AI驱动的自适应网格优化技术在核反应堆热工水力模拟中的应用研究

针对核反应堆复杂流道网格划分耗时且难以收敛的难题，中国科学院研究人员创新性地提出"自适应网格+机器学习算法"融合技术DeepAMR。该研究通过U-Net模型智能识别敏感网格区域，结合局部加密策略优化二维轴向绕丝流道网格，在保持边界完整性的同时将四边形网格平均质量从0.76提升至0.78。与开源CFD软件Nek5000耦合后，在256核并行计算中实现144.54倍加速比，为多物理场耦合仿真提供了高效解决方案。

　　

在核能工程领域，热工水力数值模拟是反应堆安全分析的核心手段，而复杂流道的网格划分一直是制约仿真效率的瓶颈。传统方法面临双重困境：人工划分依赖经验且耗时，自适应网格法需反复迭代消耗大量算力。尤其对于绕丝燃料棒这类具有多尺度特征的复杂几何结构，既要捕捉毫米级绕丝对流动的影响，又要兼顾米级流道整体特性，网格质量直接关系到Navier-Stokes方程求解的精度和稳定性。

针对这一挑战，中国科学院团队在《Machine Learning with Applications》发表创新成果，将深度学习与传统CFD方法深度融合。研究以二维轴向绕丝流道为对象，开发了基于U-Net架构的DeepAMR系统。该系统通过将.msh格式网格转换为灰度图像，利用预训练模型快速定位低质量网格区域，仅对敏感区域实施局部加密。关键技术包括：NX和ICEM构建几何模型、TensorFlow平台实现图像分割、基于连通域分析的局部加密算法，以及与Nek5000光谱元法的耦合验证。

【数据准备】
研究构建了包含120组绕丝流道的基准数据集，涵盖三角形、四边形及混合网格三种类型。通过边界层加密和局部加密策略，确保Y+值小于1以解析粘性子层。几何参数严格参照实际反应堆，包括6mm燃料棒直径、0.95mm绕丝直径等关键尺寸。

【AI模型训练】
对比试验表明，采用Softmax激活函数的U-Net模型验证准确率达0.87，显著优于ReLU的0.79。模型将3840×3840原始图像降采样至512×512处理，通过8层编码器-解码器结构实现高效特征提取。

【自适应网格优化】
创新性地将灰度图像划分为16个区间，记录各连通域的坐标和几何特征。针对灰度值>100的区域，对四边形单元采用中心-边中点连接加密，三角形单元则进行边中点剖分。加密后混合网格平均质量从0.795提升至0.797，网格数量从3789增至4190。

【CFD验证】
在CAS ORISE超算系统上测试显示：
1）法向流动模拟中，1-5秒内成功捕捉到收缩-扩张管流特有的涡脱落现象；
2）切向流动在10秒内形成符合物理规律的二次涡结构；
3）并行测试中39930个网格在256核上实现144.54倍加速，效率保持56.4%。

该研究的突破性在于将AI预测与传统物理验证有机结合：
1）效率提升：避免全局均匀加密，计算资源消耗降低约40%；
2）精度保障：敏感区域识别准确率较传统误差估计法提高30%；
3）通用性强：基于网格离散的通用特性，可扩展至中子输运、结构力学等领域。

正如研究者Shuai Ren等指出，该方法首次实现了"自适应网格+AI算法+热工模拟"的全链条整合。未来通过引入更先进的图神经网络，有望进一步优化多相流、瞬态工况等复杂场景的网格生成，为数字反应堆建设提供关键技术支撑。这项成果不仅革新了核工程仿真范式，也为跨学科智能计算树立了典范。