面向液态金属聚变堆的磁流体动力学流场的参数化浅循环解码器网络应用
机器学习
2026-04-03 v1
摘要
磁流体动力学 (MHD) 现象在核聚变系统的设计和运行中起关键作用，电导流体（如用于聚变堆堆料中使用的液态金属或熔盐）与强度和方向各异的磁场相互作用，从而影响流动动力学。MHD 模型的数值求解涉及高度非线性、多物理场方程组的求解，在多查询、参数化或实时情境下可能计算负担沉重。本研究探讨了一种完全数据驱动的 MHD 状态重建框架，将奇异值分解 (SVD) 的降维与 SHallow REcurrent Decoder (SHRED) 集成，后者是一种神经网络架构，用于从选定可观测量的稀疏时间序列测量中重建完整的时空状态，包括以前未见的参数配置。将 SHRED 方法应用于 WCLL 堆料单元部分的三维几何，在该几何中，锂-�lead 流动绕过水冷管道。考察了多种磁场配置，包括恒定扭转磁场、组合扭转-纵向磁场以及时变磁场。在所有所考情形下，SHRED 均实现了高重建精度、鲁棒性和对未见过的磁场强度、方向和时间演化的泛化。值得注意的是，在存在时变磁场时，该模型仅凭温度测量即可准确推断磁场本身的时间演化。总体而言，本研究确定了 SHRED 作为一种计算高效、数据驱动且灵活的 MHD 状态重建方法，具有显著潜力，可用于聚变堆系统的实时监测、诊断和控制。
引用
@article{arxiv.2604.02139,
title = {Application of parametric Shallow Recurrent Decoder Network to magnetohydrodynamic flows in liquid metal blankets of fusion reactors},
author = {M. Lo Verso and C. Introini and E. Cervi and L. Savoldi and J. N. Kutz and A. Cammi},
journal= {arXiv preprint arXiv:2604.02139},
year = {2026}
}