CN116595884A - 微型核反应堆系统超实时计算实现方法 - Google Patents

Abstract

一种微型核反应堆系统超实时计算实现方法，在离线阶段对构建得到的空间热离子反应堆计算模型中的各个模块进行实时资源占用评估，在确保精度的前提下调整仿真模型中模块的时间步长和网格，并选取流体域方程作为神经网络学习对象；采集若干类历史瞬态工况构造数据库，并分别用于训练对应的仿真模型；在在线阶段，采用GPU加载训练后的神经网络以求解流体域，采用多核CPU并行以求解固体域，并基于文件解锁和读取实现CPU和GPU间的信息交互，从而实现流体域与固体域耦合计算。本发明能够实现反应堆系统瞬态行为超实时数值模拟计算，从而满足系统状态监测、预测的功能，辅助操作人员进行决策。

Description

微型核反应堆系统超实时计算实现方法

技术领域

本发明涉及的是一种微型反应堆控制领域的技术，具体是一种微型核反应堆系统超实时计算实现方法。

背景技术

微型反应堆可采用四代非轻水堆、热管堆等固有安全性高的堆型，具有体积小、能量密度高、输出功率范围广等优势，可为偏远海岛，矿区和基地等偏远地区提供电能和热能。微型反应堆的应用领域决定了其在运行期间能够获得的维护较少，考虑到反应堆的核安全与辐射安全问题，这就对其系统设计、监控与故障诊断提出了很高的要求。微型反应堆数字孪生系统是一种确保微型反应堆安全的重要手段，其能够真实地、实时地反映物理世界空间反应堆的状态，从而辅助操作人员进行决策、管理和控制。数值模拟程序是微型反应堆数字孪生的核心所在。这不仅要求程序的计算结果具有一定的可信度，且系统中的关键部件具有较高的空间解析度，并且整个程序能够达到实时输出结果，实现数字世界与物理世界同步。传统数值求解基于差分或有限元的思想，需要大量的计算资源反复去迭代计算，然而，由于计算资源的限制，数据通讯手段缺乏，硬件设施缺陷等，传统数值求解方法难以同时满足高维度、高精度、超实时的要求。

发明内容

本发明针对现有技术存在的上述不足，提出一种微型核反应堆系统超实时计算实现方法，在确保一定精度的前提下，能够实现反应堆系统瞬态行为超实时数值模拟计算，从而满足系统状态监测、预测的功能，辅助操作人员进行决策。

本发明是通过以下技术方案实现的：

本发明涉及一种微型核反应堆系统超实时计算实现方法，在离线阶段对构建得到的空间热离子反应堆计算模型中的各个模块进行实时资源占用评估，在确保精度的前提下调整仿真模型中模块的时间步长和网格，并选取流体域方程作为神经网络学习对象；采集若干类历史瞬态工况构造数据库，并分别用于训练对应的仿真模型；在在线阶段，采用GPU加载训练后的神经网络以求解流体域，采用多核CPU并行以求解固体域，并基于文件解锁和读取实现CPU和GPU间的信息交互，从而实现流体域与固体域耦合计算。

技术效果

本发明通过CPU并行计算求解固体域方程，采用GPU深度学习方法求解流体域方程，并基于文件解锁和读取实现CPU和GPU间的信息交互，从而实现流体域与固体域耦合、传统数值求解与深度学习算子之间信息交互的三维超实时计算实现方法。

附图说明

图1为本发明流程图；

图2为空间热离子反应堆三维几何模型示意图；

图3为空间热离子反应堆计算模型示意图；

图中：P为功率、R为反应性、m为质量流量、Te为发射极温度、Tc为接收极温度、I为电流、qr为翅片辐射散热量、Tin为冷却剂入口温度、Tout为冷却剂出口温度、Tcon为热管冷凝段平均温度；

图4为数据库结构示意图；

图5为神经网络结构图；

图6为GPU与多核CPU计算框架下的空间热离子反应堆计算模型示意图；

图中：P为功率、R为反应性、m为质量流量、Te为发射极温度、Tc为接收极温度、I为电流、qr为翅片辐射散热量、Tin为冷却剂入口温度、Tout为冷却剂出口温度、Tcon为热管冷凝段平均温度；

图7为超实时计算程序三维冷却剂温度场分布示意图。

具体实施方式

如图1所示，为本实施例涉及的一种空间热离子反应堆实时/超实时系统计算实现方法流程图，以如图2所示的空间热离子反应堆TOPAZ-II为研究对象，对其降功率瞬态行为，即从100％功率低到90％到70％功率，进行学习，实现整个系统能够超实时计算并呈现结果，具体包括：

步骤1、构建如图3所示的空间热离子反应堆计算模型，包括：零维的电磁泵模型、零维的点堆中子动力学模型、一维的热电转换模型、二维的热管辐射散热器模型和三维的反应堆多区域瞬态热传导模型。

步骤2、分析各个模型在单位时间内占用时间情况，如表1所示。从表中可以发现，三维反应堆多区域瞬态热传导模型求解所花费时间占比较大，其中，流体域的质量、动量、能量守恒方程的求解是制约实时性的关键，因此以流体域求解为神经网络的学习对象，设置固体域求解时间步长为1s，热管方程求解时间步长为0.005s，翅片时间步长为0.001s，热管辐射换热器模块与其他仿真的数据交换时间为1s一次。流体域与固体域信息交互的时间步长为1s。

表1程序运行中各个模块程序占用时间

步骤3、构建包含三个层次的数据库：根据需要确定仿真运行区间在90％-70％区间范围内，以100％功率为起点，对瞬态工况等间隔采样选取终点，如表2所示，其中第一层次为瞬态工况数据集合，包括训练数据和测试数据；第二层次为瞬态工况，例如115kw-103.5kw降功率工况；第三层次为根据t时刻下的流体域平均温度u_t与t+1时刻下的冷却剂平均温度u_t+1的大小关系，包括：递增数据：(u_t+1＞u_t)and|u_t+1-u_t|＞ξ；递减数据:(i_t+1＜u_t)and|u_t+1-u_t|＞ξ；输出不变的数据|u_t+1-u_t|＜ξ，以及判断输出是递增、递减还是保持不变的数据。如图4所示。

所述的瞬态工况包括：t时刻的流体域温度场、t-2到t时刻的质量流量、流体域入口温度、热功率、t+1时刻的流体域温度场、t-1到t+1时刻的总反应性、多普勒反应性、外部反应性引入后的时间，t+1时刻的标签数据：0,1,2，0表示用递增网络，1表示递减网络，2表示认为输出不变。

表2训练数据以及测试数据

步骤4、构建如图5所示的包括两个回归网络和一个分类网络的神经网络，采用数据库对其进行训练，数据库中单调递增、单调递减的数据分别训练两个回归网络，判断数据用以训练分类网络。

本实施例中的分类网络采用LSTM网络实现，回归网络采用DeepONet网络实现。

所述的训练，采用的损失函数包括：①累加误差，即超实时计算获得冷却剂全场温度与数字孪生程序计算获得冷却剂全场温度绝对值偏差总和f_sum；②冷却剂全场绝对值偏差的平均值f_ave和最大值f_max；③超实时程序计算结果不符合单调性的惩罚f_punish，具体为：损失函数f＝f_sum+a₁f_ave+a₂f_max+f_punish，其中：a₁、a₂是常系数，用放大误差平均值f_ave和误差最大值f_max，考虑其与和f_sum在数量级上的差异性。f_punish的大小与预测结果和输入结果的大小有关，例如，在递增神经网络中，输入到神经网络中的冷却剂温度场的平均值大于神经网络中的冷却剂温度场的平均值，f_punish为0，反之，f_punish为一个很大的值。分类网络的损失函数采用交叉熵损失函数。

步骤5、构建如图6所示的GPU与多核CPU计算框架下的空间热离子反应堆计算模型，将其中的反应堆多区域瞬态热传导模型的固体域划分成20个子区域并采用20线程并行加速求解，该模型的求解包括：CPU：0通过API接口调用GPU加载神经网络和数据，GPU程序运行输出下一时刻的冷却剂温度场分布，并返回给CPU：0；CPU：0接收到数据后储存为不同的文件，且CPU：0-19分别读取相应的文件，从而实现流体域与固体域的耦合。

步骤6、在线阶段，采用GPU加载训练后的神经网络以求解流体域，采用多核CPU并行以求解固体域，并基于文件解锁和读取实现CPU和GPU间的信息交互，从而实现流体域与固体域耦合计算。

经过具体实际实验，在CPU：Intel Core 13th Generation CPU Product:Corei913900KF；运行内存：64GB；GPU：GeForce RTX4090 24GB；系统：Ubuntu 20.04的具体环境设置下，能够得到的实验数据如表3和图7所示，即实时程序计算结果与CFD计算对比结果。由表3可知，其热力学平均参数最大误差小于8.5％，平均误差小于1.5％，电力学平均参数最大误差小于11％，平均误差小于3％，各系统平均参数最高峰时间平均偏差小于6s。图7显示了冷却剂温度场分布，结果无明显偏差。

各系统平均参数包括：燃料平均温度、燃料最高温度、热功率、发射极\接收极\不锈钢\冷却剂\慢化剂平均温度、流体入口温度、流体出口温度、电功率、热管蒸发段\冷凝段\绝热段\管壁平均温度、热管吸液芯\蒸气通道平均温度。

确定检验程序的瞬态工况，如表2所示

表3实时程序计算结果与CFD计算结果对比

本实施例的评价标准包括：

1.要求各系统平均参数最大相对误差不超过15％；

2.要求各系统平均参数平均相对误差不超过5％；

3.要求最高峰时间最大偏差小于30s；

4.要求最高峰时间平均偏差小于10s；

5.要求冷却剂网格区域温度最大相对误差小于10％；

6.要求冷却剂网格区域温度平均相对误差小于5％。

当评价标准中任一条不满足时，则根据步骤6的评价结果增加瞬态工况，重新对数据集进行数据分类并重新构建数据库后返回步骤4。

与现有技术相比，本方法以较小的精度损失实现了超实时计算，如表3最后一列显示，左边是程序计算计时，右边是实时性时间要求。结果表面程序满足超实时计算，时间加速比约为1.17。与步骤1构建的多尺度、多物理场程序相比，其计算速度提高了约60倍。

上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (7)

1.一种微型核反应堆系统超实时计算实现方法，其特征在于，在离线阶段对构建得到的空间热离子反应堆计算模型中的各个模块进行实时资源占用评估，在确保精度的前提下调整仿真模型中模块的时间步长和网格，并选取流体域方程作为神经网络学习对象；采集若干类历史瞬态工况构造数据库，并分别用于训练对应的仿真模型；在在线阶段，采用GPU加载训练后的神经网络以求解流体域，采用多核CPU并行以求解固体域，并基于文件解锁和读取实现CPU和GPU间的信息交互，从而实现流体域与固体域耦合计算；

所述的空间热离子反应堆计算模型，包括：零维的电磁泵模型、零维的点堆中子动力学模型、一维的热电转换模型、二维的热管辐射散热器模型和三维的反应堆多区域瞬态热传导模型。

2.根据权利要求1所述的微型核反应堆系统超实时计算实现方法，其特征是，具体包括：

步骤1、构建空间热离子反应堆计算模型；

步骤2、分析各个模型在单位时间内占用时间情况；

步骤3、构建包含三个层次的数据库：根据需要确定仿真运行区间在90％-70％区间范围内，以100％功率为起点，对瞬态工况等间隔采样选取终点，

步骤4、构建包括两个回归网络和一个分类网络的神经网络，采用步骤3得到的数据库对其进行训练，数据库中单调递增、单调递减的数据分别训练两个回归网络，判断数据用以训练分类网络；

步骤5、构建GPU与多核CPU计算框架下的空间热离子反应堆计算模型，将其中的反应堆多区域瞬态热传导模型的固体域划分成20个子区域并采用20线程并行加速求解，该模型的求解包括：CPU：0通过API接口调用GPU加载神经网络和数据，GPU程序运行输出下一时刻的冷却剂温度场分布，并返回给CPU：0；CPU：0接收到数据后储存为不同的文件，且CPU：0-19分别读取相应的文件，从而实现流体域与固体域的耦合；

步骤6、在线阶段，采用GPU加载训练后的神经网络以求解流体域，采用多核CPU并行以求解固体域，并基于文件解锁和读取实现CPU和GPU间的信息交互，从而实现流体域与固体域耦合计算。

3.根据权利要求2所述的微型核反应堆系统超实时计算实现方法，其特征是，所述的数据库中第一层次为瞬态工况数据集合，包括训练数据和测试数据；第二层次为瞬态工况，例如115kw-103.5kw降功率工况；第三层次为根据t时刻下的流体域平均温度u_t与t+1时刻下的冷却剂平均温度u_t+1的大小关系，包括：递增数据：(u_t+1＞u_t)and|u_t+1-u_t|＞ξ；递减数据:(u_t+1＜u_t)and|u_t+1-u_t|＞ξ；输出不变的数据|u_t+1-u_t|＜ξ，以及判断输出是递增、递减还是保持不变的数据。

4.根据权利要求2所述的微型核反应堆系统超实时计算实现方法，其特征是，所述的瞬态工况包括：t时刻的流体域温度场、t-2到t时刻的质量流量、流体域入口温度、热功率、t+1时刻的流体域温度场、t-1到t+1时刻的总反应性、多普勒反应性、外部反应性引入后的时间，t+1时刻的标签数据：0,1,2，0表示用递增网络，1表示递减网络，2表示认为输出不变。

5.根据权利要求2所述的微型核反应堆系统超实时计算实现方法，其特征是，所述的分类网络采用LSTM网络实现，回归网络采用DeepONet网络网络实现。

6.根据权利要求2所述的微型核反应堆系统超实时计算实现方法，其特征是，所述的训练，采用的损失函数包括：①累加误差，即超实时计算获得冷却剂全场温度与数字孪生程序计算获得冷却剂全场温度绝对值偏差总和f_sum；②冷却剂全场绝对值偏差的平均值f_ave和最大值f_max；③超实时程序计算结果不符合单调性的惩罚f_punish，具体为：损失函数f＝f_sum+a₁f_ave+a₂f_max+f_punish，其中：a₁、a₂是常系数，用放大误差平均值f_ave和误差最大值f_max，分类网络的损失函数采用交叉熵损失函数。

7.根据权利要求3所述的微型核反应堆系统超实时计算实现方法，其特征是，当步骤6完成后按以下评价标准进行评价：

1.要求各系统平均参数最大相对误差不超过15％；

2.要求各系统平均参数平均相对误差不超过5％；

3.要求最高峰时间最大偏差小于30s；

4.要求最高峰时间平均偏差小于10s；

5.要求冷却剂网格区域温度最大相对误差小于10％；

6.要求冷却剂网格区域温度平均相对误差小于5％；

当评价标准中任一条不满足时，则根据步骤6的评价结果增加瞬态工况，重新对数据集进行数据分类并重新构建数据库后返回步骤4。