结合特征调制与物理约束的包覆燃料棒多工况流场替代模型

《Engineering Applications of Artificial Intelligence》：A surrogate for wire-wrapped fuel rod multi-condition flow fields fusing feature modulation and physics constraints

　　

摘要

绕丝燃料棒是快中子反应堆中的关键结构，它通过螺旋缠绕的金属丝来实现组件定位和冷却剂流动控制。然而，其复杂的几何结构会显著增加传统计算流体动力学模拟的网格尺寸和计算成本。为解决这一问题，本研究提出了一种神经网络建模框架，该框架将数据驱动方法与物理约束相结合，并引入可学习的特征调制机制，从而构建出可用于多条件流场预测的高效替代模型。研究整合了时间点、入口流速以及绕丝间距三种参数，构建了包含1000种工作条件的参数空间，这些参数被输入到特征调制网络中，以动态生成适用于不同条件的模型权重。同时，该研究还引入了基于物理信息的神经网络框架，通过将连续性方程和纳维-斯托克斯方程的残差作为物理损失项，确保预测结果符合流体动力学的基本定律。为进一步优化训练过程，研究系统地分析了自适应损失加权、特征调制层的放置位置以及不同阶数特征调制策略对模型性能的影响，从而揭示了多任务平衡和表征能力调整的关键机制。实验结果表明，所提出的集成模型能够高效且准确地预测各种工作条件下三维绕丝燃料棒周围的复杂流场分布，同时保证结果的物理合理性，为快中子反应堆燃料组件的高精度仿真和优化设计提供了可靠的计算工具。

章节节选

背景

在流体力学研究中，计算流体动力学（CFD）经过多年发展，已作为一种主流数值方法形成较为成熟的理论体系，并在众多应用中展现出极高的计算精度。不过，这种方法仍存在诸多局限性，比如较高的计算资源消耗和较长的处理时间。近年来，随着人工智能技术的进步，尤其是

数据集来源

本研究的训练数据来源于单个绕丝燃料棒周围流场的CFD模拟结果。图1展示了在CFD中建立的该单个绕丝燃料棒模型的几何形状和尺寸。这个三维燃料组件由一个六边形外套筒、一根绕丝燃料棒以及周围的流场构成。燃料棒的高度为100毫米，直径为7毫米，而金属丝的直径则为1.5毫米。由于其复杂的结构

参数生成网络与特征调制

特征调制（Balaevi等人，2019年）是一种用于提升卷积神经网络特征表示能力的技术。该方法通过引入一个辅助网络，根据输入数据为每个特征通道动态生成一个缩放因子（γ）和一个偏移量（β），从而对原始特征图进行自适应的线性变换。具体而言，该辅助网络会输出两个参数向量，其维度与特征通道的数量相等

研究结果

为比较不同的训练模型和策略，本研究采用了以下模型参数：用于特征调制的参数生成网络共有n个参数，是一个包含四层的全连接神经网络。前三层的神经元数量分别为32、64和128，而第四层的神经元数量则是当前卷积层输出通道数量的n倍。整个主要神经网络框架则是一个卷积神经网络

讨论

在本节中，本研究探讨了当前研究的局限性，并指出了未来研究的方向。具体而言，研究主要关注两个方面：（1）所提出的替代模型在工程应用中的可扩展性和泛化能力；（2）PINN框架在处理湍流变量时的物理规则性。

• (1)
  本研究旨在为所提出的替代模型提供概念验证。所使用的Conv3D架构表现出线性

结论

本研究开发了一种混合框架，该框架结合了卷积神经网络、基于物理信息的神经网络以及特征调制技术，用于预测在不同运行条件下的绕丝燃料棒周围的三维流场，这些运行条件包括入口流速、绕丝间距以及时间因素。为应对特征调制带来的训练复杂性，研究系统地分析了标准化策略、调制层的位置以及调制方式等因素的影响

CRediT作者贡献说明

陈兆新：概念构思、正式分析、方法设计、软件实现、初稿撰写。黄毅：数据整理、研究实施、软件使用。高福海：资源提供、研究指导、结果验证、论文润色。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究成果的已知财务利益或个人关系。

Zhaoxin Chen|Yi Huang|Fuhai Gao

中国原子能科学研究院，北京，102400，中国