利用机器学习对HPR1000核反应堆一次回路热腿中热电阻管套的测量过程进行建模

《IEEE Transactions on Nuclear Science》：Modeling for Measurement Process of Thermal Resistor Tube Socket in Primary Loop Hot Leg of HPR1000 Using Machine Learning

基于深度学习的核电站主循环温度测量模型研究提出DTF-CNN-PINN方法，通过物理信息约束和动态时间因子融合实现温度场高精度重构，验证表明其温度预测误差较传统CFD方法降低2℃，并提升测量系统冗余分析能力。

　　

摘要：

目前，核电站一次回路热腿温度的评估依赖于保守的不确定性量化方法，这种做法由于对过程测量不确定性的重视不足，阻碍了运营优化。为了解决这一问题，我们使用卷积神经网络（CNN）建模方法开发了一个用于HPR1000热电阻管座温度测量的模型，并采用了包含物理信息的损失函数和动态时间因子（DTF-CNN-PINN）。通过对福清5号机组运行数据的验证，结果表明：1) 在动态热水力条件下具有高保真度的时间一致性；2) 温度场重建的均方误差为0.0076；3) 与计算流体动力学（CFD）基准相比，准确度提高了