型的训练过程涉及大量随机因素，相同输入可能因模型版本、参数差异得到不同结果，不利于监管审查与责任认定；
软件资质认可：传统核工程软件有严格的资质认证流程，而 AI 模型的版本迭代快、更新频繁，传统的资质管理模式难以适配。
各国监管机构的普遍立场是：鼓励 AI 技术研发与试点应用，但在建立完善的监管规则之前，不认可 AI 计算结果作为法定设计依据，必须以传统数值程序结果为准。
6.2.2 运营企业立场：效率与成本的现实诉求
核电运营企业与工程设计院作为技术使用方，对 AI 技术持积极拥抱态度，核心诉求包括：
加快监管规则制定，明确 AI 模型的认可路径与标准，让 AI 计算结果具备合规效力；
建立分级认可机制，对非安全相关场景、初步设计场景可先行放开 AI 的应用，逐步扩大适用范围；
支持行业共建共享验证数据集与基准模型，降低企业的研发成本与风险。
企业普遍认为，在严格管控适用范围、保留传统校核手段的前提下，AI 技术的安全风险是可控的，其带来的效率与效益提升远大于潜在风险。
6.2.3 公众立场：安全认知与信任鸿沟
公众对核技术本身就存在较高的安全焦虑，对 “人工智能 + 核电” 的组合更加敏感。公众的主要担忧包括：
AI 会不会出错导致核事故；
用 AI 简化计算是不是为了省钱而降低安全标准；
核设施智能化会不会增加网络安全风险。
公众立场的核心是信任问题，需要通过透明的技术科普、严格的监管背书、充分的公众沟通来逐步建立信任，避免 AI 技术陷入 “技术可行、公众不接受” 的困境。
6.3 核不扩散与溯源应用的争议
6.3.1 核保障机构的立场：强化核查能力
IAEA 等国际核保障机构对 AI 燃耗溯源技术持高度支持态度，认为该技术可显著提升核保障核查的效率与能力：
现场快速溯源可大幅提升核查的覆盖面与频次，改变传统抽样核查的模式；
高精度溯源可发现更细微的核材料转移，提升核保障的威慑力；
自动化分析可减少对专家人力的依赖，缓解 IAEA 核查人员不足的问题。
IAEA 已将 AI 核取证技术列为重点发展方向，推动相关技术的标准化与推广应用。
6.3.2 无核国家的立场：技术垄断与核查公平性
部分无核国家对 AI 溯源技术的发展存在顾虑，核心担忧包括：
技术垄断：AI 溯源技术主要掌握在核电发达国家手中，可能成为核大国施压其他国家的工具，造成核查权力的不对等；
误判风险：AI 模型存在误差，若用于核查判定，可能导致错误结论，引发国际争端；
主权问题：高精度溯源技术可能被用于远程探测与分析，侵犯国家核设施的信息主权。
这些国家主张在 IAEA 框架下统一制定溯源技术标准，推动技术共享，确保核查的公平性与透明度。
6.3.3 民用核工业的立场：商业机密与数据安全
民用核电企业对燃耗溯源技术的应用存在矛盾心态：一方面支持核保障核查的合规开展；另一方面担忧高精度溯源技术可能泄露企业的燃料管理策略、功率运行数据等商业机密。
特别是在开放的燃料循环市场中，燃料组件的燃耗与富集度信息属于企业敏感信息，企业担心通过简单的 γ 能谱测量即可反推出详细的运行数据，造成商业利益损失。因此，企业普遍主张对溯源技术的应用场景与数据使用范围进行严格限定，保护企业合法权益。
6.4 数据与知识产权争议
6.4.1 核数据开放与保密的平衡
AI 模型训练需要大量的燃耗计算数据与实验数据，但核数据具有双重属性：一方面，基础核数据的开放共享有利于行业整体技术进步；另一方面，详细的堆芯运行数据、燃料性能数据涉及核安全与商业机密，不能完全公开。
当前的争议点在于：
基础核数据库（如 ENDF/B、JEFF）应不应该进一步开放更高精度的截面数据；
各国的 PIE 实验数据应不应该纳入国际共享数据库；
核电站的实际运行数据应不应该用于 AI 模型的训练与验证。
普遍的共识是分级分类管理：基础核数据向行业开放，实验数据在脱敏后共享，企业运行数据在签署保密协议的前提下有限使用。但具体的分级标准与共享机制仍在讨论之中。
6.4.2 AI 模型的知识产权归属
AI 源项模型的知识产权归属也是行业争议的焦点：
如果模型基于公开数据库与开源算法训练，模型的知识产权归谁所有；
如果企业委托科研院所开发模型，训练数据由企业提供，知识产权如何划分；
利用开源大模型微调得到的领域模型，是否可以商用与闭源。
这些问题涉及人工智能知识产权的通用法律规则，也与核工业的特殊保密要求交织在一起，目前尚无明确的法律与行业惯例，是产业落地过程中必须厘清的问题。
第七部分 未来发展方向
7.1 技术发展趋势
7.1.1 物理信息神经网络的深度融合
纯数据驱动的 AI 模型存在物理一致性差、外推能力弱的缺陷，而物理信息神经网络（PINN）将物理方程作为正则化项嵌入损失函数，使模型在训练中自动满足物理守恒定律，是下一代 AI 源项计算的核心技术方向。
未来的发展重点包括：
将燃耗微分方程、衰变守恒定律嵌入神经网络，从根本上解决模型的物理自洽问题；
发展小样本学习能力，利用少量高精度数据结合物理约束训练模型，降低对大规模数据集的依赖；
实现数据与物理的双向融合，AI 模型不仅拟合已有数据，还可辅助发现新的物理规律，修正核数据偏差。
PINN 技术的成熟将显著提升 AI 模型的可信度，推动其从 “辅助工具” 向 “核心计算工具” 升级。
7.1.2 多模态大模型与核工程数字孪生
未来的源项计算系统将与核燃料数字孪生深度融合，多模态大语言模型将成为数字孪生的自然语言交互入口与智能决策大脑。
发展方向包括：
源项计算模型与堆芯物理、热工水力、燃料性能等模型联动，构建全链条的燃料数字孪生体；
大模型支持文本、表格、能谱、图像等多模态输入输出，可直接解读 γ 能谱图、设计图纸等非结构化数据；
实现从设计、运行到退役的全生命周期源项动态管理，支撑全链条的智能决策。
数字孪生与大模型的结合将使源项计算从 “单点工具” 升级为 “全流程基础设施”。
7.1.3 量子计算与源项计算的远期结合
量子计算在求解大规模线性代数问题、量子多体问题上具有天然优势，长远来看，量子计算可用于高精度核截面计算、大规模燃耗矩阵求解等场景，从底层提升源项计算的精度与效率。
AI 与量子计算的结合将形成 “量子高精度计算生成数据 —AI 代理模型工程化应用” 的两级计算体系：量子计算机负责生成超高精度的基准数据，训练更精准的 AI 模型；AI 模型负责海量工程场景的快速计算，二者优势互补，推动源项计算技术进入新的时代。
7.2 行业应用拓展方向
7.2.1 先进堆型与新型燃料的适配
当前的 AI 源项模型主要针对传统压水堆铀氧化物燃料，未来随着第四代反应堆、先进燃料的发展，需向更多堆型与燃料类型拓展：
快中子堆：快堆能谱硬，核素演化规律与热堆差异大，需建立针对快堆的专用 AI 源项模型；
高温气冷堆：球床式高温堆的燃料球多次通过堆芯，燃耗分布复杂，需适配独特的燃耗模式；
MOX 燃料、 Accident Tolerant Fuel（ATF）：新型燃料的核素组成与产额特性不同，需扩展数据集与模型能力。
先进堆型适配是 AI 源项技术保持行业适用性的必然要求，也是未来 3-5 年的重点研发方向。
7.2.2 全燃料循环智能管理体系
源项计算是核燃料循环后端的基础共性能力，未来将向上游延伸，融入全燃料循环智能管理体系：
与堆芯燃料管理系统联动，从装料方案设计阶段即预测全寿期的源项演化，优化燃料管理策略；
与后处理、废物处置系统打通，实现从 “反应堆 — 贮存 — 运输 — 后处理 — 处置” 全链条的源项数据贯通；
支撑多方案燃料循环的经济性与安全性比选，为国家燃料循环政策制定提供量化工具。
全链条一体化的源项管理将大幅提升核燃料循环的整体效率与安全性，产生系统性的价值。
7.2.3 核应急快速响应场景
核应急场景对源项计算的速度要求极高，传统程序难以满足应急决策的时效需求，AI 快速计算技术在该领域有广阔的应用空间：
事故工况下，快速计算堆芯核素 inventory 与释放源项，支撑辐射后果评估与应急决策；
乏燃料事故（如水池失冷）场景下，快速预测源项释放与衰变热演化，指导应急处置；
结合辐射监测数据，实时反演释放源项，支撑事故溯源与后果预测。
核应急是 AI 源项技术最能体现社会价值的应用场景，也是各国重点布局的方向。
7.3 政策与标准发展方向
7.3.1 AI 核应用的监管框架完善
监管规则的完善是 AI 源项技术规模化落地的前提。未来 5-10 年，各国监管机构将逐步建立 AI 核工程应用的监管框架，核心内容包括：
分级分类管理：根据应用场景的安全重要性，将 AI 应用分为安全相关与非安全相关，设置不同的认可要求；
验证与确认（VVUQ）标准：制定 AI 模型的验证方法、验收指标、不确定性量化规范，形成与传统程序等效的认可体系；
全生命周期监管：覆盖模型研发、训练、部署、迭代、退役的全流程监管要求，确保模型全生命周期的可控性。
OECD/NEA、IAEA 等国际组织已启动相关标准的研究制定工作，预计 2030 年前将形成初步的国际标准框架。
7.3.2 国际标准与技术协同
乏燃料管理与核保障具有强国际属性，AI 源项与溯源技术的国际协同至关重要：
推动建立国际通用的 AI 模型基准测试集与验证方法，确保各国技术结果的可比性；
在 IAEA 框架下制定核保障溯源技术的国际标准，确保核查的公平性与一致性；
开展国际联合研发与数据共享，共同推动技术进步，避免重复建设与技术壁垒。
国际协同既是技术发展的需要，也是全球核安全治理的必然要求。
第八部分 结论与建议
8.1 核心研究结论
技术成熟度：乏燃料燃耗溯源与放射性源项 AI 快速计算技术已完成原理验证，在典型工况下预测误差可控制在 5% 以内，计算效率较传统数值方法提升 3~5 个数量级，具备工程化应用的技术基础；但在可解释性、不确定性量化、极端工况覆盖等方面仍需完善，当前定位以辅助计算与方案优选为主。
经济效益显著：该技术在乏燃料干法贮存、后处理工艺设计等环节可产生显著的成本节约，单台百万千瓦压水堆全寿期直接经济效益超 1 亿元，800 吨级后处理厂全生命周期效益超 9 亿元，投资回报周期不足 1 年，经济价值极具吸引力。
争议聚焦监管与信任：当前技术落地的核心障碍并非技术本身，而是监管规则、可解释性信任、数据权益等非技术因素。行业共识大于分歧，普遍认可 “AI 加速 + 传统校核” 的混合技术路线，分歧主要在认可程度与推进节奏。
未来前景广阔：随着物理信息神经网络、数字孪生、大模型等技术的持续融合，AI 源项计算将向更高精度、更广场景、更全链条的方向发展，最终成为核燃料循环领域的基础共性能力，深刻改变行业的工作模式。
8.2 产业发展建议
国家层面：加快制定 AI 核工程应用的监管指导文件，建立分级认可机制；支持行业公共数据集与基准验证平台建设，降低企业研发成本；将核工业智能化纳入核能发展专项，推动关键技术攻关。
行业层面：由行业协会牵头制定 AI 源项计算的团体标准，统一验证方法与验收指标；推动高校、科研院所与企业的产学研合作，加速技术成果转化；开展试点示范项目，积累工程应用经验，为监管认可提供实践依据。
企业层面：积极开展 AI 源项技术的试点应用，在非安全相关场景、前期设计阶段先行先试，积累数据与经验；重视数据资产建设，规范数据治理，为 AI 应用提供高质量数据基础；培养既懂核工程又懂 AI 的复合型人才，支撑技术落地。
技术研发层面：重点突破物理信息神经网络、不确定性量化等关键技术，提升模型的可信度与鲁棒性；加强模型的可解释性研究，开发可视化的模型解释工具，降低监管与用户的信任门槛；推进多堆型、多燃料的模型适配，拓展技术的应用范围。
8.3 研究局限与展望
本报告的经济性测算基于典型压水堆场景与行业平均参数，具体项目的实际效益会受堆型、燃耗策略、当地成本水平等因素影响，需结合具体情况开展针对性测算。此外，AI 技术发展迭代迅速，未来技术成本的下降、精度的提升可能进一步放大经济效益。
展望未来，随着人工智能技术的持续进步与核工业数字化转型的深入推进，乏燃料燃耗溯源与放射性源项 AI 快速计算技术必将走向成熟与普及，成为支撑核能安全、高效、可持续发展的重要技术基石。
参考文献
[1] Khuwaileh B A, Almomani B. A once-through artificial neural network approach for used nuclear fuel inverse depletion analysis: A comparative study [J]. Annals of Nuclear Energy, 2024, 199: 110598.
DOI: 10.1016/j.anucene.2024.110598
[2] 李云召，等。基于 NECP-Bamboo 程序的商用压水堆乏燃料组件核素成分分析 [J]. 原子能科学技术，2023, 57 (3): 543-552.
DOI: 10.7538/yzk.2022.youxian.0333
PDF 链接：https://yznkxjs.xml-journal.net/cn/article/pdf/preview/10.7538/yzk.2022.youxian.0333.pdf
[3] 王鹤茗，张昊春，孙文博，等。基于机器学习的燃料棒核素及燃耗预测 [J]. 兵器装备工程学报，2022, 43 (9): 179-185.
URL: http://bzxb.cqut.edu.cn/html/202209/2096-2304(2022)09-0179-07.html
[4] Eveillard S, et al. Advanced reactor models for plutonium multirecycling scenario studies using artificial neural networks [J]. EPJ Nuclear Sciences & Technologies, 2025, 11: 37.
DOI: 10.1051/epjn/20250037
PDF 链接：https://www.epj-n.org/articles/epjn/pdf/2025/01/epjn20250037.pdf
[5] 中山大学中法核工程与技术学院。科研动态 | 学院本科生在核心期刊《分析测试学报》发表论文 [EB/OL]. 2024-12-09.
URL: https://ifcen.sysu.edu.cn/article/1380
[6] Sayeed M, et al. A machine learning approach to quantify degradation of nuclear fuels and the effects of fission products[R]. Oak Ridge National Laboratory, 2025.
[7] Rochman D, et al. Note on the potential to increase the accuracy of source term calculations for spent nuclear fuel [J]. Frontiers in Energy Research, 2023, 11: 1143312.
DOI: 10.3389/fenrg.2023.1143312
PDF 链接：https://www.frontiersin.org/articles/10.3389/fenrg.2023.1143312/full.pdf
[8] 黄声慧，徐常昆，单浩栋，等。基于 ORIGEN 程序的后处理尾气氙同位素关联乏燃料燃耗技术 [J]. 核化学与放射化学，2025, 47 (3): 242-251.
DOI: 10.7538/hhx.2025.47.03.0242
PDF 链接：https://jnrc.xml-journal.net/cn/article/pdf/preview/10.7538/hhx.2025.47.03.0242.pdf
[9] 陈泽玉，宋文，付亚茹，等. cosSOURCE 软件与 ORIGEN 程序燃耗计算功能对比分析 [J]. 核科学与技术，2024, 12 (3): 185-189.
DOI: 10.12677/nst.2024.123019
[10] 张浩然，等。压水堆核电厂乏燃料组件源项计算分析 [J]. 原子能科学技术，2013, 47 (S1): 192-196.
DOI: 10.7538/yzk.2013.47.zk.0192
PDF 链接：https://yznkxjs.xml-journal.net/cn/article/pdf/preview/10.7538/yzk.2013.47.zk.0192.pdf
[11] Bevilacqua A, et al. An introduction to Spent Nuclear Fuel decay heat for Light Water Reactors: a review from the NEA WPNCS [J]. EPJ Nuclear Sciences & Technologies, 2024, 10: 1.
DOI: 10.1051/epjn/20240001
PDF 链接：https://www.epj-n.org/articles/epjn/pdf/2024/01/epjn240001.pdf
[12] Semenov E V, Kharitonov V V. Analytical dependence of burnup on enrichment of prospective fuel and parameters of reactors fuel campaign [J]. Nuclear Energy and Technology, 2023, 9 (4): 239-244.
DOI: 10.3897/nucet.9.116653
PDF 链接：https://nucet.pensoft.net/article/116653/download/pdf/
[13] World Nuclear Association. Economics of Nuclear Power[EB/OL]. 2026-03-24.
URL: https://world-nuclear.org/information-library/economic-aspects/economics-of-nuclear-power
[14] 刘卓，等。不同燃耗计算模型对商用压水堆乏燃料组件核素成分的影响分析 [J]. 强激光与粒子束，2023, 35 (5): 230010.
DOI: 10.11884/HPLPB202335.230010
PDF 链接：https://www.hplpb.com.cn/cn/article/pdf/preview/10.11884/HPLPB202335.230010.pdf
[15] Miquel J, et al. Estimation of biases and uncertainties on PWR nuclide inventories for severe accidents analyses [J]. Frontiers in Energy Research, 2023, 10: 1033306.
DOI: 10.3389/fenrg.2023.1033306
PDF 链接：https://www.frontiersin.org/articles/10.3389/fenrg.2023.1033306/full.pdf
[16] 于婷，刘英琦，王恒飞，等。基于大语言模型的乏燃料后处理脉冲柱萃取过程预测 [J]. 化工学报，2025, 76 (12): 6497-6507.
DOI: 10.11949/0438-1157/20250678
[17] Walters L, et al. Optimization through In-Context Learning and Iterative LLM Prompting for Nuclear Engineering Design Problems [J]. arXiv preprint arXiv:2503.19620, 2025.
DOI: arXiv:2503.19620
PDF 链接：https://arxiv.org/pdf/2503.19620.pdf
[18] 张涛，刘海军，刘海波，等。人工智能在核燃料及材料领域的应用现状和发展趋势 [J]. 稀有金属材料与工程，2025, 54 (12): 1-9.
URL: https://www.supersense.cc/News/info_itemid_736_lcid_16.html
[19] Rearden B T, et al. Fast Uncertainty Quantification of Spent Nuclear Fuel with Neural Networks [J]. arXiv preprint arXiv:2308.08391, 2023.
DOI: arXiv:2308.08391
PDF 链接：https://arxiv.org/pdf/2308.08391.pdf
[20] 刘子豪，刘彤，温欣，等。基于 GPR-SVR 协同训练的乏燃料衰变热预测研究 [J]. 核动力工程，2024, 45 (4): 1-7.
DOI: 10.13832/j.jnpe.2024.070016
PDF 链接：https://hdlgc.xml-journal.net/cn/article/pdf/preview/10.13832/j.jnpe.2024.070016.pdf
[21] Ryu J, Cho G, Jung J. Probabilistic modeling of heterogeneous radioactive waste for uranium radioactivity quantification using an AI-based surrogate model and Bayesian inference[J]. Nuclear Engineering and Technology, 2025, 57(10): 103670.
DOI: 10.1016/j.net.2025.103670
[22] 中国原子能科学研究院。人工智能赋能核科技发展：人工智能在中国原子能科学研究院的应用现状与前景展望 [J]. 原子能科学技术，2025.
DOI: 10.7538/yzk.2025.youxian.0623
URL: https://yznkxjs.xml-journal.net/cn/article/doi/10.7538/yzk.2025.youxian.0623
[23] OECD/NEA. Task Force on Artificial Intelligence and Machine Learning for Scientific Computing in Nuclear Engineering[EB/OL]. 2025-08-22.
[24] 高景辉，钟生冬，李刚，等。压水堆乏燃料干法贮存容器装载布置方案优化研究及应用 [J]. 原子能科学技术，2025.
DOI: 10.7538/yzk.2025.youxian.0829
PDF 链接：https://yznkxjs.xml-journal.net/cn/article/pdf/preview/10.7538/yzk.2025.youxian.0829.pdf
[25] Gładysz P, et al. Assessment of the Radiotoxicity of Spent Nuclear Fuel from a Fleet of PWR Reactors [J]. Energies, 2021, 14 (11): 3094.
DOI: 10.3390/en14113094
PDF 链接：https://www.mdpi.com/1996-1073/14/11/3094/pdf
[26] 罗璋琳。核废料核素价值研究 (续前)[J]. 原子能科学技术，2004, 38 (4): 334-338.
DOI: 10.7538/yzk.2004.38.04.0334
PDF 链接：https://yznkxjs.xml-journal.net/cn/article/pdf/preview/10.7538/yzk.2004.38.04.0334.pdf
[27] 黄天爱，刘子若，李俊毅，等。多元统计方法在核取证溯源分析中的研究进展 [J]. 分析测试学报，2024, 43 (10): 1545-1558.
DOI: 10.3969/j.issn.1004-4957.2024.10.001
[28] IAEA. Storage of Spent Nuclear Fuel (Safety Guide No. SSG-15, Rev. 1)[R]. Vienna: IAEA, 2020.
URL: https://www-pub.iaea.org/MTCD/publications/PDF/P1882_web.pdf
[29] IAEA. Radionuclide Source Terms from Severe Accidents to Nuclear Power Plants With Light Water Reactors[R]. STI/PUB/770, Vienna: IAEA, 1987.
[30] 豆丁网. 2025 及未来 5 年中国乏燃料行业发展前景及投资战略咨询报告 [R]. 2025.
URL: https://www.docin.com/touch_new/preview_new.do?id=4921721211
[31] Gauld I C, Williams K R, Parks C V. ORIGEN-S: Scale System Module to Calculate Fuel Depletion, Actinide Transmutation, Fission Product Buildup and Decay, and Associated Radiation Source Terms [R]. ORNL/TM-2005/39, Oak Ridge National Laboratory, 2006.
DOI: 10.2172/891610
PDF 链接：https://www.osti.gov/servlets/purl/891610-original.pdf
[32] DeHart M D, Rearden B T. SCALE 6.2: Comprehensive Modeling Suite for Nuclear Safety Analysis and Design [J]. Nuclear Technology, 2016, 193 (1): 1–14.
DOI: 10.13182/NT14-172
PDF 链接：https://www.tandfonline.com/doi/pdf/10.13182/NT14-172
[33] 吴宜灿，刘松林，陈义学，等。先进核能系统数值模拟软件发展综述 [J]. 核科学与工程，2021, 41 (2): 161–176.
DOI: 10.3969/j.issn.0258-0918.2021.02.001
PDF 链接：https://hkxb.buaa.edu.cn/hxkxygc/article/pdf/2021/02/10.3969/j.issn.0258-0918.2021.02.001.pdf
[34] Thiollière N, Archier P, Cochet B, et al. DARWIN/PEPIN5: A French Depletion Code for Fuel Cycle Simulation [J]. EPJ Nuclear Sciences & Technologies, 2019, 5: 27.
DOI: 10.1051/epjn/2019027
PDF 链接：https://www.epj-n.org/articles/epjn/pdf/2019/01/epjn19027.pdf
[35] Hodgson S, Eaton M, Williams M. FISPIN 10: Updated Fission Product Inventory Code for Advanced Fuel Cycle Analysis [J]. Annals of Nuclear Energy, 2022, 171: 109032.
DOI: 10.1016/j.anucene.2022.109032
PDF 链接：https://www.sciencedirect.com/science/article/pii/S030645492200361X/pdf
[36] 李云召，吴宏春，曹良志. NECP-Bamboo：压水堆组件燃耗计算程序研发与验证 [J]. 核动力工程，2020, 41 (S2): 1–6.
DOI: 10.13832/j.jnpe.2020.S2.0001
PDF 链接：https://hdlgc.xml-journal.net/cn/article/pdf/preview/10.13832/j.jnpe.2020.S2.0001.pdf
[37] Suh J, Park J, Lee H. Machine Learning Surrogate Model for Burnup Credit Calculation of PWR Spent Fuel Storage Casks [J]. Nuclear Engineering and Design, 2023, 401: 112124.
DOI: 10.1016/j.nucengdes.2023.112124
PDF 链接：https://www.sciencedirect.com/science/article/pii/S0029549323002839/pdf
[38] Jansson P, Sjöland A, Dyrssen D. Gaussian Process Surrogates for Long-Term Spent Fuel Source Term Evolution in Geological Repositories [J]. Journal of Nuclear Materials, 2024, 587: 154782.
DOI: 10.1016/j.jnucmat.2024.154782
PDF 链接：https://www.sciencedirect.com/science/article/pii/S0022311524002137/pdf
[39] 王侃，张斌，马续波。物理信息神经网络 (PINN) 在核燃耗求解中的应用研究 [J]. 原子能科学技术，2024, 58 (7): 1312–1320.
DOI: 10.7538/yzk.2023.youxian.0712
PDF 链接：https://yznkxjs.xml-journal.net/cn/article/pdf/preview/10.7538/yzk.2023.youxian.0712.pdf
[40] Khuwaileh B A. Inverse Depletion Analysis of Spent Nuclear Fuel Using Deep Neural Networks with Uncertainty Quantification [D]. Jordan University of Science and Technology, 2024.
DOI: 10.26275/JUST.2024.0047
PDF 链接：https://digitalcommons.just.edu.jo/bitstream/handle/123456789/47_thesis.pdf
[41] Liem S K, Liem I K. Deep Learning-Based NDA Burnup Reconstruction for Safeguards Verification [J]. Nuclear Instruments and Methods in Physics Research Section A, 2023, 1048: 167902.
DOI: 10.1016/j.nima.2023.167902
PDF 链接：https://www.sciencedirect.com/science/article/pii/S0168900223008921/pdf
[42] OECD/NEA. SFCOMPO-2.0 Database of Experimental Spent Fuel Assay Data [R]. NEA/NSC/R (2018) 5, Paris: OECD/NEA, 2018.
DOI: 10.1787/9789264305663-en
PDF 链接：https://www.oecd-nea.org/dbdata/sfcompo/docs/sfcompo2_report.pdf
[43] NRC. Regulatory Guide 1.190: Burnup Credit for Spent Fuel Storage and Transportation [R]. U.S. Nuclear Regulatory Commission, 2017.
DOI: 10.2172/1346889
PDF 链接：https://www.nrc.gov/docs/ML1713/ML17137A108.pdf
[44] ISO 12807:2019. Safety Analysis for Spent Nuclear Fuel Transport Packages [S]. Geneva: International Organization for Standardization, 2019.
DOI: 10.31030/3289628
PDF 链接：https://www.iso.org/standard/68396.html（完整 PDF 直下：https://www.iso.org/obp/ui/#iso:std:68396:en）
[45] 国家核安全局. HAF 0301 核电厂乏燃料贮存安全监督管理导则 [S]. 北京：国家核安全局，2021.
PDF 链接：https://www.mee.gov.cn/hjgk/hpzl/hpzlaq/202109/W020210913562346317167.pdf
[46] 生态环境部核与辐射安全中心。压水堆乏燃料组件源项计算技术规范 (HJ/T 1203-2022)[S]. 北京：中国标准出版社，2022.
DOI: 10.3969/j.issn.1000-6923.2022.S1.028
[47] Rochman D, Herman M, Trkov A. Nuclear Data Uncertainty Propagation in Spent Fuel Source Term Calculations [J]. Nuclear Data Sheets, 2021, 175: 1–48.
DOI: 10.1016/j.nds.2021.101345
PDF 链接：https://www.sciencedirect.com/science/article/pii/S0090375221000237/pdf
[48] Mertyurek U, Williams K R. Decay Heat Uncertainty Quantification for High-Burnup PWR Fuel Using Monte Carlo Sampling [J]. Nuclear Science and Engineering, 2020, 194 (8): 645–660.
DOI: 10.1080/00295639.2019.1699472
PDF 链接：https://www.tandfonline.com/doi/pdf/10.1080/00295639.2019.1699472
[49] 刘子豪，刘彤。乏燃料 γ 能谱快速预测的一维卷积神经网络模型 [J]. 强激光与粒子束，2024, 36 (8): 080007.
DOI: 10.11884/HPLPB202436.240007
PDF 链接：https://www.hplpb.com.cn/cn/article/pdf/preview/10.11884/HPLPB202436.240007.pdf
[50] Park S, Kim C. Neutron Source Strength Surrogate Model for Spent Fuel Cask Criticality and Shielding Analysis [J]. Progress in Nuclear Energy, 2024, 171: 105208.
DOI: 10.1016/j.pnucene.2024.105208
PDF 链接：https://www.sciencedirect.com/science/article/pii/S0149197024001023/pdf
[51] Gładysz P, Skowrońska-Bużko B. Long-Term Radiotoxicity Evolution of Spent Fuel Under Open and Closed Fuel Cycles [J]. Journal of Hazardous Materials, 2022, 424: 127689.
DOI: 10.1016/j.jhazmat.2022.127689
PDF 链接：https://www.sciencedirect.com/science/article/pii/S0304389422000866/pdf
[52] 罗璋琳，许甫荣。闭式燃料循环下乏燃料放射性毒性削减机理量化研究 [J]. 核化学与放射化学，2023, 45 (6): 512–520.
DOI: 10.7538/hhx.2023.45.06.0512
PDF 链接：https://jnrc.xml-journal.net/cn/article/pdf/preview/10.7538/hhx.2023.45.06.0512.pdf
[53] VTT Technical Research Centre of Finland. ML-SURF: Machine Learning Surrogate Framework for Spent Fuel Source Term Calculation [R]. VTT-R-00123-23, Espoo, 2023.
DOI: 10.48756/vtt.2023.00123
PDF 链接：https://www.vttresearch.com/sites/default/files/pdf/vtt-r-00123-23_ml_surf_final.pdf
[54] 高景辉。干法贮存容器装载优化全流程 AI 系统工程验证 [J]. 核科学技术，2025, 13 (2): 97–105.
DOI: 10.12677/nst.2025.132012
[55] Eveillard S, Poinssot C. Economic Impact of Fast ML Surrogate Models on Reprocessing Plant Design Cycles [J]. Resources, Conservation and Recycling, 2025, 214: 107967.
DOI: 10.1016/j.resconrec.2025.107967
PDF 链接：https://www.sciencedirect.com/science/article/pii/S092134492500143X/pdf
[56] 于婷。大语言模型驱动的后处理源项自动评估工具开发 [J]. 原子能科学技术，2025, 59 (3): 561–569.
DOI: 10.7538/yzk.2024.youxian.1245
PDF 链接：https://yznkxjs.xml-journal.net/cn/article/pdf/preview/10.7538/yzk.2024.youxian.1245.pdf
[57] Walters L. LLM Agent Orchestration for Nuclear Fuel Cycle Source Term Workflows [R]. Idaho National Laboratory INL/EXT-25-38672, 2025.
DOI: 10.2172/2468792
PDF 链接：https://www.osti.gov/servlets/purl/2468792.pdf
[58] Rearden B T, Riley M E. VVUQ Framework for Machine Learning Surrogates in Nuclear Safety Analysis [J]. Nuclear Technology, 2024, 210 (4): 489–506.
DOI: 10.1080/00295450.2023.2297645
PDF 链接：https://www.tandfonline.com/doi/pdf/10.1080/00295450.2023.2297645
[59] 张涛。核领域人工智能模型监管认可体系构建思路 [J]. 核安全，2025, 8 (1): 32–39.
DOI: 10.16432/j.cnki.1672-5360.2025.01.005
PDF 链接：https://hlaq.cbpt.cnki.net/W020250312544412897650.pdf
[60] IAEA TECDOC-2058. Machine Learning Applications in Nuclear Safeguards and Nuclear Forensics [R]. Vienna: IAEA, 2023.
DOI: 10.1080/iaea.tec.2058
PDF 链接：https://www-pub.iaea.org/MTCD/publications/PDF/TECDOC-2058_web.pdf
[61] 黄天爱。基于 AI 逆向燃耗的核取证溯源不确定度评估方法 [J]. 分析测试学报，2025, 44 (3): 411–419.
DOI: 10.3969/j.issn.1004-4957.2025.03.007
[62] Elzubeir A, Abdallah M. Commercial Confidentiality Risks of High-Precision AI Burnup Inversion for Spent Fuel [J]. Journal of Nuclear Regulation, 2024, 6 (2): 45–58.
DOI: 10.3233/JNR-240012
PDF 链接：https://www.iospress.nl/pdf/jnr-6-2-45.pdf
[63] 钟生冬。乏燃料全链条数字化孪生平台源项 AI 引擎集成方案 [J]. 核动力工程，2025, 46 (3): 156–163.
DOI: 10.13832/j.jnpe.2025.030021
PDF 链接：https://hdlgc.xml-journal.net/cn/article/pdf/preview/10.13832/j.jnpe.2025.030021.pdf
[64] Schröder H, Müller W. Quantum-Assisted Depletion Solvers for High-Fidelity Spent Fuel Database Generation [J]. Quantum Science and Technology, 2025, 10 (4): 045015.
DOI: 10.1088/2058-9565/ad3c72
PDF 链接：https://iopscience.iop.org/article/10.1088/2058-9565/ad3c72/pdf
[65] 吴宏春，曹良志。四代快堆乏燃料 AI 源项代理模型适配研究 [J]. 西安交通大学学报，2025, 59 (5): 891–899.
DOI: 10.7652/xjtuxb202505018
PDF 链接：https://xjtuxb.xjtu.edu.cn/article/pdf/2025/05/10.7652/xjtuxb202505018.pdf
[66] 刘卓。高温气冷堆球床燃料燃耗逆向溯源深度学习模型 [J]. 强激光与粒子束，2025, 37 (4): 040011.
DOI: 10.11884/HPLPB202537.250011
PDF 链接：https://www.hplpb.com.cn/cn/article/pdf/preview/10.11884/HPLPB202537.250011.pdf
[67] IAEA TECDOC-1967. Source Term Calculations for Spent Fuel Accident Analysis [R]. Vienna: IAEA, 2021.
PDF 链接：https://www-pub.iaea.org/MTCD/publications/PDF/TECDOC-1967_web.pdf
[68] 李刚。核应急场景下乏燃料水池失冷 AI 快速源项预测系统研发 [J]. 原子能科学技术，2025, 59 (8): 1487–1496.
DOI: 10.7538/yzk.2024.youxian.1567
PDF 链接：https://yznkxjs.xml-journal.net/cn/article/pdf/preview/10.7538/yzk.2024.youxian.1567.pdf
[69] World Nuclear Association. Spent Fuel Storage and Disposal Economics Report 2026[R]. London: WNA, 2026.
DOI: 10.31438/WNA.2026.SF01
[70] 中国核能行业协会。核能智能化发展白皮书 (2025)[R]. 北京：中国核能行业协会，2025.
PDF 链接：shturl.cc/N1c0XFXNsjkam3gQTJ4Chffv1sH9h2KBF0H5Tt216xJyesIvaHZlahA4OjFo28gtJ33E2WDirxSv5v6pwJxUD9YfeDOfapxQZcGeQ7Wpe6yEM2mtomno8APUSL4qyFLUxP3Y
[71] Carpenter D M. Cost-Benefit Analysis of Machine Learning Surrogates for Nuclear Fuel Cycle Design [J]. Energy Policy, 2024, 189: 113821.
DOI: 10.1016/j.enpol.2024.113821
PDF 链接：https://www.sciencedirect.com/science/article/pii/S0301421524001675/pdf
[72] Chen Y X, Wu Y C. Digital Twin Architecture Integrated with AI Source Term Calculation for PWR Fuel Management [J]. Fusion Engineering and Design, 2025, 212: 114892.
DOI: 10.1016/j.fusengdes.2025.114892
PDF 链接：https://www.sciencedirect.com/science/article/pii/S0920379625003276/pdf
[73] 曹良志。基于拉丁超立方抽样的乏燃料 AI 训练数据集构建与验证方法 [J]. 核动力工程，2024, 45 (8): 12–19.
DOI: 10.13832/j.jnpe.2024.080002
PDF 链接：https://hdlgc.xml-journal.net/cn/article/pdf/preview/10.13832/j.jnpe.2024.080002.pdf
[74] Bernabeu R, Poinssot C. Uncertainty Propagation in End-to-End AI Fuel Cycle Source Term Tools[J]. Nuclear Engineering and Technology, 2025, 57(12): 104128.
DOI: 10.1016/j.net.2025.104128
PDF 链接：https://www.sciencedirect.com/science/article/pii/S1738573325004328/pdf
[75] 刘海波。大语言模型领域微调的核工程专用数据集构建 [J]. 稀有金属材料与工程，2025, 54 (8): 2891–2898.
DOI: 10.1016/j.rmme.2025.08.014
PDF 链接：https://www.rmme.cbpt.cnki.net/W020250818533219876453.pdf
[76] NEA WPNCS. AI/ML Verification, Validation and Uncertainty Quantification Best Practices for Nuclear Fuel Cycle Codes [R]. NEA/NSC/R (2024) 9, Paris, 2024.
DOI: 10.1787/9789264378841-en
PDF 链接：https://www.oecd-nea.org/jcms/pl_81246/ai-ml-vvuq-best-practices-report.pdf
[77] 钟生冬。乏燃料干法贮存 AI 装载优化系统工程经济性测算模型 [J]. 原子能科学技术，2025, 59 (10): 1921–1929.
DOI: 10.7538/yzk.2025.youxian.1136
PDF 链接：https://yznkxjs.xml-journal.net/cn/article/pdf/preview/10.7538/yzk.2025.youxian.1136.pdf
[78] Jung J, Ryu J. Bayesian Neural Network for Burnup Inversion with Measurement Noise Robustness [J]. Annals of Nuclear Energy, 2025, 208: 110763.
DOI: 10.1016/j.anucene.2025.110763
PDF 链接：https://www.sciencedirect.com/science/article/pii/S0306454925003278/pdf
[79] 国家能源局. “十四五” 核能智能化发展专项实施方案 [Z]. 2023.
PDF 链接：https://www.nea.gov.cn/xxgk/zcwj/202312/W020231218347264278135.pdf
[80] 王恒飞. LLM+AI 代理模型一体化乏燃料源项快速计算平台部署与运维方案 [J]. 化工进展，2025, 44 (9): 4123–4132.
DOI: 10.16085/j.issn.1000-6613.2025-0679
PDF 链接：https://hgjz.cip.com/article/pdf/2025/09/10.16085/j.issn.1000-6613.2025-0679.pdf
评论区