面向核反应堆组件的热力学监控机器学习工具开发
机器学习
2025-07-15 v1 计算工程、金融与科学
摘要
积极性维护策略，如预测性维护（Predictive Maintenance, PdM），在核电站运行中发挥着重要作用，尤其是由于其能够通过防止因组件故障导致的意外停机，从而减少离线时间。本文探讨了结合卷积神经网络（CNN）架构和计算热力学模型，用于计算在运行中压水堆（PWR）燃棒的温度、应力和应变。该估计依赖于从衬壳外部表面的有限数量温度测量。该方法可能有助于开发核反应堆的PdM工具，通过实现此类系统的实时监控。训练、验证和测试数据集通过联合仿真生成，涉及有限元基的核燃料性能代码BISON和MOOSE热力学模块（MOOSE-THM）。我们进行了十一次仿真，变更峰值线性热生成率。其中八个用于训练，两个用于验证，一个用于测试。CNN在超过1000个纪元后进行训练，未出现过拟合迹象，实现了高度准确的温度分布预测。随后将这些预测用于热力学模型，以确定燃棒内部的应力和应变分布。
引用
@article{arxiv.2507.09443,
title = {Toward Developing Machine-Learning-Aided Tools for the Thermomechanical Monitoring of Nuclear Reactor Components},
author = {Luiz Aldeia Machado and Victor Coppo Leite and Elia Merzari and Arthur Motta and Roberto Ponciroli and Lander Ibarra and Lise Charlot},
journal= {arXiv preprint arXiv:2507.09443},
year = {2025}
}
备注
Preprint - Nureth 21 paper