機器學習在PUREX工藝中的應用綜述

葉國安，男，安徽南陵人，中國科學院院士，中國核工業集團首席科學家，中國原子能科學研究院研究員，博士生導師，長期致力于錒系元素化學和核燃料后處理工藝技術研究，是我國該領域的領軍科學家，發表論文200余篇，被授予發明專利60余項，獲國家科學技術進步二等獎4項，被授予“有突出貢獻的中青年專家”，獲錢三強科技獎、奮進中核人等榮譽稱號，2023年獲何梁何利科學與技術進步獎.

摘要： 為了控制核燃料的環境危害，必須對其進行回收管理和后處理. PUREX是一種高效的核燃料后處理方法，具有效率高、可擴展性強及適用性廣等優點，目前已經得到了廣泛應用. PUREX工藝很復雜，操作時必須對萃取劑及溶液的性質進行準確全面的測量和分析，并對處理流程進行嚴格保障. 為了獲取相關數據，已有研究大多依賴傳統的批量實驗測試法.這種方法需要多次實驗迭代和人工操作，研究周期長、資源消耗大，且萃取效率低. 機器學習主要通過學習和分析海量數據來實現模型預測，有望避免批量實驗測試法中出現的問題，提高萃取效率. 近年來，各種機器學習方法在PUREX 中的應用逐漸增多. 本文旨在對機器學習方法在PUREX 流程的內部反應和后處理保障等方面的應用進行綜述，促進和推動機器學習方法在PUREX中的進一步應用，提高萃取效率. 在內部反應方面，本文概述了一些機器學習算法在萃取劑選擇、萃取劑性質預測及溶液選擇等方面的應用. 在后處理保障方面，本文概述了一些機器學習算法在保障后處理流程順利進行等方面的應用. 綜合看，將機器學習方法應用于PUREX流程確實能提供更精準的預測結果、提高萃取效率. 此外，本文還對機器學習方法在PUREX相關領域的應用進展進行了概述，重點介紹了分子動力學與機器學習方法的集成方法及其應用，以便啟發PUREX與機器學習模型相結合的方法的研究. 最后，本文還介紹了一些利用機器學習方法擴展和增強數據集、克服數學模型建模時可用數據集過小問題的具體應用.

關鍵詞： PUREX；機器學習；核燃料后處理；萃取劑；溶液體系

中圖分類號： O29 文獻標志碼： A DOI： 10.19907/j. 0490-6756. 240291

1引言

隨著我國核電業的迅速發展及核燃料在能源領域的廣泛應用，核廢料數量迅猛增長. 根據預測，到2030 年我國僅核電站每年產生的高放射性核廢料就將達到3200 噸.

為了有效控制核廢料的危害，必須對其進行回收處理，此即核燃料后處理［1］. 目前，法國、俄羅斯及日本等國普遍采用閉合式燃料循環政策，通過后處理技術從乏燃料中分離回收鈾、钚等重要元素，并將回收物制成燃料，在反應堆中循環使用. 這不僅能減少需要固化和儲存的放射性廢物的數量，也可以大幅提高資源利用率［2］.

在眾多核燃料后處理技術中，PUREX 因其高效可控和安全性而得到廣泛采用［3，4］. 早在上世紀五十年代，PUREX 工藝就已經被成功應用于從核廢料中規模化回收鈾和钚等放射性物質. 這對節約自然資源、降低處理成本及減少放射性廢物量都具有深遠意義. 在當前全球資源供應壓力加大的大背景下，提高核燃料的再利用率變得更加迫切. 相應地，對PUREX 工藝的研究備受關注，相關論文數量和引用數量都呈現出穩步增長的態勢，如圖1所示.

在PUREX 工藝中，通常使用含磷酸三丁酯（TriButyl Phosphate，TBP）相的碳氫化合物進行溶劑萃取［5］. 經過循環萃取和選擇性萃取，鈾、钚等元素得以分離和提純. 該工藝也可用于分離次錒系元素和其他裂變產物［6］.

PUREX 工藝很復雜，依賴于對萃取劑和溶液性質的全面測量和分析［7］. 在以往的研究中，研究者主要關注如何通過傳統的批量實驗測試方法［8］找到合適的萃取劑和溶液. 這通常需要多次實驗迭代和人工操作，耗時且難以精確調控. 另一方面，越來越多的研究者開始探索將機器學習方法應用于PUREX 工藝，以提高實驗效率、優化萃取條件.

1952年，計算機科學家Samuel 設計的跳棋程序開啟了人工智能大發展的篇章［9］. 經過半個多世紀的發展，基于現代計算機系統強大的計算能力，人工智能在很多領域得到廣泛應用. 機器學習（Machine Learning，ML）是人工智能的重要組成部分. 在化學領域，機器學習方法已被成功應用于分子設計和材料發現、反應機理研究、化學反應預測和優化等［10］. 在核技術領域，研究人員利用機器學習方法攻克了核工業中的故障診斷、狀態監測及參數預測等難題［11-13］. 值得注意的是，2022 年美國能源部“同位素計劃”發布了同位素研究與生產智能研討會報告，進一步強調了人工智能在核技術領域應用的重要性. 隨著可用數據集的不斷豐富，各行各業對機器學習需求持續增長.

機器學習方法旨在從數據中學習規律，可以在缺乏大量系統先驗知識的情況下解決復雜問題［14］. 在數學和計算機科學等研究領域學者們的通力合作下，各種策略被提出來，以應對大型數據集的學習挑戰，并為工業應用提供指導. 另一方面，算法的選擇受到問題類型、變量數量及樣本大小的影響，這些因素對于構建合適的模型至關重要.

機器學習方法可分為有監督學習、無監督學習和強化學習［14］. 有監督學習需要提供有標簽的訓練數據，以便建立輸入和輸出間的映射，主要用于分類和回歸問題［15］. 無監督學習不需要事先了解數據標簽或類別，可用于聚類、降維及異常檢測等任務［16］. 強化學習則通過試錯學習來訓練智能體在動態環境中做出正確決策［17］.

在核科學領域的多項研究中，機器學習方法展現出良好的應用潛力［14，18］，這些領域包括高放射性廢物處置研究［19］、核材料熱力學性質研究［20］及核反應堆冷卻系統預測［21］等. 從研究結果看，將機器學習方法應用于系統建模確實是一個極具前景的方向. 因此，我們認為將機器學習方法應用于PUREX 過程也是可行的. 事實上，隨著PUREX數據的日益積累，越來越多的研究開始關注機器學習方法的相關應用. 我們認為，應用機器學習方法將顯著提升PUREX 系統的萃取過程效率和安全性.

在過去數十年中，盡管研究者們已經進行了不少嘗試，但機器學習方法在PUREX 中的應用仍然相對有限，因而整理總結當前處于分散狀態的研究成果很有必要.

本文旨在填補當前機器學習方法應用于PUREX 領域的文獻綜述空白. 通過從工業角度審視現有的研究，本文系統回顧和介紹了各種機器學習方法在PUREX 工藝各個環節中的應用，試著對其進行總結分析，并探索未來可能的研究方向.鑒于PUREX工藝的核心在于從溶液中提取鈾和钚元素并分離至有機相，本文重點關注萃取劑的選擇、萃取劑性質的預測及溶液體系的選擇等三個方面的文獻. 除此之外，本文還考慮了PUREX后處理的保障問題，以及機器學習方法在PUREX相關領域的應用.

2機器學習在PUREX 流程中的應用

本節中我們介紹機器學習方法在PUREX 流程中的應用. 從候選萃取劑的選擇、萃取劑的性質預測和溶液體系的選擇等方面，我們對現有的文獻進行總結和展望. 圖2 展示了在PUREX 流程中可以使用機器學習方法的可能方向.

2.1萃取劑的選擇及性質預測

TBP是PUREX 工藝中使用的主要有機溶劑［22］. 它在PUREX 過程中充當萃取劑有助于從乏核燃料溶解液中萃取鈾和钚. 雖然TBP 已被使用了幾十年，并被證明是有效的， 但TBP 不能被完全焚化［23］，因而需要采取額外措施來處理和加工廢棄的有機相. 研究者不斷研究TBP 的替代萃取劑，希望能找到化學穩定性和輻射穩定性更好、可完全焚燒的萃取劑. 這些探索的主要目的是提高萃取效率、減少放射性廢物的產生，提高操作的可控性.

N，N-二（2-乙基己基）異丁酰胺（DEHiBA）是一種很有前途的替代萃取劑，可用于從乏核燃料中的钚和裂變產物中選擇性地萃取鈾［24］. 目前，DEHiBA 的成本還比較高，這給它的大規模生產帶來挑戰. 為了縮短DEHiBA的合成時間、降低其生產成本，Shaw 等［25］在自動流動反應器平臺上采用機器學習算法，結合在線分析和反饋循環優化了4 條DEHiBA 合成路線的關鍵工藝參數，最終確定了最佳的合成路徑. 在這項工作中，他們通過改變溶劑濃度、反應時間和溫度，使用Thompson 采樣高效多目標優化（Thompson sampling efficientmulti-objective optimization， TSEMO）算法對每種路線均進行了優化. 其他萃取劑，如Cyanex 萃取劑等，也得到廣泛的研究，并被應用于采礦、冶金和化學加工等多個行業［26］. 常用的Cyanex 萃取劑主要包括Cyanex 272、Cyanex 301、Cyanex 302 和Cyanex 572. Nie等［27］進行了一項比較研究，分別評估了4種萃取劑（Cyanex 572、P507、Cyanex 923和TBP）在不同濃度下從鎢渣浸出液中萃取鈧元素的效果. 結果表明，在相同條件下，Cyanex 572是所有測試萃取劑中萃取效率最高的. Allah?karami 和Rezai 等［28］使用Cyanex 572 對不同條件下的鈰萃取效率進行了研究. 在研究中他們采用了人工神經網絡（Artificial Neural Network，ANN）和混合遺傳-神經網絡（ Genetic Algorithm -Artificial Neural Network，GA-ANN） 算法來預測萃取效率. 結果表明，GA-ANN的性能優于ANN，相關系數（R²）值為0. 9899，均方誤差（MeanSquared" Error， MSE）為7. 225.

研究者還利用機器學習方法對配體與陽離子之間的配位化學進行了研究. Zhang 等［29］根據劍橋結構數據庫的數據訓練并優化了一個圖卷積網絡（Graph Convolutional Network， GCN）回歸模型，該模型根據分子結構對配位能力進行排名，并使用10折交叉驗證和反向傳播算法進行優化. 該方法的效果通過草酸和氯苯甲酸的性能測試得到了驗證.

目前，將機器學習應用于配體性質預測的文獻還不多見. 然而，這一領域正在引起研究者的關注. Wang 等［30］將GCN 作為遷移學習模型應用于配體的高通量篩選. 這項研究以水溶性預測為源任務，以酸解離常數預測為目標任務分別訓練了4個模型. 通過用GA 優化超參數和參數，該研究獲得了GCN 的最佳設計方案，成功預測了配體的水溶性和酸解離常數. 然后，根據配位鍵的相對長度進行數值篩選和排序，該研究最終發現找到可行配體的概率為50%. Hatami 和Moradi［31］利用機器學習模型、采用與溫度、密度和TBP 有關的7 個附加參數作為自變量，準確預測了不同密度和溫度下TBP 混合物的粘度. 通過在同一數據集上使用5 種算法，即邏輯回歸（Logistic Regression， LR）、支持向量回歸（Support Vector Regression， SVR）、隨機森林（Random Forest， RF）、XGBoost 及神經網絡（Neural Network， NN），這項研究得出結論：NN 模型對粘度預測最有效. 綜上，在配體性質預測方面應用機器學習方法可以利用大量的實驗數據和計算化學方法，通過學習數據中蘊含的規律來預測新配體的性質. 我們相信，隨著機器學習算法不斷滲透到化學領域，未來的研究可能需要更加關注如何應用機器學習算法去預測配體性質，為設計鑭系元素和錒系元素的分離配體提供更多可能性.

2. 2溶液體系的選取

在本節中，我們介紹機器學習方法在溶液體系中的應用. 近年來，離子液體在學術界受到極大關注，相關論文和專利數量不斷增加. 要想成功將離子液體應用于工業生產，深入了解其物理性質，如表面張力、密度和粘度等，是至關重要的. 我們重點介紹用機器學習模型來對離子液體的物理性質進行預測的方法.

Hashemkhani等［32］用GA 和耦合模擬退火（Coupled Simulated Annealing，CSA）算法去優化最小二乘支持向量機（Least Squares Support VectorMachine， LSSVM），進而提出了GA-LSSVM和CSA-LSSVM 算法，然后將其用于預測含有離子液體的二元系統的表面張力. 結果表明，GA 和CSA 算法都能夠有效選擇LSSVM 的超參數，并且基于LSSVM 的模型優于基于支持向量機（SupportVector Machine， SVM）的模型. 值得注意的是，GA-LSSVM 算法在預測中實現了最低的平均絕對相對誤差（Average Absolute Relative Error，AARE）. Lashkarbolook［33］將多層感知器神經網絡（Multilayer Perceptron Neural Network， MLPNN）和徑向基函數神經網絡（Radial Basis FunctionNeural Network， RBFNN）用于含有離子液體的二元系統的表面張力預測，并用由209 個數據點組成的測試數據集來評估預測性能. 結果表明，與RBFNN 模型相比，MLPNN 模型不僅能夠以更少量的隱藏神經元來預測表面張力，而且具有更高精度. 此外，將所提出的MLPNN 模型與Hashemkhani所提出的SVM、CSA-LSSVM 和GALSSVM模型進行比較還表明當前研究中所提出的ANN模型具有更好的預測能力.

目前，已有研究者成功應用多種機器學習算法準確預測了離子液體和二元混合物的密度.Valderrama等［34］應用群體貢獻法（Group ContributionMethod，GCM），結合ANN 方法來預測離子液體的密度，所得的結果能夠達到工程應用所需要的精度要求. Najafi-Marghmaleki 等［35］嘗試使用兩種不同的神經網絡模型，即MLP和RBF，來預測離子液體與水的二元混合物在不同溫度下的密度值. 結果表明，MLP 比RBF 的表現好，具有更低的AARE 和均方根誤差（Root Mean Square Error，RMSE）. Barati-Harooni 等［36］開發了一種基于自適應神經模糊推理系統（Adaptive Neuro-FuzzyInference System， ANFIS）算法的模型，涵蓋了146 種離子液體的大量文獻數據，取得了精確的預測結果. 這些研究對離子液體密度預測理論具有重要意義.

離子液體的粘度通常比傳統的分子溶劑高得多. 在化學處理或轉移過程中，這會帶來一些問題. 因此，了解離子液體結構與粘度之間的關系，預測離子液體的粘度對于合成和設計低粘度的離子液體十分重要. 回應這一需求，研究者需要尋找可靠方法來對離子液體的粘度進行預測. Billard等［37］將機器學習方法應用于經典的定量結構-性能關系（Quantitative" Structure-Property Relationship，QSPR）方程，通過反向傳播ANN 算法來訓練模型，所得結果顯示相關系數只有0. 73. 然而，盡管相關系數相對較低，但這一嘗試為將機器學習整合到離子液體粘度預測方法中提供了新的可能. Han 等［38］在4 組離子液體粘度數據上引入多元回歸算法，所得結果顯示4 個QSPR 相關方程的最大偏差為13. 6%，最小相關系數為0. 93. Chen等［39］提出了一種非線性ANN-GCM 模型，對8523個離子液體-水混合物的粘度數據點進行了評估，結果顯示4 或5 個神經元的ANN-GCM 模型能夠可靠預測混合物的粘度，展現出優越的預測性能.Dutt 等［40］使用廣義相關性和ANN 方法來預測不同溫度下離子液體的粘度，所得結果顯示該方法在總體偏差方面達到了6. 6% 的精度，相比經驗模型預測精度提高約15%，因而強調了在預測離子液體粘度時考慮溫度效應的重要性. Zhao 等［41］使用MLR和SVM算法，結合FC-CS（FragmentContribution-Corresponding States）方程的數據預測了咪唑離子液體的粘度. 值得注意的是，SVM算法在預測性能上表現出顯著優勢，AARE 僅為3. 95%. 這表明該方法在捕捉咪唑類離子液體復雜相關性方面具有更高的準確性和預測能力. 我們認為，未來的離子液體選擇研究方向之一是在分子層面研究和提高結果的確定性. 具體來說，研究者需要進行分子動力學（Molecular Dynamics，MD）模擬研究，以探討金屬與離子液體的相互作用［42］. 本節中提到的機器學習算法參見表1.

3機器學習在PUREX 后處理中的應用

核材料核算是核材料保障的傳統方法之一，同時也是國際原子能機構用于保障監督的重要手段之一［43］. 核材料核算可視為對核設施的審計，旨在核查報告中所列材料的數量，確保這些材料未被轉用. 這通常需要不確定性較低的破壞性分析測量，以滿足及時性目標，但這些測量往往既耗時又昂貴. 其他類型的測量，如過程監控和非破壞性分析等，雖然可被用于遠程監控以降低成本，但通常伴隨著較高的不確定性［44］. 將機器學習算法集成到核材料核算中可以顯著提升核材料管理的效率、安全性和可靠性. 與傳統方法相比，利用機器學習算法檢測異常情況、分析材料參數、優化核算流程及監控材料流動，能夠大幅減少人工工作量、加快核算進程.

Shoman 和Cipiti［45］將長短期記憶（Long Short-Term Memory， LSTM）網絡與孤立森林相結合起來，用于檢測PUREX 后處理設施內的異常情況.結果表明，修正系統偏差后該方法的性能明顯優于傳統方法.

核燃料參數核查也是核視察員的一項中心工作，旨在核查作業人申報的完整性和正確性. 一些研究者采用機器學習算法來預測核材料參數，以確保核設施中報告的核材料數量與實際情況一致，避免誤報或不當使用，提高核設施管理的效率、安全性與合規性. Mishra［46］選取ANN 算法來預測乏燃料的燃燒冷卻時間，以便進行可能的轉移檢測. 這對保障檢查員具有重要意義. Grape等［47］采用RF 算法對燃耗（Burnup，BU）、初始濃縮（Initial Enrichment，IE）和冷卻時間（Cooling Time，CT）這3 種重要的核燃料參數進行了預測，改善了依靠儀器測量的傳統方法，所得結果的BU、IE 和CT 的RMSE 分別為0. 3MW d/kgU、0. 1% 和6 d. Alessandro 等［48］介紹了ANN 在模擬自相互譜共振中子密度測量數據中的應用，并將其用于測量和預測乏燃料中239Pu 的含量. 結果顯示，測試集的平均偏差僅為0. 2%.

此外，Gladen 等［49］使用基于transformer架構的有監督機器學習模型來檢測分離和轉移. 該網絡展現出卓越的分類能力，能夠穩定地對每種類型的轉移及其速率進行分類，且在整體測試集上都取得了優異的準確率，達到了99. 6%. 值得注意的是，該研究使用的數據過于理想化，未來有必要使用真實數據來評估模型的性能. Kim 等［50］利用基于殘差網絡架構的深度神經網絡（Deep Neural Network，DNN）對86084 張放射性廢物圖像進行識別和分類，取得了優異的分類結果，準確率達到99. 67%.

Wolfart 等［51］使用卷積神經網絡（Convolutional Neural Network， CNN）開發出一種室內定位系統，用于識別位置并提高檢查效率，幫助核查人員在核設施內進行檢查活動. 本節中提到的機器學習算法參見表2.

4相關討論

4. 1機器學習在PUREX 相關領域的應用

當前，機器學習方法在PUREX 流程中的應用仍處于起步階段，潛力和發展空間巨大. 本節中我們介紹一些機器學習方法在與PUREX 相關的領域中的應用，希望對未來機器學習方法在PUREX中的應用提供啟發.

在液-液萃取領域，機器學習方法同樣引起廣泛關注. Ghaemi 等［52］采用ANN 結合MLP 算法來預測平均液滴直徑，最終結果的R2 為0. 9905、MSE 為0. 0023. Benimam 等［53］開發了3 種機器學習模型（ANN、SVM、LSSVM）來研究水在離子液體中無限稀釋時的活性系數，所得結果的R2 為0. 99997，AARE 為0. 56%. Su等［54］嘗試使用機器學習算法（RF、SVM、ANN）來預測脈沖折流板萃取柱的性能，所得結果的最佳AARE 分別為3. 97%、10. 16%、12. 71% 和13. 44%.

在核工程領域，核科學家一直在開展核工業與機器學習相融合的研究［55］. Gong 等［56-58］通過K近鄰（K-Nearest Neighbors， KNN）和決策樹（DecisionTree， DT）等機器學習算法，結合奇異值分解自動編碼器降階模型構建了物理信息數字孿生，準確地預測了核反應堆堆芯中的中子通量和功率分布. Yang 等［59， 60］針對工程尺度的中子擴散特征值問題提出了一種數據驅動的物理信息神經網絡，并將其用于執行不確定性分析和進一步的數值研究. Neudecker 等［61］介紹了如何利用RF 算法進行核數據驗證分析，以便正確識別可疑核數據.

除了將機器學習應用于PUREX 流程，還可以考慮結合MD 模型來優化預測結果. 例如，利用MD 模型，根據特定方程來模擬分子的運動并進行模型求解，可以豐富對鑭系元素和錒系元素的研究. 另外，將分子力場應用于PUREX 計算機模擬可以加強PUREX 工藝的溶液動力學研究，深入了解萃取劑與鑭系元素和錒系元素之間的相互作用. 綜合起來看，機器學習方法與MD模型相結合可以在分子水平上進行模型訓練和預測［62］，顯著提高模型預測的準確性. Kadupitiya 等［63］探索了機器學習與并行動力學模擬的集成，預測結果接近顯式MD 模型，從而展示了將機器學習算法與MD模型結合起來進行預測的可行性. Nguyen等［64］利用機器學習方法獲得了不同溫度下錒系元素熔鹽的鍵合結構、熱力學和動力學信息. 該方法實現了與密度泛函理論相媲美的高準確性，同時還顯著降低了計算成本. Feng 等［65］使用MD 模擬和機器學習方法研究了熔融氯化鑭的局部結構. 結果表明，與傳統密度泛函理論相比，該方法更高效，且能夠提供微觀結構和性質的準確描述，顯著提高了探索分子局部結構和性質的算法的性能.

總之， 將MD 模型和機器學習方法融合起來的研究雖然尚處于早期階段，但已初步顯示出希望和潛力.

4. 2數據收集和生成

機器學習方法的廣泛應用對數據收集提出了新挑戰. 在各種機器學習預測方法中，大量準確且具有代表性的樣本至關重要，這有助于機器學習算法進行有效學習和泛化. 在實際應用中，數據獲取并不是一件容易的事. 這里我們提出了兩種可能的解決方案.

首先，通過自然語言處理（Natural LanguageProcessing，NLP）從類似學術研究中提取數據.NLP 是一個涵蓋人工智能和語言學的跨學科研究領域，專注于使計算機能夠理解人類的語言陳述或書面文字并執行相應功能. 隨著化學研究與應用領域可用數據集的大幅增長，通過NLP 工具能夠在幾分鐘內就完成數據收集. Choudhary等［66］提出了ChemNLP 庫，將其用于管理材料和化學文獻的開放數據集. 該數據庫同時支持文本分類和信息挖掘. Rockt?sche 等［67］開發了Chemical Tagger解析器，使用機器標注器實現了88. 9% 的短語識別準確率和91. 9% 的短語類型識別準確率. Corbett［68］提出了基于遞歸神經網絡的Chemlistem，采用遷移學習實現了91. 47% 的測試數據準確率和89. 21% 的召回率. 其他用于化學和材料工具的流行NLP 工具還包括ChemSpot[67］、MaterialsParser、OSCAR4 等.

其次，生成對抗網絡（Generative AdversarialNetwork， GAN）［69］也是一個可行方向. 值得注意的是，GAN 通常需要大量的訓練樣本，這并不容易得到. 為了解決這個問題，Wang 等［70］提出了一種結合GAN 和去噪自動編碼器的方法，實現了從小規模數據集生成與原始樣本分布相似的新樣本，從而擴展了樣本集并提高分類器的泛化能力. 該方法在一定程度上可以解決小樣本條件下的深度學習神經網絡的故障診斷問題. Wang 等［71］引入了一種基于元學習的生成對抗網絡算法. 所得結果表明，當以一定比例混合正常數據和生成數據時，與僅使用正常數據進行分類相比，該方法可以獲得更高的分類準確性. 這說明通過GAN 生成增強數據集來提高機器學習的預測準確率是可行的.

我們相信，上述兩種收集和增強數據的方法有望解決機器學習中的數據挑戰，并為各領域中模型的應用提供更為準確和可靠的預測. 本節中提到的機器學習算法參見表3.

5總結與展望

本文回顧了機器學習方法在PUREX 及其相關領域的應用，重點介紹了基于機器學習方法的萃取劑選擇、萃取劑性質預測、溶液體系選擇及后處理保障等方面的最新研究進展. 綜合起來看，機器學習方法的加入為PUREX 提供了更準確、更具成本效益比的預測能力. 特別值得注意的是，人工神經網絡算法及其變體能夠以優異的非線性參數估計能力在處理問題時有突出表現. 究其原因，機器學習具有復雜的結構和學習能力，能夠有效捕捉數據中的復雜關系，從而提供更準確可靠的估計結果. 在實際應用中，非線性關系和多變量影響廣泛存在，人工神經網絡算法具有強大的適應性和泛化能力使其成為處理此類問題的一種強有力工具，可望為PUREX 工藝性能的提升提供堅實基礎.

截至目前，機器學習方法在PUREX 領域的應用還比較有限. 為拓展機器學習方法應用于PUREX 的潛力，本文介紹了部分機器學習算法在與PUREX 相關的領域中的應用，為這些算法在PUREX 流程中的進一步應用提供一些可行性和有效性方面的啟發，為提高PUREX 過程的效率和準確性打下更為堅實的基礎.

除了為數據集選擇合適的機器學習算法外，本文還討論了數據集規模與預測性能之間的關系. 一般情況下，數據集所包含的信息越豐富，機器學習模型的預測性能就越出色. 然而，數據集上的信息收集又不能不受到成本的制約. 為了突破這一限制，本文總結了現有的一些擴充數據集的數據生成方法.

在未來的研究中，我們建議研究者重點關注如何利用機器學習方法來預測能夠反映金屬離子萃取率的分配比指標. 準確預測分配比有助于尋找更適合PUREX 工藝的萃取劑和溶液體系，進一步降低實驗成本. 我們還建議研究者考慮將機器學習方法與分子動力學相結合，減少重復試錯實驗，從整體上降低實驗成本. 我們認為，二者都是未來非常有前景的研究方向，有望為PUREX 流程的優化開辟新的道路.