基于人工神经网络辅助框架开发过冷流动沸腾状态下偏离核态沸腾热流密度的预测关联式

《Progress in Nuclear Energy》：Developing correlation for prediction of departure from nucleate boiling heat flux in subcooled flow boiling using artificial neural network-aided framework

　　

**摘要**
在过冷流动沸腾中，偏离核态沸腾（DNB）会导致换热表面温度在短时间内急剧上升。在轻水反应堆中，了解DNB热流密度对于防止加热元件灾难性失效至关重要。然而，由于底层物理过程的复杂性，准确预测DNB热流密度仍然具有挑战性。现有文献中的经验关联式、机理模型和人工智能辅助模型仍存在一定局限性，例如对主导DNB机制存在争议，或黑箱AI框架固有的不透明性。本研究利用人工神经网络（ANN）分析了DNB热流密度与从大量文献资源中收集的八个影响无量纲参数之间的相互关系。随后，提取了少量最关键的无量纲量，开发了一种新型经验关联式。结果表明，所提出的模型具有优越的特性，包括高鲁棒性、数学简单性、在不同工况下的广泛适用性以及对热工水力参数的独立性。

**引言**
偏离核态沸腾（DNB）是过冷流动沸腾中的一个关键现象，对基础研究和实际工程应用都具有重要意义。为了解DNB的潜在机制，关键在于监测近壁区和主体区域的气泡行为，同时跟踪壁面温度。图1说明了导致DNB发生的总体机制。当壁面热流密度较低时，在加热表面的空穴位点上产生孤立的小蒸汽泡（图1(a)）。这些气泡要么停留在其成核位点，要么沿加热壁面移动，要么进入主体液体中。在核态沸腾（NB）区域内，被高过冷液体冷凝的气泡有效地将热量从壁面带走。随着热流密度的增加，气泡尺寸略有增大（图1(b)）。当达到从气泡流到弹状流的转变临界条件时，气泡合并变得更加显著，流道内部空间被蒸汽相迅速占据。这一事件称为显著空隙率发生（OSV）或净蒸汽生成起始（ONVG）。连续的气泡合并最终形成大面积蒸汽毯。将蒸汽毯与加热表面隔开的液膜层蒸发以确保有效除热，在此阶段保持壁温接近饱和温度。热流密度持续增加导致蒸汽毯下方的壁温出现间歇性波动，这是由于液膜层局部和暂时性干涸所致。Lee和Mudawwar (1988)、Katto (1990a, 1990b, 1992)、G.P. Celata等 (1994)以及Liu等 (2000)提出，当壁面热流密度足够高，在蒸汽毯经过期间导致液膜层完全干涸时，DNB被触发。蒸汽膜完全覆盖表面导致壁温突然大幅偏离，可能导致加热元件物理失效，对核反应堆安全构成严重风险。因此，在轻水反应堆中开发可靠的冷却系统需要一个精确且可靠的模型来预测DNB热流密度，这对于减轻灾难性事故风险和增强瞬态期间的运行灵活性至关重要。

鉴于DNB的复杂性质，通常采用经验方法来评估DNB热流密度。Levy (1962)提出了一种利用叠加方法的关联式，其中过冷流动沸腾的DNB热流密度表示为池沸腾条件下临界热流密度（CHF）、由过冷不流动流体从壁面传导的热流密度以及由过冷流动流体从壁面对流带走的热流密度之和。西屋关联式（Tong, 1967）基于气泡-边界层分离模型。其经验常数源自出口平衡品质，使用7–14 MPa压力范围内的广泛实验数据进行校准。Inasaka–Nariai关联式（Inasaka和Nariai, 1992）通过修改模型的经验常数改进了西屋关联式，在0.1–7 MPa压力范围内实现了准确预测。

为提高在复杂场景下的预测可靠性，如瞬态工况和非标准流道几何形状，基于基本物理原理的机理模型已被开发。根据G. Celata等 (1994)的观点，过冷流动沸腾中DNB热流密度的机理模型可分为五类不同的组别。目前，最广泛认可的组别是基于液膜层干涸（LSD）机制的，这在第1.1节中有描述。现有的LSD模型依赖三个基本子模型来确定DNB热流密度：蒸汽毯长度、蒸汽毯速度和液膜层厚度。LSD模型的预测精度关键取决于这些子模型的保真度。Nguyen和Okawa (2024b)以及Nguyen等 (2024)认为，这些子模型是通过理论推导得出的，没有直接的实验验证。Endo (2022)同样指出，用于蒸汽毯长度计算的Kelvin–Helmholtz不稳定性临界波长与实验观测存在显著差异。为解决这些局限性，Nguyen和Okawa (2024b)以及Nguyen等 (2024)引入了一种预测DNB热流密度的新技术。他们的方法将近壁蒸汽毯的出现视为DNB发生的关键起始事件，如图1(c)所示。相应地，建立了一个估计大泡形成（LBF）所需热流密度的机理模型，随后通过经验无量纲关联式量化了DNB与LBF热流密度的比值。

随着计算能力的最新进展，基于机器学习的模型已被开发用于预测过冷流动沸腾中的DNB热流密度。Zhao等 (2020)引入的混合物理信息机器学习框架展现了优越的预测性能。然而，Zhou等 (2025)指出Zhao模型在其训练和测试数据集之外缺乏数据验证。为解决这一局限性，他们提出了一种整合人工神经网络（ANN）、卷积神经网络、Transformer模型和迁移学习技术的综合方法，显著增强了模型的预测适用性。尽管具有高预测能力，但这些机器学习模型固有的黑箱特性仍然是一个主要缺点。

在评估现有模型的优缺点后，本研究旨在建立一个ANN辅助的框架来提取DNB的控制特征。利用提取的特征，开发了一种鲁棒、简单但高度适用的关联式。所提出的模型展示了广泛的运行条件范围。这样的关联式对热工水力系统代码（如TRACE、RELAP5或AMAGI）特别有价值。

**章节片段**

**人工神经网络**
由于对DNB潜在机制缺乏透明度，Zhang等 (2006)建议利用ANN能力探索DNB热流密度与可用参数之间的相互关系，而不是直接预测DNB热流密度。Hirose等 (2024)采用这种方法缩小了关键无量纲参数的数量，随后基于这些选定的参数构建了一个关联式来计算向下流动的临界热流密度。

**关键无量纲参数的确定**
图6展示了利用所有八个无量纲参数的ANN预测的??*值与相应实验数据的比较。所有折的测试数据集绘制在单张图上，其中横轴和纵轴分别表示实验值和ANN预测值。对角线表示预测数据和实验数据之间的完美匹配。使用平均绝对相对误差评估预测精度。

**内部验证与现有模型的比较**
在图14中，将所提出关联式的计算结果与表1中列出的实验??DNB数据进行比较，以评估其预测精度。包括Levy (1962)、西屋（Tong, 1967）和Inasaka与Nariai (1992)的三种经验关联式的结果，以及Lee和Mudawwar (1988)、Katto (1990a, 1990b, 1992)、G.P. Celata等 (1994)、Liu等 (2000)和Nguyen与Okawa (2024b)提出的五个机理模型的结果，用于...

**结论**
已详细概述了过冷流动沸腾中偏离核态沸腾（DNB）的潜在机制，并评估了现有预测模型的优缺点。随着人工智能辅助应用在热工水力学领域的近期兴起，本研究提出了一种替代方法，利用人工神经网络（ANN）来识别对DNB热流密度影响最强的参数。首先，一个...

**CRediT作者贡献声明**
Thanh-Binh Nguyen：撰写初稿、可视化、软件、方法论、调查、形式分析、数据整理。
Yoshiyasu Hirose：撰写审查与编辑、验证、方法论、调查、构思。
Akira Satou：撰写审查与编辑、验证、调查。
Satoshi Abe：撰写审查与编辑、验证、项目管理、调查。
Yasuteru Sibamoto：撰写审查与编辑、监督、项目管理。

**利益冲突声明**
作者声明他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本报告所述工作。

**作者信息**
Thanh-Binh Nguyen | Yoshiyasu Hirose | Akira Satou | Satoshi Abe | Yasuteru Sibamoto
日本原子能机构核安全研究中心，茨城县那珂郡东村镇白冈2-4，日本319-1195