引言
先进核能系统的发展越来越强调高效和高紧凑度的能量转换技术，以提高整个电厂的性能和经济竞争力 (DOENE (USDOE Office of Nuclear Energy, Science and Technology (NE)), 2002)。超临界流体 (SCFs)，特别是超临界水和超临界 CO2，已成为下一代反应堆概念中的关键工作介质，如超临界水冷却堆 (SCWRs) (Pan et al., 2022, Luo et al., 2024) 和超临界二氧化碳布雷顿循环 (Crespi et al., 2017, Liao et al., 2019)。它们在临界点附近卓越的热力学和输运特性使得热效率、紧凑度和系统整合方面取得显著提升，这对于未来的核电力系统至关重要 (Shi et al., 2025)。
然而，核环境中的超临界流体热工水力仍然高度复杂。在伪临界温度附近，密度、比热容、粘度和导热系数的急剧变化导致流动和传热出现强非线性，这些现象进一步受到浮力、湍流调制和传热恶化的影响 (Cheng et al., 2009, Li et al., 2024, Chu and Laurien, 2016, Xie et al., 2022, Sun and Xie, 2024)。这些效应在涉及高热流密度、紧凑几何形状和严格安全裕度的反应堆相关工况下变得更加明显。因此，传统的经验关联式往往无法在跨流体、压力和运行模式下提供可靠的预测。尽管经验关联式广泛应用于超临界传热设计，但其适用性从根本上局限于其推导所基于的狭窄参数范围；如果没有大量新的超临界实验，直接外推到更广泛的反应堆相关工况缺乏可靠性。
与此同时，虽然机器学习模型在其训练数据集范围内表现出优异的精度，但其外推能力仍然较弱，使得在不同流体和运行模式之间进行知识迁移变得困难。这些局限性凸显了对一种统一的、多流体、多工况预测框架的需求，该框架能够在任何单一数据集之外保持精度。为了满足这一要求，深度学习提供了合适的基礎，因为它可以捕获复杂的非线性相互作用，并从实验和模拟数据中自动提取多尺度特征 (Chen et al., 2025, Xing et al., 2026, Shi et al., 2025)。
传统神经网络在更新新任务时会遭受灾难性遗忘，因为重新训练会覆盖先前学习的参数 (Zhou et al., 2024, Luo et al., 2020)。增量学习通过保留先前任务的知识同时逐步获取新知识来解决这一局限性 (Parisi et al., 2019)。渐进神经网络 (PNNs)，最初由 Rusu 等人 (2022) 提出，为每个任务分配一个独立的网络列，其参数在训练后冻结；侧向连接将前一列的特征传播到每个新列中，从而在不暴露历史权重于破坏性梯度更新的情况下实现知识迁移。最近的研究证明了其在跨领域知识迁移中的有效性，包括 sim-to-real 机器人策略迁移 (Meng et al., 2024, Ju et al., 2025) 和跨异构形态的多机器人技能共享 (Ada et al., 2024)。
虽然这些应用不属于流体动力学范畴，但其底层原理——在适应新域时保留源域中物理有意义的表示——直接适用于热流系统。在这样的系统中，控制物理规律跨流体保持一致，但属性分布和运行范围差异巨大，使得冻结列架构成为在不侵蚀其原始预测能力的情况下将基准超临界水模型扩展到其他流体和更广泛工况的自然选择。在本研究中，提出了一种基于增量学习的框架，以构建跨多种流体和工况的高精度、可泛化超临界流体传热模型，克服了传统方法的局限性，并为设计未来的多场景超临界系统提供了稳健的数据驱动工具。
