本文是 2025 年 5 月发表的人工智能在反应堆物理学领域的全面综述，由华东师范大学、清华大学、法国电力公司等机构联合完成，系统梳理了机器学习（ML）在反应堆物理学中的应用现状、前沿课题、未解挑战与未来方向。文章指出，ML已在中子控制方程求解、关键状态参数预测、稳态/瞬态/燃耗问题解决及工业应用（运行模拟、在线监测、安全设计）等方面取得显著进展，其中物理信息神经网络（PINN）及其变体成为核心技术，实现了计算效率与精度的平衡；但当前研究存在碎片化、模型泛化能力不足、可解释性差等问题，未来需重点突破理论方法创新、数字孪生技术深化及多物理场耦合建模等方向。

一、研究背景与概述

1.反应堆物理学核心定位：研究反应堆内中子的时空分布及与物质的相互作用，是核反应堆设计、运行与安全的理论基础，核心目标是准确预测中子通量、有效倍增因子（k_eff）、功率分布等关键参数。

2.AI/ML应用发展历程：

  • 萌芽期（上世纪末）：以反向传播神经网络（BPNN）为主，仅能预测功率、温度等简单标量，受限于计算机技术，应用场景单一。

  • 成长期（2000-2010 年）：神经网络、支持向量回归（SVR）等方法逐步应用于堆芯参数预测与燃料装载优化，如 Ortiz 等用多态循环神经网络（RNN）优化沸水堆（BWR）燃料晶格设计。

  • 爆发前期（2010-2020 年）：深度学习技术开始渗透，可处理复杂时空问题，如基于多层感知机（MLP）构建 VVER-1000 堆芯实时监测系统，基于细胞神经网络预测重水慢化剂温度场。

  • 快速发展期（2020 至今）：物理信息神经网络（PINN）成为核心技术，衍生出保守 PINN（cPINN）、边界依赖 PINN（BDPINN）、迁移学习 PINN（TL-PINN）等变体；数字孪生、多物理场耦合等应用快速推进，2020 年后相关文献数量呈指数级增长。

二、反应堆物理学基础与 ML 应用切入点

1.核心控制方程及ML求解方法ML 方法显著提升了四大控制方程的求解效率与精度，具体对应关系如下：

控制方程类型

核心描述

主要ML 方法

关键成果

中子输运方程（NTE）

精确描述7 维中子输运过程

DNN、PINN、BDPINN、细胞神经网络

BDPINN 解决边界条件误差问题，一维非均匀介质输运问题结果与精细网格传统方法一致

中子扩散方程（NDE）

输运方程的各向同性简化形式

ANN、DNN、PINN、cPINN

PINN 求解二维扩散方程平均相对误差约0.63%，cPINN 解决非光滑解异质扩散问题

点动力学方程（PKEs）

0D 简化模型，描述时间演化

PINN、TL-PINN

TL-PINN 将瞬态预测迭代次数减少2 个数量级，中子密度预测误差<1%

燃耗方程（BEs）

描述燃料核素的消耗与生成

DNN、LightGBM、随机森林

神经网络燃耗计算时间<1 分钟 ，Pu 含量预测平均误差0.37%

1.关键状态参数及ML预测方法ML 方法实现了三大核心参数的快速高精度预测：

  • 有效倍增因子（k_eff）：LSTM 模型可将 BEAVRS 堆芯 0-300 天 k_eff 预测绝对误差控制在2pcm以内；DNN+XGBoost 可将低保真模拟的 k_eff 误差从200-300pcm降至50pcm 以下。

  • 中子截面：DNN、决策树、KNN 用于截面预测与核数据评估，ANN 预测 (n,2n) 反应截面的 MAPE<10% 占比超85%。

  • 中子通量：全卷积网络（FCN）、PINN 用于通量分布预测，基于 SVD 自编码器的数字孪生可实现高通量分布的实时重建。

三、ML 解决的三大核心反应堆物理问题

1.稳态问题聚焦反应堆长期稳定运行状态的参数预测与优化：

  • k 本征值问题：数据增强 PINN（DEPINN）、物理约束广义逆幂法神经网络（PC-GIPMNN）精度优于有限元法（FEM），且不受网格划分影响；多区域 k 本征值求解相对误差约0.77%-1.2%。

  • 性能与参数预测：SVR 模型用于可移动氟盐冷却高温堆（TFHR）稳态性能预测；细胞神经网络实现重水慢化剂温度场实时预测。

  • 堆芯优化：Hopfield 神经网络 + 模拟退火算法实现压水堆（PWR）燃料组件最优配置；SVR 将堆芯装料模式评估时间从数分钟缩短至秒级。

2.瞬态问题针对反应堆状态变化（如事故、功率调节）的快速响应：

  • 多普勒反应性：ANN 用于钠冷快堆（SFR）多普勒反应性计算，精度与传统模型相当且速度更快。

  • 行为与故障预测：CNN-LSTM 模型用于蒸汽发生器传热管破裂（SGTR）事故瞬态预测，平均预测时间0.06 秒；神经网络分类器对 9 种瞬态事件的识别准确率达90%。

  • 正反问题与耦合：数字孪生模型同时解决 "参数→功率" 的正问题与 "功率测量→参数" 的反问题，精度优于传统降阶方法；神经网络将热管堆多物理场耦合计算时间从数小时缩短至4 分钟以内。

3.燃耗问题围绕燃料消耗与核素演化的全周期管理：

  • 计算加速：神经网络模型将 PWR 燃耗计算时间从数小时缩短至 1 分钟以内，Pu 含量预测平均误差0.37%。

  • 分布与核素预测：3D 变分法 + ANN 实现 CNP1000 堆芯燃耗分布校准；DNN 模型可准确预测 235U、239Pu 等关键核素的密度变化，解决低燃耗区预测误差大的问题。

  • 乏燃料验证：随机森林回归可独立预测乏燃料初始富集度、燃耗与冷却时间，用于核保障核查。

四、数据处理与工业应用

1.数据建模支撑技术ML 在数据预处理与增强方面发挥重要作用：

  • 模型修正：通过 ML 修正低保真模拟结果，使其接近高保真数据，如 BWR 运行模拟误差修正。

  • 核数据验证：随机森林算法识别核数据中的偏差，如发现 241Pu 裂变截面是模拟偏差的主要来源。

  • 数据合成：生成合成数据训练数字孪生模型，解决真实数据稀缺问题。

  • 噪声诊断：深度学习模型实现中子噪声的异常检测与定位，可同时处理多个扰动源。

2.工业应用场景

  • 运行模拟：GPU 加速 + ML 实现中子输运代码并行化；数字孪生技术用于 HPR1000 堆芯运行模拟，支持实时参数预测；PWR 燃料换料优化时间从数天缩短至20 分钟。

  • 在线监测：实时监测功率分布、慢化剂温度等参数；基于 LSTM 的故障诊断系统可提前识别异常；自主控制模型实现小型模块化反应堆（SMR）的无人值守运行。

  • 安全设计：基于 ML 的堆芯形状优化使峰值温度因子提升3 倍；遗传算法 + 回归分析实现气冷快堆（GFR）堆芯参数优化；多目标优化方法平衡紧凑型反应堆屏蔽的安全性与轻量化。

五、核心挑战与未来方向

1.核心挑战

  • 理论层面：高维参数空间采样效率低；模型泛化能力不足（多数针对特定堆型）；可解释性差（黑箱模型难以满足核安全监管要求）；不确定性量化方法不完善。

  • 实施层面：传感器在强辐射环境下易退化，数据噪声大；数字孪生的全生命周期数据同化技术不成熟；ML 结果向人类可理解的符号语言转换困难。

2.未来研究方向

  • 理论方法创新：融合 Transformer 与 PINN 架构；开发自适应网格与自定义损失函数；提升模型泛化能力与可解释性。

  • 技术深化应用：构建全生命周期数字孪生系统；实现多尺度多物理场的高效耦合；发展基于 ML 的自主控制与事故智能处置系统。

  • 数据与工程落地：建立标准化核反应堆 ML 数据集；完善 ML 模型的核安全监管认证体系；推进先进制造（如 3D 打印）与 ML 驱动的堆芯设计融合。

核技术论坛

阅读 赞 分享 言