环形几何中临界热流预测的混合机器学习模型的研发与部署-计算机科学-机器学习-算法.pdf

环形几何中临界热流预测的混合机器学习模型的研发与部署

AidanFurlong,XingangZhao,RobertSalko,XuWu

DepartmentofNuclearEngineering,NorthCarolinaStateUniversity,BurlingtonEngineeringLaboratories,

2500StinsonDrive,Raleigh,NC27695,ajfurlon@,xwu27@

DepartmentofNuclearEngineering,UniversityofTennessee,Knoxville,ZeanahEngineeringComplex,863

NeylandDr,Knoxville,TN37996,xzhao47@

NuclearEnergyandFuelCycleDivision,OakRidgeNationalLaboratoryOakRidge,TN,USA37830,

salkork@

介绍方法

经验关联

准确预测临界热流（CHF）是加压水反应堆和沸水

反应堆安全分析的重要组成部分。当核系统超过CHFBiasi和Bowring相关性被选择是因为它们常用

本值时，燃料棒包壳会发生温度激增。如果幅度足够大，于子通道代码中，并且目前在CTF中使用直接替换

译这种事件有可能导致包壳失效和燃料熔化。防止这种方法实现了它们。对于这项研究，由于假定环形空间

情况需要在热液压分析中精确计算CHF。为此目标，是孤立的子通道，因此使用了热平衡方法[7]。所选的

中过去几十年里从物理实验构建了几种经验关联式和查Katto相关性是对管导模型的一种修改版本，用于环

1找表。这些工具通常基于基本物理学和曲线拟合的松形空间。有人争论过[6]，加热等效直径Dhe比水力直

v散结合，并且它们在各种运行区域中可能与实验数据径Dhy更合适，当将管导相关性扩展到环形空间时。

2存在显著偏差。这是基于物理动机的，因为通道功率等于热流在加热

3随着可访问的机器学习（ML）框架的出现，已经周长和流动长度上的轴向积分。因此，应该是加热周

3建立了一些旨在比前述较旧工具更准确地预测CHF长而不是总润湿周长来定义特征直径，这导致了使用

4的计划。虽然纯数据驱动的代理建模已被广泛研究，Dhe。

1但这些方法缺乏解释性，对数据稀缺性缺乏韧性，并对于内壁加热的圆环，加热当量直径通过公式（1）

7.且主要使用管实验的数据进行开发。因此，已开发出计算。这里，Asc是子通道的流通面积，Phe是加热周

一种偏差校正混合方法[1]。混合模型依赖于一个基长，d和d分别是外壁和内壁的直径。注意，当加热

0oi

5础模型（如经验相关性）提供的初始“低保真度”估周长接近总润湿周长时，Dhe趋近于Dhy。

2计，然后通过训练在实验-基础模型残差上的数据驱动22

:4Add

vML模型