从单管到堆芯：机器学习如何重塑核反应堆热工水力安全边界预测
在核电站运行安全中，临界热流密度（Critical Heat Flux, CHF）是决定燃料包壳是否可能发生烧毁的关键参数。一旦局部热流超过CHF阈值，冷却剂沸腾加剧，传热恶化，可能导致设备严重损坏甚至堆芯熔毁。因此，精确预测CHF成为核反应堆设计、安全评估与事故分析的生命线。长期以来，工业界依赖经过数十年积累的经验关联式（如W-3、Bowring）或大型查表库（如Groeneveld LUT），这些方法虽具备物理可解释性，但在面对新型燃料组件、非均匀加热条件或瞬态工况时，其预测误差往往超出可接受范围。
传统方法的瓶颈与AI的入场契机
近年来，随着计算流体动力学（CFD）与子通道代码（Subchannel Code）的成熟，研究人员得以在大量高保真仿真数据基础上探索更先进的预测工具。正是在这一背景下，机器学习（ML）技术被引入CHF预测领域。相较于传统方法，ML模型能够捕捉非线性、多变量耦合效应，尤其擅长处理复杂几何构型下的流动沸腾行为。然而，现有研究大多集中于孤立圆管（tube-based）条件下的CHF建模。尽管圆管实验易于标准化且数据丰富，但真实反应堆堆芯由数百根燃料棒组成的棒束构成，其间存在复杂的交叉流动、格栅损失以及未加热导体的干扰效应，这些因素使棒束中的CHF现象远比单管复杂得多。
本研究的核心挑战在于：能否将在圆管数据上训练的ML模型有效推广至棒束环境？这种迁移学习的可行性直接关系到该技术走向实际工程应用的门槛高低。若缺乏泛化能力，即便在实验室条件下精度再高的模型也难以支撑反应堆级的安全分析需求。为此，研究团队选取了Combustion Engineering公司开发的5×5棒束作为测试平台，这是目前国际上广泛采用的基准实验配置之一。他们首先构建了一个纯粹的数据驱动型深度神经网络（DNN），随后设计了两种“混合”（hybrid）模型——一种将ML输出作为偏差校正项叠加于传统查表法之上，另一种则结合经验关联式的残差进行智能补偿。
实验设计与性能对比
为全面评估各模型的鲁棒性，研究采用了涵盖多种质量流速、压力、热流密度及入口过冷度的CHF数据集。值得注意的是，所有ML模型均仅使用圆管训练数据初始化权重，未针对棒束结构进行重新训练，这充分检验了其跨几何结构的适应能力。结果表明，三种ML方案在CHF幅值预测上的平均相对误差均低于10%，远优于W-3和Bowring关联式普遍存在的20%-30%偏差。尤其在低质量流速与高功率区域，ML模型展现出更强的非线性拟合优势。而在CHF发生位置的预测方面，混合查表（Hybrid LUT）模型凭借对局部流动特征的精细捕捉，成功识别出棒间间隙等高风险区域，其空间定位准确率较传统方法提升近一倍。
“这项工作的意义不仅在于提升了CHF预测精度，更重要的是证明了物理信息嵌入的机器学习框架在复杂多相流场景下的巨大潜力。”一位参与评审该研究的匿名专家指出。
行业洞察：超越黑箱，迈向可信AI
尽管成果令人振奋，但业界对AI在核安全关键系统中的应用仍持审慎态度。首要关切在于模型的透明性与可追溯性——当DNN做出一个预测时，工程师能否理解其决策逻辑？对此，本研究采取的混合架构提供了一种折中路径：它保留了传统物理模型的框架约束，同时利用ML模块弥补其固有缺陷，形成“白箱+黑箱”协同机制。这种策略既满足了监管机构对可解释性的要求，又充分利用了大数据驱动的优势。
更深层次看，该研究折射出核能工程数字化转型的新趋势：从完全依赖人类专家经验，转向人机协同的智能决策体系。未来，随着更多运行数据积累与高性能计算资源支持，具备在线学习能力的多模态融合模型有望进一步降低不确定性，甚至实现实时安全预警。然而，技术落地仍需跨越三大障碍：一是建立覆盖全工况的高质量数据集；二是制定适用于AI模型的验证与确认（V&V）标准；三是推动监管体系更新，接纳经严格认证的智能预测工具进入安全关键环节。
未来展望：从预测到预防
展望未来，基于机器学习的CHF预测不应止步于“更准一点的计算器”。其终极目标应是融入反应堆控制系统，构建动态风险图谱，实现对潜在热工失稳的前瞻性干预。例如，在压水堆启停阶段，通过实时比对当前工况与历史CHF边界的距离，提前调整功率分布或冷却流量，从而主动规避危险区。此外，结合数字孪生技术，ML模型还可用于模拟极端事故序列，为应急规程优化提供科学依据。
总而言之，本研究不仅验证了机器学习从单管向棒束扩展的技术可行性，更为核能领域AI应用树立了典范——即必须将物理规律作为先验知识融入算法设计，方能兼顾精度、可靠性与合规性。随着这一理念被更多工程场景采纳，我们或将迎来一个由智能系统守护的更安全、更高效的核能新时代。