1. 项目概述当机器学习遇见核反应堆安全在核反应堆堆芯的热工水力安全分析中有一个参数如同“高压线”它的准确预测直接关系到反应堆的安全裕量设计这就是临界热流密度。简单来说当燃料棒表面的热流密度超过这个临界值时高效的核态沸腾会被低效的膜态沸腾取代导致燃料包壳温度急剧升高这就是所谓的“沸腾危机”。因此能否精确预测CHF是评估反应堆安全性的基石。传统上工程师们依赖两类主要工具经验关联式和查值表。经验关联式比如经典的W-3或Bowring公式是基于大量圆管实验数据拟合出的物理公式使用方便但精度有限尤其在棒束这种存在复杂横向流动、定位格架扰动的非均匀几何中外推性能往往不佳。查值表如Groeneveld LUT则像一个多维数据字典通过插值给出预测虽然基于海量数据但在数据点稀疏区域或超出插值范围时同样存在不确定性。近年来机器学习技术的兴起为解决这一经典难题提供了全新视角。其核心思路是既然CHF与压力、质量流速、局部含汽率等参数之间存在高度复杂的非线性关系何不让算法直接从历史实验数据中学习这种关系然而纯粹的“黑箱”数据驱动模型在工程应用中常面临可解释性差、在训练数据范围外泛化能力存疑的挑战。于是一种结合了物理先验知识与数据驱动优势的“混合模型”思路应运而生用一个传统的物理模型如关联式或LUT给出基础预测再训练一个机器学习模型来专门预测这个基础预测的残差即误差最终将两者相加得到更精确的结果。这就像一位经验丰富的老师傅物理模型先做出判断再由一位擅长处理细节和异常情况的助手机器学习模型进行微调。本项工作正是将这种基于圆管数据训练的混合机器学习模型首次系统地应用于真实的棒束几何CHF预测中并集成到了业界广泛使用的子通道分析代码CTF中。这不仅仅是模型的简单移植更是一次对机器学习模型“泛化能力”的严峻考验——用简单圆管中学到的知识去解决复杂棒束中的实际问题。2. 核心思路与模型架构设计2.1 从“孤立流道”到“棒束环境”核心挑战解析为什么说从圆管到棒束是一次“跨界”挑战关键在于物理假设的失效。在圆管实验中流道是孤立的没有相邻流道之间的相互作用。基于此一种常见的CHF预测模型输入是“基于入口条件”的例如入口过冷度、加热长度等。这类模型隐含了一个重要假设从入口到所关心的轴向位置流体的能量是守恒的可以简单地通过热平衡计算出来。然而在真实的棒束中这个假设被彻底打破。相邻子通道之间存在着持续的横向质量、动量和能量交换即交混定位格架会引起局部压降和湍流增强未加热的导向管等结构也会影响流场。这些复杂的现象使得基于入口条件的计算变得不再可靠。因此本研究选择了一个更为“局部化”的输入特征集加热当量直径、压力、质量流速和局部平衡含汽率。这个特征集不依赖于上游历史只关心计算位置当地的瞬时状态理论上更能适应存在横向交混的棒束环境。加热当量直径是一个关键参数在圆管中它等于水力直径但在棒束的非圆形子通道中它能更合理地表征加热周长的影响。2.2 三类预测模型的同台竞技为了全面评估性能我们在CTF中实现了三类共六种CHF预测模型进行对比纯数据驱动机器学习模型一个深度神经网络直接学习从四个局部特征到CHF值的复杂映射关系。它不包含任何显式的物理公式完全依赖数据驱动。混合Bowring模型以经典的Bowring经验关联式作为基础模型再用一个DNN来预测Bowring公式的预测残差最终预测值为两者之和。混合查值表模型以Groeneveld 2006 LUT作为基础模型同样用一个DNN来修正LUT的预测偏差。作为参照基准我们还使用了三个传统模型专门为棒束设计的W-3关联式、Bowring关联式以及Groeneveld LUT本身。这样的设计形成了一个清晰的对比矩阵传统方法 vs. 机器学习方法纯数据驱动 vs. 物理与数据融合。注意模型输入特征的选择是成败关键。许多早期研究为了在圆管上获得更高精度加入了入口过冷度等参数但这在棒束中会引入难以量化的误差。坚持使用纯粹的局部参数是确保模型能从简单几何泛化到复杂几何的首要原则。2.3 数据基石NRC圆管CHF数据库所有机器学习模型的训练都基于同一个数据源美国核管会用于生成2006版Groeneveld查值表的CHF数据库。这个数据库包含了24,579个圆管向上流动水的实验点具有均匀的轴向功率分布。经过数据清洗如剔除入口过冷度为负的异常点最终使用了24,320个高质量数据点。数据被按照90%/5%/5%的比例随机划分为训练集、验证集和测试集。采用如此高比例的训练集是为了最大化模型的预测性能因为我们的目标是将训练好的模型作为“部署模型”直接用于仿真而庞大的数据量也足以支撑用5%的数据进行可靠的性能评估。3. 模型训练、部署与验证流程详解3.1 从Python到Fortran工业级代码集成实战在科研中我们常在Python环境中利用TensorFlow、PyTorch等框架快速构建和训练模型。但要将模型用于像CTF这样用Fortran编写的大型工业级系统程序需要一座可靠的“桥梁”。本研究采用了一种务实且高效的方法超参数优化与训练在Python中使用贝叶斯优化方法独立地为三个DNN模型纯ML、混合Bowring、混合LUT寻找最佳超参数组合包括网络深度、宽度、批次大小、学习率、L2正则化强度等。确定架构后采用指数衰减学习率和早停策略最多训练500轮以防止过拟合。模型固化与导出训练完成后将最终的模型权重和架构参数固化保存。原生Fortran集成利用作者团队之前开发并开源的一套框架将这些训练好的模型“翻译”并加载到CTF代码中。这套框架的关键在于实现了TensorFlow模型在Fortran环境中的原生推理避免了跨语言调用带来的性能开销和复杂性确保了在大型系统级仿真中计算的稳定与高效。3.2 圆管环境下的性能基线测试在挑战棒束之前必须确保模型在“老家”——圆管环境中表现正常。我们使用CTF构建了1216个圆管测试案例来自5%的测试集每个案例模拟60个轴向节点以瞬态方式运行至稳态并在出口节点计算CHF。表I展示了三个模型在圆管测试集上的关键误差统计指标。可以看到无论是纯ML还是两个混合模型其平均绝对百分比误差µerror都在11%-13%之间中位数误差Mederror约为6%表现优异且彼此接近。这证明模型在训练数据同分布的圆管环境下已经学习到了稳健的CHF预测能力为后续的泛化测试奠定了可信的基础。表I. 基于NRC圆管数据库测试集评估的最终CTF圆管ML模型性能指标纯ML模型混合Bowring模型混合LUT模型平均绝对百分比误差 µerror (%)11.6312.6911.63中位数绝对百分比误差 Mederror (%)6.036.466.05最大绝对百分比误差 Maxerror (%)294.08395.00333.39误差标准差 Stderror (%)18.5821.9819.12误差10%的比例 Fϵ10% (%)34.7935.5334.46误差25%的比例 Fϵ25% (%)16.3717.2715.80实操心得关注误差分布而非单一均值。从表I可以看出虽然平均误差都在可接受范围但最大误差Maxerror非常高超过了290%。这提醒我们机器学习模型可能存在对某些极端工况的预测“盲点”。在实际工程应用中除了看平均表现必须通过误差分布如箱线图、分位数误差等指标全面评估模型的可靠性并谨慎对待其预测边界。3.3 试验台架CE 5×5棒束实验系列真正的考验来自棒束几何。我们选择了燃烧工程公司的5×5棒束实验系列作为验证基准。这个实验在CTF的验证套件中已有完备的几何与模型设置但此前并未用于评估CHF预测。该棒束由25根加热棒组成加热长度2.13米具有均匀的轴向功率分布和非均匀的径向功率分布其中25号棒为热点。棒束沿高度方向布置了5个定位格架并在1.95米高度处开始布置了4层热电偶用于监测壁温。实验共包含8个不同的运行工况所有工况中CHF均被实验观测到发生在25号棒第3表面、第4层热电偶1.95米的位置。在CTF中构建该棒束的模型时需要特别关注两个关键点几何与网格模型包含25根加热棒、36个允许横向交混的子通道、84个轴向节点以及5个非交混的定位格架。湍流交混模型这是棒束模拟的核心。CTF中的湍流交混模型需要一个用户输入参数——单相交混系数βSP。这个参数对CHF预测结果极其敏感。3.4 一个关键参数的“蝴蝶效应”单相交混系数βSP图2展示了在TS74.1工况下仅改变βSP值从0.0到0.1使用基准LUT模型计算得到的25号棒第3表面热电偶处的偏离泡核沸腾比沿轴向的变化曲线。DNBR是局部热流密度与预测的CHF的比值DNBR1即表示达到临界条件。结果令人震惊不同的βSP值会导致预测的CHF位置发生显著变化在实验观测位置1.95米处CHF预测值的差异甚至超过50%。这深刻地揭示了一个问题在系统级仿真中CHF模型的预测精度不仅取决于模型本身还与系统其他物理模型如交混模型的参数设置强耦合。一个不准确的系统参数可能会完全掩盖或扭曲CHF模型的真实能力。因此在本研究中我们参考了先前针对该实验台架的专门研究将βSP设定为0.0044。这个步骤至关重要它确保了不同CHF模型之间的比较是在一个相对合理、一致的系统背景下进行的避免了“噪声”淹没“信号”。4. 棒束预测结果深度分析与解读4.1 定量误差分析混合LUT模型脱颖而出对8个实验工况进行了完整的CTF模拟每个工况运行6次3个ML模型3个基准模型。我们从仿真结果中提取了两个关键预测值1预测的CHF发生位置即DNBR首次低于1.0的轴向高度2在实验观测位置1.95米处预测的CHF值。表II汇总了所有模型在所有工况下的相对误差。一个清晰的结论是平均而言所有三种基于机器学习的方法纯ML、混合Bowring、混合LUT在CHF值和位置的预测上均比传统的基准模型W-3 Bowring LUT更准确。表II. CE 5×5棒束实验各工况下的相对误差指标上行为CHF值误差下行为CHF位置误差工况基准 W-3基准 Bowring基准 LUT纯ML模型混合 Bowring混合 LUTTS74.1-25.10 / -20.73-26.68 / -15.94-23.18 / -18.16-12.19 / -12.22-15.79 / -9.996.15 / 2.11TS74.2-23.16 / -18.13-23.05 / -13.56-22.92 / -16.34-18.05 / -8.85-14.76 / -7.974.17 / 1.21TS74.3-15.87 / -16.20-5.91 / -5.28-13.51 / -10.75-12.42 / -11.43-11.75 / -8.96-14.76 / -9.72TS74.4-31.64 / -25.92-40.18 / -24.69-24.13 / -23.05-13.56 / -11.41-26.19 / -16.4713.52 / 6.44TS75.1-27.00 / -23.71-27.19 / -16.77-23.70 / -19.73-16.47 / -16.83-16.83 / -12.382.90 / 0.88TS75.2-23.35 / -20.19-20.93 / -12.80-21.44 / -16.72-13.76 / -7.03-15.32 / -8.933.19 / 0.94TS75.3-16.91 / -18.05-6.40 / -5.67-13.48 / -11.28-16.32 / -17.55-5.75 / -4.25-5.71 / -3.65TS75.4-36.28 / -32.10-44.58 / -28.28-28.09 / -27.10-15.54 / -16.42-28.24 / -19.110.91 / 0.66平均误差绝对值24.91 / 21.8824.37 / 15.3721.31 / 17.8914.79 / 12.7216.83 / 11.011.30 / 0.14特别值得注意的是混合LUT模型的表现。在8个工况中的7个它在两项预测上都取得了最低的误差。其平均CHF值预测误差仅为1.30%平均位置预测误差更是低至-0.14%远优于其他所有模型。这强烈表明将LUT的物理查值框架与机器学习的数据驱动偏差修正能力相结合在从圆管到棒束的泛化任务中取得了显著成功。4.2 定性行为观察DNBR轴向曲线揭示模型特性仅看误差数字是不够的我们还需要观察模型的预测行为是否合理。图4展示了TS75.1工况下25号棒第3表面热电偶处的DNBR沿轴向高度的变化曲线。基准模型三条基准模型的曲线W-3 Bowring LUT呈现出相对平滑、趋势一致的下降在定位格架处因局部压降和流动扰动出现陡降。它们的初始DNBR值在2.1-2.8之间分布较散。纯ML模型其曲线表现出更多的不规则波动尤其是在0.5米至1.5米之间移动平均值在变化。这反映了纯数据驱动模型在复杂流动环境下预测的“不稳定性”或“噪声”它虽然平均误差尚可但预测轨迹的物理平滑性稍差。混合模型混合Bowring的曲线与其基准Bowring曲线形状平行但整体上移说明ML修正项系统性地提高了预测的CHF值即降低了DNBR。混合LUT的曲线则最为引人注目它的形状与基准LUT几乎一致但整体向上平移了约0.25个DNBR单位。这意味着ML修正项没有改变LUT预测的“形状”即对物理趋势的捕捉而是整体性地、近乎恒定地修正了其幅值使其预测线几乎穿过实验临界点Reference Lcr。这体现了混合模型“保持物理趋势修正数值偏差”的理想特性。4.3 模型表现差异的根源探究为什么混合LUT模型表现最好我们可以从“基础模型”的特性来分析Bowring关联式是一个基于物理机理的半经验公式形式相对简单。在棒束复杂环境中其基础预测可能本身就存在较大的、非系统性的偏差这使得后续的ML修正任务变得困难。Groeneveld LUT本质上是基于海量圆管实验数据的多维插值表它本身已经包含了非常丰富的经验关系。在棒束中虽然具体数值有偏差但其反映的各参数对CHF影响的趋势例如压力升高CHF升高含汽率升高CHF降低很可能是基本正确的。ML模型要做的更像是根据棒束环境对这张“趋势图”进行一个系统性的“校准”或“平移”这个任务相对更简单也更容易成功。纯ML模型虽然平均表现尚可但其预测曲线波动较大这可能是由于在缺乏棒束数据训练的情况下模型对横向交混等新物理应产生了“困惑”其内部学到的特征关系在棒束环境中出现了不确定性。注意事项警惕“乐观”的偏差。研究指出混合LUT模型在8个案例中的6个都出现了正偏差即预测的CHF值高于实际DNBR预测值偏低。在工程安全分析中我们通常倾向于保守预测即预测的CHF低于实际DNBR预测值偏高。因此虽然该模型精度高但其轻微的非保守倾向在实际应用中需要被谨慎评估可能需要引入额外的安全系数。5. 工程应用启示与未来展望5.1 当前研究的核心价值与局限性本研究最核心的结论是鼓舞人心的基于纯圆管数据训练的机器学习模型特别是混合模型能够在一定程度上泛化到更复杂的棒束几何中并展现出优于传统经验方法的预测精度。这为在缺乏充足棒束实验数据的情况下利用丰富的圆管数据提升棒束CHF预测能力开辟了一条切实可行的路径。然而必须清醒认识到其局限性数据瓶颈模型的“天花板”依然受限于训练数据。当前性能的提升是在一个特定棒束实验系列上验证的。要建立普适性更强的模型必须获取更多样化、更大量的棒束CHF实验数据。系统不确定性如βSP参数敏感性所示CHF预测是系统级仿真中的一环。其最终精度受到交混模型、摩擦模型、空泡模型等多个子模型及其参数的影响。机器学习CHF模型的优势可能被其他模型的不确定性所部分抵消。物理可解释性尽管混合模型结合了物理基础但DNN修正项仍然是黑箱。在安全攸关的核工程领域模型决策过程的透明性至关重要这是未来需要攻克的难点。5.2 给从业者的实操建议如果你正在考虑将机器学习方法应用于工程仿真以下经验可供参考从“混合”起步相较于纯黑箱模型优先考虑混合建模思路。用一个经过验证的物理模型或经验关系作为基础让机器学习去学习那些物理模型难以捕捉的残余偏差。这能更快地获得工程师的信任也更容易集成到现有工作流中。特征工程至关重要仔细审视你的输入特征。像本研究一样尽可能使用“局部瞬时”特征避免使用那些在目标应用场景中物理假设可能失效的“历史积分”特征。这能极大增强模型的泛化能力。验证需多维度不要只看一个平均误差指标。要分析误差分布箱线图、观察预测曲线是否物理合理如DNBR轴向曲线、检查模型在工况边界的行为。定性与定量分析相结合。理解你的系统将机器学习模型嵌入系统代码时必须进行严格的“代码到代码”验证确保从训练环境到部署环境的结果一致性。同时要进行全面的参数敏感性分析了解机器学习模型与其他物理模型的耦合效应。5.3 未来可行的技术演进方向基于本研究的发现后续工作可以沿着几个方向深入数据扩充与迁移学习积极收集和整理公开的棒束CHF数据。即使数据量有限也可以采用迁移学习技术。例如用海量圆管数据预训练一个模型再用少量的棒束数据对模型进行微调使其适应棒束特有的物理现象如格架影响、横向交混。这是突破数据瓶颈最有希望的方向。不确定性量化开发不仅能够预测CHF值还能给出预测不确定性的模型如贝叶斯神经网络。这对于安全分析至关重要可以告诉工程师在哪些工况下模型的预测是可靠的哪些工况下需要格外小心。高保真仿真数据补充在实验数据匮乏的区域可以利用经过验证的高保真计算流体力学-传热学模拟来生成补充数据与实验数据结合用于训练从而扩大模型的覆盖范围。可解释性机器学习结合SHAP、LIME等可解释性AI工具分析机器学习模型在做出预测时各个输入特征的重要性如何其决策是否与物理认知一致。这能逐步打开黑箱建立工程信心。这项研究像一次成功的“概念验证”它证明了数据驱动方法在核工程经典难题中的巨大潜力。尽管前路仍有挑战但将物理模型的坚实骨架与机器学习的学习能力相结合无疑是为复杂工程系统的精准仿真与安全设计提供了一把更为锋利的工具。
