将变压器神经网络与先进的双相位相关性分析相结合，用于预测阿尔文Ringwood反应堆（ALWR）核心子通道的特性

《Annals of Nuclear Energy》：Combining transformer neural network and advanced two-phase correlations for predicting ALWR core subchannel characteristics

　　摘要
轻水反应堆（LWR）堆芯内部垂直子通道中的冷却剂循环，尤其是在两相流状态下，会引发复杂的行为和非平衡现象。为了准确模拟棒束中的流动特性，需要进行大量的计算循环、复杂的物理现象建模以及漫长的处理时间。此外，反应堆堆芯内不同子通道中的冷却剂会经历多种边界条件，而且在核反应堆中可能会发生快速事件。因此，能够综合考虑众多相互依赖性并在最短时间内提供可靠结果的工具具有极高的价值。在本研究中，开发了一种新的热工水力框架，用于预测压水反应堆（PWR）和沸水反应堆（BWR）中的冷却剂行为。为此，设计并实现了两个模块：一个用于预测流体进入两相传热状态的程度，另一个用于识别出现的双相流模式。与以往的研究相比，这种多相流模式识别模型在实际可用性、应用方法和性能特征方面具有优势。第二个流动特性模块能够追踪冷却剂从单相到两相子区域的非平衡转变过程。通过应用多种评估标准，并与可靠的实验测量结果和高保真模拟结果进行比较，验证了所提模块的准确性。先进轻水反应堆（ALWR）和新兴的小型模块化反应堆（SMR）在设计上与传统反应堆有显著不同。因此，本研究从新的视角对创新反应堆堆芯设计进行了热工水力分析。

引言
2011年福岛核电站事故之后，人们更加重视将第三代和第四代反应堆堆芯中的热 removal 系统和安全系统从主动机制转变为被动机制（Zhang et al., 2025a）。这种方法不仅应用于先进轻水反应堆（ALWR），也应用于过去十年间在核工业中备受关注的小型模块化反应堆（SMR）（Abdellatif et al. (2024)）。与传统的商用反应堆相比，先进的水冷反应堆设计在热提取机制、流体工作范围和关键组件布置上存在差异（Xu et al. (2025)）。运营参数的调整和创新安全系统的开发需要热工水力（TH）模型的进步（Widodo et al. (2025)）。此外，经过验证的热工水力（T-H）代码对于制定电站运行规范和确保轻水反应堆（LWR）在各种可能运行条件下的安全性至关重要（Ono et al. (2020)）。即使在正常运行条件下，压水反应堆（PWR）和沸水反应堆（BWR）的子通道内冷却剂也会从单相转变为两相传热状态（Ta? (2024)）。因此，新的两相流研究对于识别棒束中的流体行为、评估安全性以及改进水冷反应堆的设计仍然十分必要（Q. Zhang et al. (2025)）。

每一种水-蒸汽两相流状态的形成都会显著影响流体阻力、热 removal 速率、流体-通道相互作用、冷却剂压力降、流动稳定性和流体导电性（Chu et al. (2022)）。这些因素对系统行为、设备寿命、冷却剂循环和传感器精度有着重要影响（Ruiz-Díaz et al. (2024)）。因此，了解多相流模式对于设备设计、电站安全、系统稳定性、工作流程效率及性能优化至关重要（Ambrosio et al. (2025)）。此外，合金材料的选择、测量技术和传感器位置的选择都要求准确识别两相流状态（AlSaif et al. (2022)）。水平、垂直和螺旋通道中的多相流模式被分为不同的类别，具体类别的数量取决于重力、驱动力和离心力对其形成的影响（Cai et al. (2023)）。垂直通道中的气-液两相流主要分为四种模式：气泡流、slug 流、湍流和环流（Cheng et al. (2024)）。每种模式都表现出独特的热工水力特性（Cui et al. (2025)）。多相流模式表现出复杂和非线性的行为，其识别过程常常伴随着困难和挑战（Ma et al. (2025)）。每种两相流模式形成的临界条件受多种参数的影响（Shi et al. (2023)）。在几何条件和热工水力条件变化的情况下，经验图表和理论模型的准确性会显著降低（Gomez Camperos et al. (2024)）。通过实验技术识别流模式也受到设备位置引起的流动干扰、预处理时间延长、 camera 校准需求以及探头精度依赖流体导电性等因素的阻碍（Zhang et al., 2025c）。另一方面，神经网络在发现、提取和识别复杂模式方面表现出显著的强度和鲁棒性（Brantson et al. (2022)）。此外，机器学习算法的应用和智能建模技术的整合可以提高检测过程的可靠性，并克服早期方法遇到的挑战（Xie et al. (2024)）。因此，基于软计算的方法在这一工程领域具有显著提升两相流检测能力的潜力（Wu et al. (2023)）。

利用神经网络确定流模式的研究将这一策略与测量仪器相结合。Paranjape et al. (2012) 设计了一种阻抗计，并分析了微水平通道中空隙分数时间信号的概率密度函数（PDF），利用自组织神经网络（SONN）对两相流模式进行分类。Figueiredo et al. (2016) 使用多层感知器（MLP）网络处理来自超声波传感器的声能脉冲，对多相流模式的识别准确率在四个类别间最高可达17%。Lin et al. (2020) 提出了一种基于深度神经网络（DNN）的单通道两相流模式分类器，该网络经过气体和液体表面速度以及流动方向的倾斜角度训练，不同类别之间的识别准确率差异为16%。Chu et al. (2022) 将压力信号波动转换成适合卷积神经网络（CNN）处理的格式，将四个流类之间的准确率差异降低到了5%。Liu et al. (2023) 应用了多种机器学习（ML）方法处理从垂直两相流图像处理得到的空隙分数变化，不同流类之间的分类准确率差异为13%。Huang et al. (2024) 评估了三种机器学习算法（MLA）——支持向量机（SVM）、K-最近邻（KNN）和随机森林（RF）——在分类水平流中记录的两相流模式方面的能力，发现关注数据预处理可以提高检测准确性。Y. Zhang et al. (2025) 提出了一种基于深度 CNN 和支持向量机（SVM）组合的混合模型来识别两相流模式，并将其应用于通道图像以分类气-液流动状态。

为了扩大流模式分类的范围，包括棒阵列中的流动情况，对这些配置下的两相流进行实验研究是必要的。Williams 和 Peterson (1978) 进行了实验测试，以识别高压下垂直流经棒阵列的流体中的两相流模式，并将模式分为四个不同的组。Harvel et al. (1997) 测量了向上两相流状态下的表面速度，并为单通道通道和六边形几何形状的棒束中的四种流模式开发了识别模型。Zhou et al. (2015) 通过观察在矩形棒阵列中识别了四种水-蒸汽流动模式，并基于96种不同的边界条件提出了新的识别模型。Liu et al. (2017) 使用相机捕捉了类似于压水反应堆堆芯配置的矩形棒阵列中的两相流动动态，并将相应的表面速度与现有的识别图表进行了比较。Ala (2023) 在5x5垂直棒阵列中识别了水-蒸汽流动模式，并报告了包括各相的质量流量、表面速度和每个点的蒸汽质量在内的热工水力特性。

近期关于轻水反应堆（LWR）热工水力模拟的研究主要集中在自然循环冷却、新的安全机制和小规模反应器上。Jiang et al. (2019) 考虑了商用反应堆和小规模反应堆外部反应堆容器冷却（ERVC）系统之间的关键差异，使用RELAP代码模拟了SMR中自然循环的情况，并识别了在不同热通量强度和流体过冷水平下的不稳定边界。Araújo et al. (2020) 使用MELCOR系统代码模拟了涉及总给水丧失（TLOFW）和预期瞬态无紧急停堆（ATWS）的严重事故场景，这些场景中的SMR由自然循环进行一次回路冷却，并计算了氢气爆燃风险。Fakhraei et al. (2021) 研究了采用自然循环进行热 removal 的知名SMR中发生站黑停（SBO）事件的情况，在识别出冷却剂流动不稳定阈值后，提出了两种提高流动稳定性的策略。Kim et al. (2022) 使用MARS-KS代码模拟了在自然循环条件下积分压水反应堆（IPWR）中应用的新安全概念，并评估了其在交流电源丧失情况下的有效性。Movaffagh et al. (2023) 使用FLUENT代码分析了LWR堆芯子通道截面形状的影响，确定了在浮动条件和自然冷却下表现更好的热工水力性能。Malicki 和 Lind (2024) 评估了MELCOR代码在模拟下一代小型模块化反应器的过程中的准确性和可靠性，确认了其在自然循环堆芯热 removal 中模拟设计基准事故（DBA）和超出设计基准事故（BDBA）选定场景的能力。Szogradi 和 Alblouwy (2025) 使用Apros系统代码模拟了一种新型轻水反应堆设计，分析了自然热去除过程中关键热工水力和安全参数的变化。

向两相传热状态的转变会导致通道压力降、传热特性、系统行为轮廓和水-包壳相互作用的显著变化。在两相水-蒸汽条件下，由于独特的行为特性，流体会被分为不同的流动模式。每种状态都会对热工水力响应和流动循环系统的运行稳定性产生特定影响。因此，在工业和研究设施中识别多相流模式对于设计、优化和安全具有重要意义。流体动力学的复杂性、三维现象的存在以及流动状态对多种几何和热工水力因素的依赖性，阻碍了使用传统核工程代码准确识别流模式。此外，流体通过棒阵列的流动与通过单一通道的流动相比，会导致流动模式的发展及其临界转变阈值的变化。另一方面，基于CFD的热工水力方法进行的两相流分析涉及相当大的计算挑战。这些代码也不适合用于实时模拟器，后者旨在可视化堆芯各子通道的状态。此外，从实验和理论研究中得出的模型和图表存在三个主要局限性：运行条件覆盖不全面、边界条件变化导致的敏感性以及庞大的计算需求。因此，由于软计算方法的先进性能，它们有可能吸引研究者 和工程师的广泛关注。

本研究是传热工程领域的首次尝试，采用基于Transformer神经网络（TNN）的方法和架构来准确检测两相流模式。TNN家族是深度学习中最前沿的方法之一，具有并行计算和增强适应性的优势。与以往使用机器学习进行流模式分类的研究不同，本研究设计的网络不依赖于从传感器测量的详细信号或从两相流体中捕获的图像。这一特点使得本研究的结果能够应用于更广泛的工业应用和运行条件。信号分析时间的减少以及模型更快的响应能力是所采用技术的其他主要优点。因此，所引入的方法可以被集成到在线监测和分析工具中。此外，与以往的研究不同，本研究建立了一种用于识别流经棒阵列流体的多相流状态的方法。因此，所开发的模型适用于用于发电厂的水冷反应堆堆芯和换热器的模拟。鉴于该项目收集和生成了大量的数据集，使得在系统和子通道层面对正常运行条件以及流量丧失事故（LOFA）的分析成为可能。在数据集构建阶段，考虑了多种变量的影响，如流量变化、通道横截面积、棒间距、矩阵排列、通道压力以及与间隔板的距离。与早期的研究相比，本研究在项目的不同阶段包含了前所未有的多样化考量。根据流型分类器开发的三个阶段——预处理、训练和优化——本文将内容分配到这些研究过程中：3预处理阶段（3.1 生成新的数据点，3.2 解决不平衡分布，3.3 创建多维数据集，3.4 评估预处理任务），4 流型识别模块的开发（4.1 识别方法与数据流，4.2 评估已开发模型），以及5 优化程序。在每个部分中，都详细说明了所依据的考虑因素和采用的技术，并对相应步骤进行了多次评估的结果。

在本研究的后续阶段，将两相流型识别模块整合到一个框架中，用于预测轻水反应堆（LWR）核心的T-H特性。该计算包能够仅从通道入口条件确定冷却剂过渡到两相状态的程度。所提出的框架适用于LWR在线模拟器中子通道的快速状态预测，并为计算代码推荐网格化策略。所实现的模块已在类似于先进轻水反应堆（ALWR）核心的运行条件下进行了应用。本文第6节讨论了反应堆核心入口处冷却剂条件变化和燃料棒热流密度变化对流型转换阈值的影响。第6节中呈现的分析使用了在本研究范围内设计和开发的第二个模块。该模块能够预测ALWR核心通道内的非平衡蒸汽分数分布。例如TH特性相关性、两相流建模策略以及应对机器学习挑战的技术等方面，在之前的研究中尚未得到实施。因此，本文报告的见解可能为研究人员和工程师提供有价值的指导。

**研究材料与实际步骤**
现代轻水反应堆的设计，特别是小型模块化反应堆（SMRs），与当前运行的反应堆存在显著差异。在这些新的反应堆概念中，流体循环机制、TH参数变化范围、主要系统组件的配置以及事故干预协议都发生了变化。另一方面，许多现有的反应堆分析代码——甚至是一些近年推出的代码——仍然存在不足。

**预处理阶段**
构建大型、可靠且结构良好的两相流数据集是本研究的基础且关键步骤，这些数据集高度依赖于各种TH和几何组件。正确细致地执行这一步骤对于实现既定目标并确保所实施模型的预期性能至关重要。因此，在收集到经过验证的数据后，有必要在数据范围内采取相应措施。

**流型识别模块的开发**
针对工业和工程应用的多相流型识别器存在功能限制，并有较大的改进潜力。因此，本研究提出并评估了一种新的方法来开发能够识别水-steam两相流型的模块。多项测试的结果表明，该方法成功提高了复杂多相流状态的分类效果。此外，还详细介绍了该模块的设计和性能。

**优化程序**
本研究是首次尝试将LWR子通道代码中的一个重要计算元素从分析-数值方法转变为基于软计算技术的模块。除了主要目标之外，本研究还解决了之前使用神经网络和深度学习进行多相流型判别的模型的局限性和不足之处。对以往研究的深入回顾强调了需要改进的方面，例如LWR子通道中流动行为的预测。

**新的预测包**
本研究成功开发了一种针对核水冷反应堆核心子通道内流体传热特性的新预测包。该框架能够根据以下因素定量预测流体进入两相状态的的程度并识别每种流型的阈值：(1) 入口TH条件；(2) 子通道几何形状；(3) 沿反应堆核心的热流密度分布。所设计的模块能够执行相应的计算。

**结论**
反应堆工程师在设计和分析轻水反应堆的正常运行及瞬态条件时遇到蒸汽-水两相流动力学问题。系统响应受到每种气-液两相流型发展的独特影响。因此，确保水冷反应堆的安全性并提高其运行效率依赖于准确识别两相流状态。系统代码和一维均匀模型不足以满足需求。

**利益冲突声明**
作者声明他们没有已知的财务利益冲突或可能影响本文工作的个人关系。