面向机器学习应用的全规模压水堆流场高保真建模
机器学习
2026-05-26 v1 流体动力学
摘要
本工作提出了一种用于压水堆（PWR）中组件级流场特征描述的高保真计算流体动力学（CFD）和数据驱动建模框架。构建了完整的下腔和核入口域，基于公开可获取的几何和运行条件，启用了具有泵诱导旋流边界条件的瞬态仿真。结果表明，冷腿旋流和下腔传输在组件级入口流分布方面产生强烈的各向异性，特别是在下核区域附近，而在更高的高度，轴向阻力和混合会逐渐均匀化流场。这些受物理启发的数据随后用于评估机器学习（ML）在部分场重建和短期自回归预测中的应用。基于3D卷积的填空模型成功地从部分观测中重建了缺失的组件级质量流率，误差集中在高度湍流的基底（底部）层，随后在上层显著减小。跨多个ML模型的比较分析表明，具有空间感知能力的架构，特别是ConvLSTM，显著优于基于序列的方法（如LSTM）和算子学习方法（如DeepONet），因为有效地捕获了耦合的时空动力学。该研究还指出了关键挑战，包括入口流预测对湍流和网格分辨率的敏感性，以及缺乏全尺度实验验证数据。尽管存在这些局限性，结果仍与预期的物理行为相符。总体而言，本工作确立了高保真CFD作为开发数据驱动替代模型、稀疏感知策略以及未来多物理场耦合框架的关键基础。
引用
@article{arxiv.2605.24763,
title = {High-fidelity Modeling of Full-scale Pressurized Water Reactor Flow Fields for Machine Learning Applications},
author = {Logan A. Burnett and Hyungjun Kim and Hsien-Cheng Chou and Arsha Witoelar and Robert A. Brewster and Benoit Forget and Emilio Baglietto and Majdi I. Radaideh},
journal= {arXiv preprint arXiv:2605.24763},
year = {2026}
}
备注
30 pages, 10 figures, and 6 Tables