本發(fā)明涉及核能工程及先進(jìn)計(jì)算，特別涉及一種用于預(yù)測(cè)鈉冷快堆換熱器熱工水力特性的深度學(xué)習(xí)方法。

背景技術(shù)：

1、鈉冷快堆是一種先進(jìn)的核反應(yīng)堆技術(shù)，其非能動(dòng)余熱排出系統(tǒng)通過(guò)利用熱工水力特性持續(xù)帶走堆芯的熱量，確保反應(yīng)堆的安全運(yùn)行。在余熱排出系統(tǒng)中，換熱器作為關(guān)鍵組件，其熱工水力特性的準(zhǔn)確估算對(duì)于反應(yīng)堆的設(shè)計(jì)和安全分析至關(guān)重要。然而，由于鈉冷快堆換熱器微通道結(jié)構(gòu)復(fù)雜，局部流動(dòng)參數(shù)難以直接測(cè)量，且液態(tài)鈉作為工作流體具有高活性，使得實(shí)驗(yàn)研究面臨巨大挑戰(zhàn)。

2、為了克服這些難題，數(shù)值模擬方法如有限體積法、有限元法、邊界元法及無(wú)網(wǎng)格類方法被廣泛應(yīng)用于預(yù)測(cè)和分析換熱器中的流動(dòng)和傳熱過(guò)程。盡管這些方法在一定程度上提供了解決方案，但高精度網(wǎng)格的需求、龐大的計(jì)算量以及復(fù)雜的實(shí)現(xiàn)過(guò)程限制了其應(yīng)用效率。

3、近年來(lái)，隨著深度神經(jīng)網(wǎng)絡(luò)技術(shù)的快速發(fā)展，特別是物理信息神經(jīng)網(wǎng)絡(luò)(pinn)的研究進(jìn)展，為熱工水力特性的預(yù)測(cè)提供了新的思路。pinn通過(guò)結(jié)合深度學(xué)習(xí)與傳統(tǒng)物理模型，能夠?qū)崿F(xiàn)對(duì)復(fù)雜物理系統(tǒng)的準(zhǔn)確預(yù)測(cè)。然而，傳統(tǒng)的pinn方法依賴于大量高保真數(shù)據(jù)進(jìn)行模型訓(xùn)練，這在實(shí)際工程應(yīng)用中往往難以實(shí)現(xiàn)，因?yàn)榇蠖鄶?shù)數(shù)值模擬只能提供低保真度數(shù)據(jù)。使用低保真度數(shù)據(jù)訓(xùn)練的pinn模型容易出現(xiàn)偏差，影響預(yù)測(cè)結(jié)果的準(zhǔn)確性和魯棒性。

4、因此，如何有效利用低保真度數(shù)據(jù)，通過(guò)深度學(xué)習(xí)方法提高鈉冷快堆換熱器熱工水力特性的預(yù)測(cè)精度和效率，成為當(dāng)前亟待解決的問(wèn)題。本發(fā)明針對(duì)這一問(wèn)題，提出了一種創(chuàng)新的深度學(xué)習(xí)方法，通過(guò)串聯(lián)融合三個(gè)深度神經(jīng)網(wǎng)絡(luò)(dnn)，并結(jié)合物理信息偏微分方程和邊界條件作為約束，實(shí)現(xiàn)了基于低保真度數(shù)據(jù)對(duì)鈉冷快堆印刷電路板式換熱器(pche)高保真流速和溫度分布的準(zhǔn)確預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問(wèn)題，本發(fā)明提供一種利用深度學(xué)習(xí)方法，特別是結(jié)合物理信息神經(jīng)網(wǎng)絡(luò)(pinn)技術(shù)的創(chuàng)新方法，旨在通過(guò)低保真度數(shù)據(jù)高效、準(zhǔn)確地預(yù)測(cè)鈉冷快堆印刷電路板式換熱器(pche)的高保真度流速和溫度分布，從而優(yōu)化鈉冷快堆的設(shè)計(jì)、安全分析及運(yùn)行性能。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種用于預(yù)測(cè)鈉冷快堆換熱器熱工水力特性的深度學(xué)習(xí)方法，包括以下步驟：

3、s1：給定低保真度輸入坐標(biāo)、相應(yīng)的低保真度流速和溫度分布以及高保真度輸入坐標(biāo)；

4、s2：通過(guò)第一個(gè)深度神經(jīng)網(wǎng)絡(luò)(dnn)近似低保真度流量和溫度分布；s3：通過(guò)第二個(gè)dnn構(gòu)建低保真度數(shù)據(jù)和高保真度數(shù)據(jù)之間的非線性關(guān)系；

5、s4：將物理信息偏微分方程和邊界條件作為物理約束注入第三個(gè)dnn中，以改進(jìn)和優(yōu)化第二個(gè)dnn的結(jié)果。

6、所述s2中的第一個(gè)dnn表達(dá)式為：

7、

8、其中用于表示低保真性網(wǎng)格的坐標(biāo)，是在低保真度網(wǎng)格、低精度cfd求解器所輸出的流速、溫度和壓力解；第一個(gè)dnn的訓(xùn)練過(guò)程由函數(shù)g1描述，內(nèi)部變量的神經(jīng)元為θ1,，它表示所有可訓(xùn)練的超參數(shù)權(quán)重(w)和偏差(b)，t表示訓(xùn)練步驟；對(duì)于輸出層和隱藏層的每個(gè)神經(jīng)元，將上游層中所有神經(jīng)元的輸出作為輸入。

9、所述s2還包括通過(guò)均方誤差損失函數(shù)和梯度下降算法對(duì)第一個(gè)dnn進(jìn)行訓(xùn)練，直到誤差收斂，以獲得低保真度流量和溫度分布的近似值。

10、每層l的神經(jīng)元可以通過(guò)以下函數(shù)計(jì)算：

11、

12、其中f()表示激活函數(shù)；

13、引入均方誤差的損失函數(shù)l1(θ)，使用梯度下降算法引導(dǎo)超參數(shù)的優(yōu)化方向，直到誤差l1(θ)達(dá)到收斂誤差；l1(θ)為

14、

15、對(duì)于高保真輸入坐標(biāo)第一個(gè)dnn可以立即輸出與高保真輸入坐標(biāo)對(duì)應(yīng)的流速和溫度分布；這一步的流速和溫度分布結(jié)果仍然是低保真度的，輸出結(jié)果為：

16、

17、所述s3中的第二個(gè)dnn的輸入包括來(lái)自第一個(gè)dnn的離散低保真度數(shù)據(jù)和高保真度網(wǎng)格信息的坐標(biāo)，并添加高斯噪聲數(shù)據(jù)以構(gòu)建訓(xùn)練數(shù)據(jù)集，輸出是相對(duì)高保真的數(shù)據(jù)。

18、所述s4中的第三個(gè)dnn具有5維輸入和5維輸出，其總損失函數(shù)包括數(shù)據(jù)損失、物理?yè)p失和邊界損失，用于優(yōu)化第二個(gè)dnn的結(jié)果。7.根據(jù)權(quán)利要求6所述的一種用于預(yù)測(cè)鈉冷快堆換熱器熱工水力特性的深度學(xué)習(xí)方法，其特征在于：所述總損失函數(shù)的表達(dá)式為：

19、l3(θ3)＝λdld+λphylphy+λblb

20、

21、總損失函數(shù)l3(θ3)來(lái)自數(shù)據(jù)損失ld、物理?yè)p失lphy和邊界損失lb；

22、其中λd，λphy和λb是損失函數(shù)的相應(yīng)權(quán)重常數(shù)，分別表示連續(xù)性、動(dòng)量和能量損失項(xiàng)；數(shù)據(jù)損失函數(shù)僅由軸向流速(u)和溫度(t)分布項(xiàng)組成，單個(gè)損失函數(shù)的詳細(xì)形式，可以寫成如下：

23、數(shù)據(jù)損失：

24、

25、物理?yè)p失-連續(xù)性方程：

26、

27、物理?yè)p失-動(dòng)量方程：

28、

29、物理?yè)p失-能量方程：

30、

31、邊界損失：

32、

33、軸向流速(u)和溫度(t)分布的最終結(jié)果可以寫成：

34、

35、所述第三個(gè)dnn主要關(guān)注鈉冷快堆中印刷電路板式換熱器(pche)的軸向流速和溫度分布。

36、所述深度學(xué)習(xí)方法還包括通過(guò)訓(xùn)練好的模型，根據(jù)任意低保真數(shù)據(jù)輸入，快速高效地預(yù)測(cè)鈉冷快堆中具有不同形狀翅片的pche流道內(nèi)的高保真流速和溫度分布。

37、所述深度學(xué)習(xí)方法能夠顯著提高預(yù)測(cè)精度和計(jì)算效率，適用于鈉冷快堆換熱器熱工水力特性的預(yù)測(cè)和分析。

38、與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)：本發(fā)明提出的深度學(xué)習(xí)方法，通過(guò)串聯(lián)融合三個(gè)深度神經(jīng)網(wǎng)絡(luò)(dnn)，有效構(gòu)建了低保真度數(shù)據(jù)與高保真度數(shù)據(jù)之間的非線性關(guān)系，顯著提高了對(duì)鈉冷快堆換熱器熱工水力特性的預(yù)測(cè)精度。同時(shí)，該方法利用深度學(xué)習(xí)替代傳統(tǒng)數(shù)值模擬過(guò)程，大幅縮短了計(jì)算時(shí)間，提升了預(yù)測(cè)效率，為鈉冷快堆的設(shè)計(jì)、優(yōu)化及安全運(yùn)行提供了有力支持。

39、本發(fā)明在深度學(xué)習(xí)模型中嵌入了物理守恒定律，通過(guò)物理信息偏微分方程和邊界條件作為約束，對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行改進(jìn)和優(yōu)化。這一創(chuàng)新設(shè)計(jì)不僅保證了預(yù)測(cè)結(jié)果的準(zhǔn)確性，還顯著增強(qiáng)了模型的魯棒性和泛化能力，使其能夠在不同工況和條件下保持穩(wěn)定的預(yù)測(cè)性能。

40、相比傳統(tǒng)方法需要大量高保真數(shù)據(jù)進(jìn)行模型訓(xùn)練，本發(fā)明僅需低保真度數(shù)據(jù)即可實(shí)現(xiàn)高精度的預(yù)測(cè)。這不僅降低了對(duì)初始采樣數(shù)據(jù)數(shù)量的依賴，還顯著減少了計(jì)算成本和資源消耗，為鈉冷快堆換熱器熱工水力特性的高效預(yù)測(cè)提供了新途徑。

41、本發(fā)明提出的深度學(xué)習(xí)方法，能夠快速、準(zhǔn)確地預(yù)測(cè)鈉冷快堆印刷電路板式換熱器(pche)的高保真流速和溫度分布，為鈉冷快堆的設(shè)計(jì)、優(yōu)化及運(yùn)行控制提供了重要依據(jù)。該方法的應(yīng)用將促進(jìn)鈉冷快堆技術(shù)的工程化進(jìn)程，推動(dòng)其在核能領(lǐng)域的廣泛應(yīng)用。

42、本發(fā)明的成功實(shí)踐，展示了深度學(xué)習(xí)與物理建模相結(jié)合在復(fù)雜工程問(wèn)題預(yù)測(cè)中的巨大潛力。通過(guò)將物理信息融入深度學(xué)習(xí)模型，不僅提高了預(yù)測(cè)精度和效率，還為其他領(lǐng)域的類似問(wèn)題提供了可借鑒的解決方案，推動(dòng)了深度學(xué)習(xí)與物理建模的融合發(fā)展。