CN116663262A - 反应堆物理热工耦合计算的方法及装置、电子设备 - Google Patents

反应堆物理热工耦合计算的方法及装置、电子设备 Download PDF

Info

Publication number
CN116663262A
CN116663262A CN202310545313.4A CN202310545313A CN116663262A CN 116663262 A CN116663262 A CN 116663262A CN 202310545313 A CN202310545313 A CN 202310545313A CN 116663262 A CN116663262 A CN 116663262A
Authority
CN
China
Prior art keywords
distribution
reactor
power distribution
iteration
iterative process
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310545313.4A
Other languages
English (en)
Inventor
王侃
李凯文
王武
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202310545313.4A priority Critical patent/CN116663262A/zh
Publication of CN116663262A publication Critical patent/CN116663262A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Temperature (AREA)

Abstract

本公开提供了一种反应堆物理热工耦合计算的方法及装置、电子设备，根据反应堆的预设功率分布，确定所述反应堆的温度分布及冷却剂的密度分布；基于第一预设判敛准则，确定是否对所述温度分布及所述密度分布进行第一迭代处理；在确定对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述第一迭代处理的结果，更新所述温度分布及所述密度分布；基于更新后的所述温度分布及所述密度分布，确定所述反应堆的功率分布。与相关技术相比，本公开所提供的计算方法能够减少耦合迭代计算的计算次数，提高反应堆物理热工耦合计算的计算效率。

Description

反应堆物理热工耦合计算的方法及装置、电子设备
技术领域
本公开涉及数据处理技术领域，尤其涉及一种反应堆物理热工耦合计算的方法及装置、电子设备。
背景技术
传统的反应堆物理热工耦合方法采用Picard迭代，实际上就是蒙特卡罗(以下简称“蒙卡”)中子输运物理计算和热工水力学计算进行简单的交替执行。如图1所示，中子输运物理计算获得反应堆的热功率分布，并将功率分布传递给热工水力学计算，热工水力学计算根据功率分布计算反应堆温度和冷却剂密度等热工参数分布，这些热工参数将传递给中子输运物理计算模块，中子输运物理模块根据热工参数更新反应截面数据，再次进行输运计算获得新的功率分布，由此构成迭代过程，当相邻两次迭代的功率分布的差异小于预设值时，终止迭代循环。
由于Picard迭代方法的收敛速率是一阶收敛的，因此这一迭代过程的收敛需要反复进行多次耦合迭代，即需要进行很多次的蒙卡中子输运计算和热工水力学计算，进而需要大量的计算资源；另外，Picard迭代过程会存在一定的振荡现象，需要使用松弛法等进行抑制，这也带来了额外的计算量。
发明内容
本公开提供了一种反应堆物理热工耦合计算的方法及装置、电子设备。其主要目的在于实现提高反应堆物理热工耦合计算的效率。
根据本公开的第一方面，提供了一种反应堆物理热工耦合计算的方法，包括：
根据反应堆的预设功率分布，确定所述反应堆的温度分布及冷却剂的密度分布；
基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；
基于第一预设判敛准则及更新前后的功率分布，确定是否对所述温度分布及所述密度分布进行第一迭代处理；
在确定对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述第一迭代处理的结果，更新所述温度分布及所述密度分布；
基于更新后的所述温度分布及所述密度分布，确定所述反应堆的功率分布。
可选的，在基于第一预设判敛准则及更新前后的功率分布，确定是否对所述温度分布及所述密度分布进行第一迭代处理之后，所述方法还包括：
在确定不对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述温度分布及所述密度分布，确定所述反应堆的功率分布。
可选的，对所述温度分布及所述密度分布进行所述第一迭代处理包括：
基于所述温度分布及所述密度分布，确定所述反应堆的功率分布及第一预设矩阵；
基于所述第一预设矩阵，将所述功率分布、所述温度分布、所述密度分布进行第二迭代处理，直至所述第二迭代处理收敛；
在所述第二迭代处理结束之后，基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；
基于所述第一预设判敛准则及更新前后的功率分布，确定第一迭代处理的结果是否收敛，并确定是否继续进行第一迭代处理。
可选的，所述基于所述温度分布及所述密度分布，确定所述反应堆的功率分布及第一预设矩阵包括：
根据所述温度分布及所述密度分布，更新所述反应堆的反应截面数据；
基于所述反应截面数据，对所述反应堆进行中子输运计算，得到所述功率分布；
基于预设迭代关系、所述温度分布及所述密度分布，生成所述第一预设矩阵；其中，所述预设迭代关系为根据预设迭代方法生成的迭代关系。
可选的，所述基于所述第一预设矩阵，将所述功率分布、所述温度分布、所述密度分布进行第二迭代处理，直至所述第二迭代处理收敛包括：
基于所述第一预设矩阵、所述温度分布及所述密度分布，计算并更新所述功率分布；
基于更新后的所述功率分布，对所述反应堆进行热工水力学计算，得到更新后的所述温度分布及所述密度分布；
基于第二预设判敛准则，确定第二迭代处理的结果是否收敛，并根据所述第二迭代处理的结果确定是否继续进行第二迭代处理。
可选的，所述根据所述第二迭代处理结果确定是否继续进行第二迭代处理包括：
基于相邻两次第二迭代处理的所述功率分布的变化率的范数，确定所述第二迭代处理是否收敛；
在确定所述第二迭代处理的结果不收敛的情况下，继续进行所述第二迭代处理，直到所述第二迭代处理的结果收敛；
在确定所述第二迭代处理的结果收敛的情况下，结束第二迭代处理；
所述第二预设判敛准则为：
其中，p为第二迭代处理过程中获得的功率分布，n为进行第一迭代处理的次数，m为进行第二迭代处理的次数，i为当前功率分布值对应的区域编号，N为整个算例的区域总数；∈internal为第二预设判敛准则的预设收敛阈值，L2为功率分布p的2阶范数。
可选的，所述基于所述第一预设判敛准则，确定第一迭代处理的结果是否收敛，并根据所述第一迭代处理的结果确定是否继续进行第一迭代处理包括：
基于相邻两次第一迭代处理之间的有效增殖因子及相邻两次迭代的所述功率分布的变化率的范数，确定所述第一迭代处理是否收敛；
在确定所述第一迭代处理的结果不收敛的情况下，继续进行所述第一迭代处理，直到所述第一迭代处理的结果收敛；
在确定所述第一迭代处理的结果收敛的情况下，结束第一迭代处理；
所述第一预设判敛准则为：
其中，k为有效增殖因子，其下标n为当前第一迭代处理的次数，∈k为第一预设判敛准则的预设收敛阈值，N为整个算例的区域总数，p为第一迭代处理中获得的功率分布，n为第一迭代处理的次数，i为该功率分布值对应的区域编号，∈external为第一预设判敛准则的预设收敛阈值，L2为功率分布p的2阶范数；
或，
其中，p为当前第一迭代处理过程中进行第二迭代处理时所获得的功率分布，n为第一迭代处理的次数，m为第二迭代处理的次数，i为该功率分布值对应的区域编号，L2为功率分布p的2阶范数。
根据本公开的第二方面，提供了一种反应堆物理热工耦合计算的装置，包括：
第一确定单元，用于根据反应堆的预设功率分布，确定所述反应堆的温度分布及冷却剂的密度分布；
第一更新单元，用于基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；
第二确定单元，用于基于第一预设判敛准则及更新前后的功率分布，确定是否对所述温度分布及所述密度分布进行第一迭代处理；
第二更新单元，用于在确定对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述第一迭代处理的结果，更新所述温度分布及所述密度分布；
第三确定单元，用于基于更新后的所述温度分布及所述密度分布，确定所述反应堆的功率分布。
可选的，所述装置还包括：
第四确定单元，用于在第二确定单元确定不对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述温度分布及所述密度分布，确定所述反应堆的功率分布。
可选的，所述第二确定单元包括：
第一确定模块，用于基于所述温度分布及所述密度分布，确定所述反应堆的功率分布及第一预设矩阵；
处理模块，用于基于所述第一预设矩阵，将所述功率分布、所述温度分布、所述密度分布进行第二迭代处理，直至所述第二迭代处理收敛；
更新模块，用于在所述第二迭代处理结束之后，基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；
第二确定模块，用于基于所述第一预设判敛准则及更新前后的功率分布，确定第一迭代处理的结果是否收敛，并确定是否继续进行第一迭代处理。
可选的，所述第一确定模块还用于：
根据所述温度分布及所述密度分布，更新所述反应堆的反应截面数据；
基于所述反应截面数据，对所述反应堆进行中子输运计算，得到所述功率分布；
基于预设迭代关系、所述温度分布及所述密度分布，生成所述第一预设矩阵；其中，所述预设迭代关系为根据预设迭代方法生成的迭代关系。
可选的，所述处理模块还用于：
基于所述第一预设矩阵、所述温度分布及所述密度分布，计算并更新所述功率分布；
基于更新后的所述功率分布，对所述反应堆进行热工水力学计算，得到更新后的所述温度分布及所述密度分布；
基于第二预设判敛准则，确定第二迭代处理的结果是否收敛，并根据所述第二迭代处理的结果确定是否继续进行第二迭代处理。
可选的，所述处理模块还用于：
基于相邻两次第二迭代处理的所述功率分布的变化率的范数，确定所述第二迭代处理是否收敛；
在确定所述第二迭代处理的结果不收敛的情况下，继续进行所述第二迭代处理，直到所述第二迭代处理的结果收敛；
在确定所述第二迭代处理的结果收敛的情况下，结束第二迭代处理；
所述第二预设判敛准则为：
其中，p为第二迭代处理过程中获得的功率分布，n为进行第一迭代处理的次数，m为进行第二迭代处理的次数，i为当前功率分布值对应的区域编号，N为整个算例的区域总数；∈internal为第二预设判敛准则的预设收敛阈值，L2为功率分布p的2阶范数。
可选的，所述第二确定模块还用于：
基于相邻两次第一迭代处理之间的有效增殖因子及相邻两次迭代的所述功率分布的变化率的范数，确定所述第一迭代处理是否收敛；
在确定所述第一迭代处理的结果不收敛的情况下，继续进行所述第一迭代处理，直到所述第一迭代处理的结果收敛；
在确定所述第一迭代处理的结果收敛的情况下，结束第一迭代处理；
所述第一预设判敛准则为：
其中，k为有效增殖因子，其下标n为当前第一迭代处理的次数，∈k为第一预设判敛准则的预设收敛阈值，N为整个算例的区域总数，p为第一迭代处理中获得的功率分布，n为第一迭代处理的次数，i为该功率分布值对应的区域编号，∈external为第一预设判敛准则的预设收敛阈值，L2为功率分布p的2阶范数；
或，
其中，p为当前第一迭代处理过程中进行第二迭代处理时所获得的功率分布，n为第一迭代处理的次数，m为第二迭代处理的次数，i为该功率分布值对应的区域编号，L2为功率分布p的2阶范数。
根据本公开的第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述第一方面所述的方法。
根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述第一方面所述的方法。
根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如前述第一方面所述的方法。
本公开提供了一种反应堆物理热工耦合计算的方法及装置、电子设备，根据反应堆的预设功率分布，确定所述反应堆的温度分布及冷却剂的密度分布；基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；基于第一预设判敛准则及更新前后的功率分布，确定是否对所述温度分布及所述密度分布进行第一迭代处理；在确定对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述第一迭代处理的结果，更新所述温度分布及所述密度分布；基于更新后的所述温度分布及所述密度分布，确定所述反应堆的功率分布。与相关技术相比，本公开所提供的计算方法能够减少耦合迭代计算的计算次数，提高反应堆物理热工耦合计算的计算效率。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1为本公开实施例提供的一种反应堆物理热工耦合计算的方法的流程示意图；
图2为本公开实施例提供的另一种反应堆物理热工耦合计算的方法的流程示意图；
图3为一种基于牛顿迭代法的反应堆物理热工耦合计算的方法的流程图；
图4为本公开实施例提供的一种反应堆物理热工耦合计算的装置的结构示意图；
图5为本公开实施例提供的另一种反应堆物理热工耦合计算的装置的结构示意图；
图6为本公开实施例提供的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面参考附图描述本公开实施例的反应堆物理热工耦合计算的方法及装置、电子设备。
图1为本公开实施例所提供的一种反应堆物理热工耦合计算的方法的流程示意图。
如图1所示，该方法包含以下步骤：
步骤101，根据反应堆的预设功率分布，确定所述反应堆的温度分布及冷却剂的密度分布。
在本公开的实施例中，预设功率分布为根据所述反应堆生成的功率分布假设；反应堆物理热工耦合系统中，主要是中子输运和热工流体(以水为慢化剂的反应堆中特指热工水力学)两个物理过程；在热工水力学方面，需要求解的是质量、动量、能量守恒方程，其中的能量守恒方程中的热源项实际来自于中子输运产热。根据所述预设功率分布，进行热工水力学计算，得到热工参数分布(包括但不限于反应堆的温度分布及冷却剂的密度分布)。
步骤102，基于所述温度分布及所述密度分布，更新所述反应堆的功率分布。
反应堆物理热工耦合计算的基本思路是，将原有的中子输运计算与热工水力学计算按照一定的计算顺序连接起来，交替执行并互相交换数据。本领域人员可以理解的是，在Picard迭代中，交换的数据就是耦合系统的一方模块计算得到的直接结果，由于反应堆中热工反馈是一个负反馈效应，因此迭代过程中的功率分布等分布量与实际收敛解之间的偏差会正负振荡，在部分情况下振幅甚至可能逐渐增大，进而不收敛。
在本公开的实施例中，通过对反应堆的温度分布及冷却剂的密度分布进行中子输运计算，能够得到反应堆的功率分布，进而实现对功率分布进行更新。通过将预设功率分布按照热工水力学计算与中子输运计算交替执行计算，能够实现互相交换数据。
步骤103，基于第一预设判敛准则及更新前后的功率分布，确定是否对所述温度分布及所述密度分布进行第一迭代处理。
在本公开的实施例中，通过使用牛顿(Newton)迭代法，实际上是利用Jacobian矩阵，对所传递的数据进行处理，使其更接近收敛解，从而加快耦合迭代过程，减少迭代次数，同时也使耦合迭代的振荡幅度降低。所述第一迭代处理根据Newton迭代法生成的迭代处理的方法；第一预设判敛准则为对第一迭代处理进行判断是否收敛的预设关系式，用于判断第一迭代处理过程何时能够跳出循环的收敛判据。第一预设判敛准则根据功率分布更新前后的值，来确定是否收敛。
步骤104，在确定对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述第一迭代处理的结果，更新所述温度分布及所述密度分布。
在本公开的实施例中，在根据第一预设判敛准则确定第一迭代处理完成后，根据获得的第一迭代处理的结果，更新反应堆的温度分布及冷却剂的密度分布。通过第一迭代处理获得的温度分布及密度分布相比于迭代处理之前的的温度分布及密度分布能够更好的描述反应堆的热工参数，为后续的计算提供更精确的数据。
步骤105，基于更新后的所述温度分布及所述密度分布，确定所述反应堆的功率分布。
在本公开的实施例中，在根据第一迭代处理获得的温度分布及密度分布后，根据更新后的温度分布及密度分布更新反应堆的反应截面数据，通过中子输运计算获得反应堆的功率分布。
本公开提供了一种反应堆物理热工耦合计算的方法，根据反应堆的预设功率分布，确定所述反应堆的温度分布及冷却剂的密度分布；基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；基于第一预设判敛准则及更新前后的功率分布，确定是否对所述温度分布及所述密度分布进行第一迭代处理；在确定对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述第一迭代处理的结果，更新所述温度分布及所述密度分布；基于更新后的所述温度分布及所述密度分布，确定所述反应堆的功率分布。与相关技术相比，本公开所提供的计算方法能够减少耦合迭代计算的计算次数，提高反应堆物理热工耦合计算的计算效率。
为了清楚说明本公开实施例，本公开实施例提供了另一种反应堆物理热工耦合计算的方法的流程示意图。
如图2所示，该方法包含以下步骤：
步骤201，根据反应堆的预设功率分布，确定所述反应堆的温度分布及冷却剂的密度分布。
具体在本公开的实施例中，根据反应堆的预设功率分布，进行热工水力学计算，求解质量、动量、能量守恒方程；其中的能量守恒方程中的热源项根据预设功率分布进行计算。
步骤202，基于所述温度分布及所述密度分布，确定所述反应堆的功率分布及第一预设矩阵。
作为本公开实施例的一种细化，所述基于所述温度分布及所述密度分布，确定所述反应堆的功率分布及第一预设矩阵包括：根据所述温度分布及所述密度分布，更新所述反应堆的反应截面数据；基于所述反应截面数据，对所述反应堆进行中子输运计算，得到所述功率分布；基于预设迭代关系、所述温度分布及所述密度分布，生成所述第一预设矩阵；其中，所述预设迭代关系为根据预设迭代方法生成的迭代关系。
具体在本公开的实施例中，根据获得的反应堆的温度分布及冷却剂的密度分布更新反应堆的反应截面数据，通过中子输运计算获得反应堆的功率分布。
预设迭代关系为根据Newton迭代法推导出的迭代关系式，第一预设矩阵为根据预设迭代关系中的Jacobian矩阵。推导过程如下：反应堆物理热工耦合系统中，主要是中子输运和热工流体(以水为慢化剂的反应堆中特指热工水力学)两个物理过程。中子输运方面，实际上需要求解的是玻尔兹曼方程，
其中，Ω为方向向量，φ为中子注量率分布，∑t(r,E)为在位置r处能量为E的中子的宏观总反应截面，Σs(r,Ω·Ω′,E→E′)表示位置r处发生散射反应使得中子能量从E变为E′、方向变量从Ω变为Ω′的宏观散射反应截面；χ(r,E)表示位置r处的中子发生裂变反应后产生的中子的能量为E的概率；v(E′)为能量为E′的中子发生裂变反应产生的平均中子数；Σf(r,E′)表示在位置r处、能量为E′的中子的宏观裂变反应截面。
其算符形式如下：
其中，L、R、F分别为泄漏算符、移出算符和裂变算符，φ为中子注量率分布。这些算符与相应的宏观截面有关，而这些宏观截面又受到温度场和密度场等热工参数的影响，因此该方程可以表示为
Ψθ(φ)＝0#(3)
其中，θ表示热工参数，Ψ表示中子输运方程。
进一步地，由于在模型和中子注量率分布φ确定时，功率分布p必定也是确定的，因此上式也可以表示为
Ψθ(p)＝0#(4)
在热工水力学方面，需要求解的是质量、动量、能量守恒方程，其中的能量守恒方程中的热源项实际来自于中子输运产热，即热功率分布p，因此可以表示为：
ΘP(θ)＝0#(5)
其中Θ表示热工水力学守恒方程，p表示热功率分布。
进一步地，如果将方程(4)(5)表示为解的形式，即
p＝Ψ*(θ)#(6)
θ＝Θ*(p)#(7)
这两个式子表示，在提供了热工参数分布θ后，中子输运过程Ψ*可以给出功率分布解p；在提供了功率分布p后，热工计算过程Θ*可以给出热工参数分布p。
那么可以构建起迭代关系式：
φn+1＝Ψ*(Θ*(φn))＝G(φn)#(8)
其中G为迭代算符，G(·)等效于Ψ*(Θ*(·))。
为了获得更高的收敛速率，应当使用Newton迭代法，在Newton迭代法中，更高效的二阶收敛的迭代求解方法则是，计算公式(8)的残差，并使用残差更新φ，即
r＝Ψ*(Θ*(φn))-φn#(10)
JGδφ＝-r#(11)
φn+1＝φn+δφ#(12)
其中r为本次迭代的中子注量率计算结果的残差向量，JG为算符G的Jacobian矩阵，δφ为残差方程(11)的解向量，中子注量率v的下标n为迭代，φn为第n次迭代计算得到的中子注量率。若中子注量率φ离散为N个区域，则JG为一个N×N的矩阵。(10)-(12)构建的迭代过程，就是使用了Jacobian矩阵的Newton法二阶收敛的迭代过程。其可以理解为利用算符G的偏导数信息，指导迭代优化的最优方向和大小，从而加速收敛过程。
将JG写成中子输运和热工水力学的两个Jacobian矩阵的乘积形式，即
其中，为中子输运过程的Jacobian矩阵，/>为热工水力计算过程的Jacobian矩阵，M为N个区域的所有热工参数θ的总数，功率p的各个下标表示对应的区域编号，热工参数θ的各个下标表示对应的热工参数序号。
其中，中子输运过程的Jacobian矩阵可以使用源扰动算法直接求出，而热工方面的Jacobian矩阵/>仍然需要使用差分方法计算矩阵/>与功率差值向量的乘积，但在求解(11)时不再使用Krylov子空间，而是使用反复裂变矩阵的特征向量所表征的特征模态进行空间分解，由于前几个特征值的特征向量的统计误差比较小，因而降低了蒙卡统计不确定性所带来的影响。但这个算法流程中进行了一系列假设，包括只考虑冷却剂密度反馈(即θ中只有冷却剂密度分布，没有燃料棒温度、冷却剂温度分布等)，功率全部来源于裂变反应等，因而有一定的结果近似。另外，这种方法虽然将单次耦合迭代中的中子输运计算次数降低为1次，但仍然无法避免每步迭代都要进行N次的热工差分计算。支持更全面精确的热工反馈、实现单次耦合迭代所需计算量更小、计算更高效的耦合迭代计算就是本技术方案的优势所在。
步骤203，基于所述第一预设矩阵，将所述功率分布、所述温度分布、所述密度分布进行第二迭代处理，直至所述第二迭代处理收敛。
作为本公开实施例的一种可实现的方式，所述基于所述第一预设矩阵，将所述功率分布、所述温度分布、所述密度分布进行第二迭代处理，直至所述第二迭代处理收敛包括：基于所述第一预设矩阵、所述温度分布及所述密度分布，计算并更新所述功率分布；基于更新后的所述功率分布，对所述反应堆进行热工水力学计算，得到更新后的所述温度分布及所述密度分布；基于第二预设判敛准则，确定第二迭代处理的结果是否收敛，并根据所述第二迭代处理的结果确定是否继续进行第二迭代处理。
具体在本公开的实施例中，请参阅图3，第二迭代处理的迭代关系式推理如下：
在第二迭代处理过程中，利用中子输运部分Jacobian矩阵精化热工参数值θn+1，从而实现Jacobian矩阵对整个迭代过程的加速。具体来说，首先在第一迭代处理过程中给出本次第二迭代处理的初值(如图3中上次迭代的温度、密度分布)：
pn＝Ψ*(θn)#(14)
pn,0＝pn#(15)
θn,0＝θn#(16)
其中(15)(16)式的下标n,0中，n是第一迭代处理的次数编号，0是第二迭代处理的次数编号，p为功率分布，θ为温度、密度等热工参数分布。
然后，计算在更新后的功率分布pn,0下的热工参数分布
θn,1＝Θ*(pn,0)#(17)
接着，利用在pn处的中子输运部分的Jacobian矩阵Jpn对功率分布进行更新
其中为更新后的功率分布。进一步地，可以对更新后的功率分布进行归一化处理
其中pn,1为经过归一化处理后的更新后的功率分布。
而后，可以利用这个功率分布获得更新后的热工参数分布，由此构成第二迭代处理
θn,j+1＝Θ*(pn,j)#(20)
其中，j为第二迭代处理次数。
(20)(21)(22)所表征的第二迭代处理的过程，实际上就是N维空间中的高维直线与热工方程(7)的求交过程，高维平面求交迭代过程非常高效，因而能够在第二迭代处理过程中对热工参数计算结果θn+1进行精化，进而加速收敛。
Jacobian矩阵中各项为/>而在蒙卡中子输运过程中，可以使用微分算符法求解系统某一状态下功率对温度和密度的导数，进而完全求解出矩阵/>该过程简述如下：
在中子输运过程中功率计数由下式估计。
其中pi,j为第i个中子的第j个径迹的概率，为粒子输运相关量，fi,j为该径迹产生的功率值，N为输运过程中的径迹总数。pi，j可进一步分解为：
其中，S为父中子经过裂变在特定的相空间产生第i个中子的概率，该相空间由位置向量R0、能量值E0、方向向量Ω0决定，这三个变量的下标0表示各个变量都针对初始父中子；rm为在前m-1个径迹已经出现的条件下，第m个径迹出现的概率，rm可进一步被分解为输运项Tm和碰撞项Cm：
rm＝Tm(Rm-1→Rm,Em-1,Ωm-1)Cm(Rm,Em-1→Em,Ωm-1→Ωm)#(25)
其中Tm(Rm-1→Rm,Em-1,Ωm-1)表示在前m-1个径迹已经出现的条件下，中子能量为Em-1，运动方向为Ωm-1，在第m个径迹过程中，位置从Rm-1移动到Rm的概率；Cm(Rm,Em-1→Em,Ωm-1→Ωm)表示在前m-1个径迹已经出现的条件下，在经过输运从Rm-1移动到Rm后发生碰撞，使得中子能量从Em-1变为Em，且运动方向从Ωm-1变为Ωm的概率。
因此功率P对温度T的导数为：
类似的，功率P对密度ρ的导数为：
其中wi,j为附加权重，虽然上面两式的表示形式相同，但在不同的微扰参数(如温度或密度)下具体统计的内容会有差异。wi,j可以用下面公式进行统计计算。
由此，中子输运部分Jacobian矩阵的所有参数均可求解。对于大规模算例，矩阵规模可能比较大，此时可以考虑进行区域兼并，利用块之间的偏导数关系，加速迭代过程。
由此，中子输运部分Jacobian矩阵中，功率对温度和密度等所有热工参数的偏导数均可通过计数统计获得。当功率分布离散为N个区域时，需要进行统计的微扰系数(偏导数)共有2N2个。这些微扰系数的计数统计在输运过程中需要一定量的额外统计时间，但可以通过下一部分的方法进行进一步优化，从而进一步降低中子输运计算所需时间。
作为本公开实施例的一种细化，所述根据所述第二迭代处理结果确定是否继续进行第二迭代处理包括：基于相邻两次迭代的所述功率分布的变化率的范数，确定所述第二迭代处理是否收敛；在确定所述第二迭代处理的结果不收敛的情况下，继续进行所述第二迭代处理，直到所述第二迭代处理的结果收敛；在确定所述第二迭代处理的结果收敛的情况下，结束第二迭代处理；
所述第二预设判敛准则为：
其中，p为第二迭代处理过程中获得的功率分布，其三个下标分别表示当前第一迭代次数、第二迭代次数和该功率分布值对应的区域编号，例如pn,m,i表示在第n次第一迭代处理过程中的第m次第二迭代处理过程中，所获得的第i号区域的功率值；n为整个算例的区域总数；∈internal为第二预设判敛准则的预设收敛阈值，是一个方法参数，一般与功率统计值的标准偏差大小有关；L2为功率分布p的2阶范数的字母表示，本式中的具体计算形式就是第一个等号后的根式。
具体的，根据第二预设判敛准则，确定是否继续进行第二迭代处理；第二迭代处理过程的判敛准则采用相邻两次迭代的功率分布变化率的L2范数来衡量，当
时，认为第二迭代处理收敛。
第一迭代处理、第二迭代处理的∈k、∈external、∈internal的设定根据功率计算结果的平均相对标准偏差设置。在实际使用中，由于第二迭代处理收敛较为高效，第二迭代处理过程可以设置一个固定的迭代次数。
另外，如果第二迭代处理的第一次计算结果就已经满足了收敛准则，那么必定有：
即热工参数已经收敛，或热工参数变化量对中子输运模块影响不大，因此此时实际上已经达到了中子输运收敛，而热工方面即便没有收敛，由于与中子输运Jφ(n)的正交性，继续迭代的意义也不大，所以同样可以终止迭代过程。
步骤204，在所述第二迭代处理结束之后，基于所述温度分布及所述密度分布，更新所述反应堆的功率分布。
步骤205，基于第一预设判敛准则及更新前后的功率分布，确定第一迭代处理的结果是否收敛，并确定是否继续进行第一迭代处理。
作为本公开实施例的一种可实现的方式，所述基于所述第一预设判敛准则，确定第一迭代处理的结果是否收敛，并根据所述第一迭代处理的结果确定是否继续进行第一迭代处理包括：基于相邻两次迭代处理之间的有效增殖因子及相邻两次迭代的所述功率分布的变化率的范数，确定所述第一迭代处理是否收敛；在确定所述第一迭代处理的结果不收敛的情况下，继续进行所述第一迭代处理，直到所述第一迭代处理的结果收敛；在确定所述第一迭代处理的结果收敛的情况下，结束第一迭代处理；
所述第一预设判敛准则为：
其中，k为系统的有效增殖因子，其下标为当前迭代次数，例如kn表示第n次第一迭代过程中计算得到的有效增殖因子；∈k为第一预设判敛准则的预设收敛阈值，是一个方法参数，一般与有效增殖因子k的标准偏差大小有关；N为整个算例的区域总数；p为第一迭代处理中获得的功率分布，其两个下标分别表示当前的第一迭代次数和该功率分布值对应的区域编号，例如pn,i表示第n次第一迭代过程最终获得的第i号区域的功率值；N为整个算例的区域总数∈external为第一预设判敛准则的预设收敛阈值，是一个方法参数，一般与功率统计值的标准偏差大小有关；L2为功率分布p的2阶范数的字母表示，本式中的具体计算形式就是第一个等号后的根式；
或，
其中，p为本次第一迭代过程中，进行第二迭代时所获得的功率分布，其三个下标分别表示当前第一迭代次数、第二迭代次数和该功率分布值对应的区域编号，例如pn,m,i表示在第n次第一迭代处理过程中的第m次第二迭代处理过程中，所获得的第i号区域的功率值；L2为功率分布p的2阶范数的字母表示，本式中的具体计算形式就是第一个等号后的根式。即这个判敛准则利用第二迭代中的功率分布相对变化情况来进行第一迭代过程的判敛。
具体的，请继续参考图3，在第二迭代处理结束的情况下，基于第二迭代处理的结果，并根据第一预设判敛准则，判断是否继续进行第一迭代处理。
第一迭代处理过程使用两次迭代之间的集总量(如有效增殖因子keff，公式(31)中用k表示)和分布量(如功率分布p)的变化量的范数来作为判敛指标，即
在实际运算过程中，将公式(33)作为判敛准则，能更好的反应耦合迭代收敛状态。
步骤206，在确定对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述第一迭代处理的结果，更新所述温度分布及所述密度分布。
步骤207，基于更新后的所述温度分布及所述密度分布，确定所述反应堆的功率分布。
具体在本公开的实施例中，在根据第一预设判敛准则确定第一迭代处理完成后，根据获得的第一迭代处理的结果，更新反应堆的温度分布及冷却剂的密度分布。在根据第一迭代处理获得的温度分布及密度分布后，根据更新后的温度分布及密度分布更新反应堆的反应截面数据，通过中子输运计算获得反应堆的功率分布。
步骤208，在确定不对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述温度分布及所述密度分布，确定所述反应堆的功率分布。
具体在本公开的实施例中，请参阅图3，若根据预设功率分布进行热工水力学计算得到的温度分布及密度分布收敛，则利用热工水力学计算得到的温度分布及密度分布再进行中子输运计算，得到反应堆的功率分布。
作为本公开实施例的一种可实现的方式，在步骤203进行中子输运部分Jacobian矩阵的计算时，本公开还提供了一种“多对角线”优化加速的计算方法。在基于蒙卡微扰理论的Newton迭代方法计算过程中，主要的额外耗时是2N2个微扰算子的计数统计过程，因此想要优化总体计算时长，就需要在适当减少微扰计算时间方面入手。
在进行实际的基于蒙卡微扰理论的Newton迭代方法计算过程中，可以发现实际上中子输运部分Jacobian矩阵各个位置元素的重要程度是不同的。区域i的功率pi对区域j的热工参数θj的响应/>仅在区域i和区域j比较接近的时候会有比较大的取值。因此，在实际的计算过程中，可以采用Jacobian矩阵/>的多对角近似来执行内迭代过程，这样就能将所需计算的微扰算子数量从O(N2)量级降低到O(N)量级。
具体来讲，对于一维功率分布的区域划分，如果在公式(15)中的M＝N，则相邻区域在矩阵中的位置实际上就是对角线的位置，如下式
其中di,j表示
对于二维或三维功率分布，其具体形式与展开为一维编号的方式有关，但均为与主对角线距离相同的一系列数字。例如典型的二维功率分布的四个方向对应的数值分别位于两条次对角线和四条其他对角线上，加上区域对区域的响应所对应的主对角线，共计有7条对角线仍保留数值。
该方法在实际应用中也取得了比Picard迭代更好的表现。这里用一个轴向均匀分十层的压水堆燃料棒栅元的物理热工耦合算例进行验证。该算例包含整个棒栅格内的水、包壳、气隙和燃料芯块。整个模型的径向正方形边界为全反射边界，轴向端面为真空边界。
验证过程中与Picard迭代方法进行对比，具体的计算参数如下表1。
表1压水堆燃料棒栅元算例的计算参数
需要说明的是，本公开的实施例中可以包括多个步骤，为了便于描述，这些步骤被进行了编号，但是这些标号并非是对步骤之间执行时隙、执行顺序的限定；这些步骤可以以任意的顺序被实施，本公开实施例并不对此作出限定。
与上述的反应堆物理热工耦合计算的方法相对应，本发明还提出一种反应堆物理热工耦合计算的装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。
图4为本公开实施例提供的一种反应堆物理热工耦合计算的装置的结构示意图，如图4所示，
第一确定单元31，用于根据反应堆的预设功率分布，确定所述反应堆的温度分布及冷却剂的密度分布；
第一更新单元32，用于基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；
第二确定单元33，用于基于第一预设判敛准则及更新前后的功率分布，确定是否对所述温度分布及所述密度分布进行第一迭代处理；
第二更新单元34，用于在确定对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述第一迭代处理的结果，更新所述温度分布及所述密度分布；
第三确定单元35，用于基于更新后的所述温度分布及所述密度分布，确定所述反应堆的功率分布。
本公开提供了一种反应堆物理热工耦合计算的装置，根据反应堆的预设功率分布，确定所述反应堆的温度分布及冷却剂的密度分布；基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；基于第一预设判敛准则及更新前后的功率分布，确定是否对所述温度分布及所述密度分布进行第一迭代处理；在确定对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述第一迭代处理的结果，更新所述温度分布及所述密度分布；基于更新后的所述温度分布及所述密度分布，确定所述反应堆的功率分布。与相关技术相比，本公开所提供的计算方法能够减少耦合迭代计算的计算次数，提高反应堆物理热工耦合计算的计算效率。
进一步地，在本实施例一种可能的实现方式中，如图5所示，所述装置还包括：
第四确定单元36，用于在第二确定单元33确定不对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述温度分布及所述密度分布，确定所述反应堆的功率分布。
进一步地，在本实施例一种可能的实现方式中，如图5所示，所述第二确定单元33包括：
第一确定模块331，用于基于所述温度分布及所述密度分布，确定所述反应堆的功率分布及第一预设矩阵；
处理模块332，用于基于所述第一预设矩阵，将所述功率分布、所述温度分布、所述密度分布进行第二迭代处理，直至所述第二迭代处理收敛；
更新模块333，用于在所述第二迭代处理结束之后，基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；
第二确定模块334，用于基于所述第一预设判敛准则及更新前后的功率分布，确定第一迭代处理的结果是否收敛，并确定是否继续进行第一迭代处理。
进一步地，在本实施例一种可能的实现方式中，所述第一确定模块331还用于：
根据所述温度分布及所述密度分布，更新所述反应堆的反应截面数据；
基于所述反应截面数据，对所述反应堆进行中子输运计算，得到所述功率分布；
基于预设迭代关系、所述温度分布及所述密度分布，生成所述第一预设矩阵；其中，所述预设迭代关系为根据预设迭代方法生成的迭代关系。
进一步地，在本实施例一种可能的实现方式中，所述处理模块332还用于：
基于所述第一预设矩阵、所述温度分布及所述密度分布，计算并更新所述功率分布；
基于更新后的所述功率分布，对所述反应堆进行热工水力学计算，得到更新后的所述温度分布及所述密度分布；
基于第二预设判敛准则，确定第二迭代处理的结果是否收敛，并根据所述第二迭代处理的结果确定是否继续进行第二迭代处理。
进一步地，在本实施例一种可能的实现方式中，所述处理模块332还用于：
基于相邻两次第二迭代处理的所述功率分布的变化率的范数，确定所述第二迭代处理是否收敛；
在确定所述第二迭代处理的结果不收敛的情况下，继续进行所述第二迭代处理，直到所述第二迭代处理的结果收敛；
在确定所述第二迭代处理的结果收敛的情况下，结束第二迭代处理；
所述第二预设判敛准则为：
其中，p为第二迭代处理过程中获得的功率分布，n为进行第一迭代处理的次数，m为进行第二迭代处理的次数，i为当前功率分布值对应的区域编号，N为整个算例的区域总数；∈internal为第二预设判敛准则的预设收敛阈值，L2为功率分布p的2阶范数。
进一步地，在本实施例一种可能的实现方式中，所述第二确定模块334还用于：
基于相邻两次第一迭代处理之间的有效增殖因子及相邻两次迭代的所述功率分布的变化率的范数，确定所述第一迭代处理是否收敛；
在确定所述第一迭代处理的结果不收敛的情况下，继续进行所述第一迭代处理，直到所述第一迭代处理的结果收敛；
在确定所述第一迭代处理的结果收敛的情况下，结束第一迭代处理；
所述第一预设判敛准则为：
其中，k为有效增殖因子，其下标n为当前第一迭代处理的次数，∈k为第一预设判敛准则的预设收敛阈值，N为整个算例的区域总数，p为第一迭代处理中获得的功率分布，n为第一迭代处理的次数，i为该功率分布值对应的区域编号，∈external为第一预设判敛准则的预设收敛阈值，L2为功率分布p的2阶范数；
或，/>
其中，p为当前第一迭代处理过程中进行第二迭代处理时所获得的功率分布，n为第一迭代处理的次数，m为第二迭代处理的次数，i为该功率分布值对应的区域编号，L2为功率分布p的2阶范数。。
需要说明的是，前述对方法实施例的解释说明，也适用于本实施例的装置，原理相同，本实施例中不再限定。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图6示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，设备400包括计算单元401，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)402中的计算机程序或者从存储单元408加载到RAM(Random AccessMemory，随机访问/存取存储器)403中的计算机程序，来执行各种适当的动作和处理。在RAM403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。I/O(Input/Output，输入/输出)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(DigitalSignal Processor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如反应堆物理热工耦合计算的方法。例如，在一些实施例中，反应堆物理热工耦合计算的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的方法的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行前述反应堆物理热工耦合计算的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Application Specific StandardProduct，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(LiquidCrystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种反应堆物理热工耦合计算的方法，其特征在于，包括：
根据反应堆的预设功率分布，确定所述反应堆的温度分布及冷却剂的密度分布；
基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；
基于第一预设判敛准则及更新前后的功率分布，确定是否对所述温度分布及所述密度分布进行第一迭代处理；
在确定对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述第一迭代处理的结果，更新所述温度分布及所述密度分布；
基于更新后的所述温度分布及所述密度分布，确定所述反应堆的功率分布。
2.根据权利要求1所述的方法，其特征在于，在基于第一预设判敛准则及更新前后的功率分布，确定是否对所述温度分布及所述密度分布进行第一迭代处理之后，所述方法还包括：
在确定不对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述温度分布及所述密度分布，确定所述反应堆的功率分布。
3.根据权利要求1所述的方法，其特征在于，对所述温度分布及所述密度分布进行所述第一迭代处理包括：
基于所述温度分布及所述密度分布，确定所述反应堆的功率分布及第一预设矩阵；
基于所述第一预设矩阵，将所述功率分布、所述温度分布、所述密度分布进行第二迭代处理，直至所述第二迭代处理收敛；
在所述第二迭代处理结束之后，基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；
基于所述第一预设判敛准则及更新前后的功率分布，确定第一迭代处理的结果是否收敛，并确定是否继续进行第一迭代处理。
4.根据权利要求3所述的方法，其特征在于，所述基于所述温度分布及所述密度分布，确定所述反应堆的功率分布及第一预设矩阵包括：
根据所述温度分布及所述密度分布，更新所述反应堆的反应截面数据；
基于所述反应截面数据，对所述反应堆进行中子输运计算，得到所述功率分布；
基于预设迭代关系、所述温度分布及所述密度分布，生成所述第一预设矩阵；其中，所述预设迭代关系为根据预设迭代方法生成的迭代关系。
5.根据权利要求3所述的方法，其特征在于，所述基于所述第一预设矩阵，将所述功率分布、所述温度分布、所述密度分布进行第二迭代处理，直至所述第二迭代处理收敛包括：
基于所述第一预设矩阵、所述温度分布及所述密度分布，计算并更新所述功率分布；
基于更新后的所述功率分布，对所述反应堆进行热工水力学计算，得到更新后的所述温度分布及所述密度分布；
基于第二预设判敛准则，确定第二迭代处理的结果是否收敛，并根据所述第二迭代处理的结果确定是否继续进行第二迭代处理。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第二迭代处理结果确定是否继续进行第二迭代处理包括：
基于相邻两次第二迭代处理的所述功率分布的变化率的范数，确定所述第二迭代处理是否收敛；
在确定所述第二迭代处理的结果不收敛的情况下，继续进行所述第二迭代处理，直到所述第二迭代处理的结果收敛；
在确定所述第二迭代处理的结果收敛的情况下，结束第二迭代处理；
所述第二预设判敛准则为：
其中，p为第二迭代处理过程中获得的功率分布，n为进行第一迭代处理的次数，m为进行第二迭代处理的次数，i为当前功率分布值对应的区域编号，N为整个算例的区域总数；∈internal为第二预设判敛准则的预设收敛阈值，L2为功率分布p的2阶范数。
7.根据权利要求3所述的方法，其特征在于，所述基于所述第一预设判敛准则，确定第一迭代处理的结果是否收敛，并根据所述第一迭代处理的结果确定是否继续进行第一迭代处理包括：
基于相邻两次第一迭代处理之间的有效增殖因子及相邻两次迭代的所述功率分布的变化率的范数，确定所述第一迭代处理是否收敛；
在确定所述第一迭代处理的结果不收敛的情况下，继续进行所述第一迭代处理，直到所述第一迭代处理的结果收敛；
在确定所述第一迭代处理的结果收敛的情况下，结束第一迭代处理；
所述第一预设判敛准则为：
其中，k为有效增殖因子，其下标n为当前第一迭代处理的次数，∈k为第一预设判敛准则的预设收敛阈值，N为整个算例的区域总数，p为第一迭代处理中获得的功率分布，n为第一迭代处理的次数，i为该功率分布值对应的区域编号，∈external为第一预设判敛准则的预设收敛阈值，L2为功率分布p的2阶范数；
或，
其中，p为当前第一迭代处理过程中进行第二迭代处理时所获得的功率分布，n为第一迭代处理的次数，m为第二迭代处理的次数，i为该功率分布值对应的区域编号，L2为功率分布p的2阶范数。
8.一种反应堆物理热工耦合计算的装置，其特征在于，包括：
第一确定单元，用于根据反应堆的预设功率分布，确定所述反应堆的温度分布及冷却剂的密度分布；
第一更新单元，用于基于所述温度分布及所述密度分布，更新所述反应堆的功率分布；
第二确定单元，用于基于第一预设判敛准则及更新前后的功率分布，确定是否对所述温度分布及所述密度分布进行第一迭代处理；
第二更新单元，用于在确定对所述温度分布及所述密度分布进行所述第一迭代处理的情况下，根据所述第一迭代处理的结果，更新所述温度分布及所述密度分布；
第三确定单元，用于基于更新后的所述温度分布及所述密度分布，确定所述反应堆的功率分布。
9.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
CN202310545313.4A 2023-05-15 2023-05-15 反应堆物理热工耦合计算的方法及装置、电子设备 Pending CN116663262A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310545313.4A CN116663262A (zh) 2023-05-15 2023-05-15 反应堆物理热工耦合计算的方法及装置、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310545313.4A CN116663262A (zh) 2023-05-15 2023-05-15 反应堆物理热工耦合计算的方法及装置、电子设备

Publications (1)

Publication Number Publication Date
CN116663262A true CN116663262A (zh) 2023-08-29

Family

ID=87710991

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310545313.4A Pending CN116663262A (zh) 2023-05-15 2023-05-15 反应堆物理热工耦合计算的方法及装置、电子设备

Country Status (1)

Country Link
CN (1) CN116663262A (zh)

Similar Documents

Publication Publication Date Title
Park et al. Unstructured grid adaptation: status, potential impacts, and recommended investments towards CFD 2030
CN111414722B (zh) 一种核反应堆堆芯物理与热工耦合的模拟方法
Ribeiro et al. An airfoil optimization technique for wind turbines
Strang et al. The defining methods of Cobalt-60-A parallel, implicit, unstructured Euler/Navier-Stokes flow solver
CN114219076B (zh) 量子神经网络训练方法及装置、电子设备和介质
US20170032068A1 (en) Techniques for warm starting finite element analyses with deep neural networks
US20230087100A1 (en) Pulse-based quantum gate implementation
Öksüz et al. Multi-objective aerodynamic optimization of axial turbine blades using a novel multilevel genetic algorithm
Kyriacou et al. Efficient PCA-driven EAs and metamodel-assisted EAs, with applications in turbomachinery
CA2692361C (en) Design support apparatus and method
Coleman et al. Gradient-free construction of active subspaces for dimension reduction in complex models with applications to neutronics
CN113159287A (zh) 一种基于梯度稀疏的分布式深度学习方法
Chu et al. Reliability based optimization with metaheuristic algorithms and Latin hypercube sampling based surrogate models
Teng et al. Generative adversarial surrogate modeling framework for aerospace engineering structural system reliability design
CN106202865A (zh) 一种计算中子输运离散节块法中任意阶系数的方法
Pu et al. Solving Schrodinger equations using a physically constrained neural network
CN116663262A (zh) 反应堆物理热工耦合计算的方法及装置、电子设备
Paulete-Periáñez et al. Surrogate modelling for aerodynamic coefficients prediction in aeronautical configurations
Selvan On the effect of shape parameterization on aerofoil shape optimization
Miao et al. Local modified mesh deformation based on radial basis functions for fluid solid interaction in reactor core
Shi et al. Surrogate-based robust airfoil optimization under aleatory flight condition and geometric uncertainties
CN113313261B (zh) 函数处理方法、装置及电子设备
Rozenberg et al. Fluid structure interaction problems in turbomachinery using rbf interpolation and greedy algorithm
Gong et al. Short-term power prediction of a wind farm based on empirical mode decomposition and mayfly algorithm–back propagation neural network
Dekeyser et al. Optimal shape design for divertors

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination