一种将参数化物理信息神经网络与有限差分法耦合的数值方法，用于先进热工水力系统仿真

利用 MELCOR 等系统级代码进行严重事故分析对核安全评估不可或缺，但重复仿真的计算成本对参数研究和不确定性量化构成了重大瓶颈。现有的代理模型加速了这些分析，但依赖大量仿真数据；而物理信息神经网络（PINNs）支持无数据训练，但每次问题参数变化都需要重新训练。本研究通过开发参数化 PINN 与有限差分法耦合（P2F）方法来解决这两个局限，该方法是一种针对 MELCOR 控制体水动力学/流径（CVH/FP）模块的节点分配混合框架。在 P2F 方法中，参数化节点分配 PINN（NA-PINN）以水位差、初始速度和时间作为输入，学习解流形，使单个训练网络可作为动量守恒方程的无数据代理，覆盖所有流径而无需重新训练。该 PINN 与有限差分法（FDM）求解器耦合，在每个时间步推进质量守恒方程，确保精确的离散质量守恒，同时用单次前向传播替代迭代非线性动量求解。在六罐重力排水场景上的验证结果表明，在名义条件下 Δt = 1.0 s 时，水位平均绝对误差为 7.85×10⁻⁵ m，速度平均绝对误差为 3.21×10⁻³ m/s。该框架在 0.2 至 1.0 s 的时间步范围内保持一致的精度，并可推广至五种不同的初始条件，均无需重新训练或仿真数据。本工作提出了一种将参数化 PINN 与 FDM 集成到核热工水力系统代码框架中的数值耦合方法。