基于BP神经网络的强流紧凑型DT中子发生器靶材热-核性能双目标优化研究

为解决强流紧凑中子发生器靶端材料在数千瓦至数十千瓦功率下的热管理难题，东北师范大学辐射技术研究所团队创新性地采用反向传播神经网络(BPNN)预测三层靶材(背衬层/靶膜/保护层)的最佳热传导组合，结合FLUENT仿真验证和SRIM核性能模拟，实现热传导与中子产额的双目标优化。研究发现金刚石背衬层热导性能最优，并通过冷却系统参数分析确保靶面温度低于锂靶膜熔点453K，为高功率中子发生器靶系统设计提供重要参考。

　　

在癌症治疗、材料无损检测等前沿领域，强流紧凑中子发生器(DT neutron generator)扮演着关键角色。然而其靶端系统面临严峻挑战：当功率升至数十千瓦时，靶材温度若超过473K将导致氚气释放，使设备失效。传统靶材组合筛选需耗费大量实验资源，且热传导性能与中子产额的协同优化始终是行业痛点。

东北师范大学辐射技术研究所团队在《Applied Radiation and Isotopes》发表的研究中，开创性地将人工智能与多物理场仿真相结合。研究以NG-9中子管为原型，采用BP神经网络(BPNN)对20种背衬层、18种靶膜和8种保护层的数千种组合进行热传导预测，通过FLUENT验证温度场分布，并引入SRIM(Stopping and Range of Ions in Matter)软件评估保护层透射率与靶膜能量损失，最终实现热-核性能的双目标优化。

Modeling
基于直径50mm的陶瓷驱动靶结构，研究团队建立了热-流-固耦合模型。加速电压100kV、靶电流100μA条件下，靶端功率约10W，为高功率扩展提供基础参数。

Temperature prediction
通过材料编码体系（如1-20代表铜/金刚石等背衬层），BPNN预测显示背衬层对热传导贡献占比达67%，靶膜和保护层分别占22%和11%。金刚石因导热系数>2000W/(m·K)成为最优背衬材料，其预测结果与FLUENT模拟误差<3%。

Target cooling system
针对锂靶膜熔点453K的临界限制，研究发现当热功率>5kW时，需采用微通道液冷将冷却液流速提升至2m/s以上，配合金刚石背衬可使靶面温差控制在30K以内。

Conclusion
该研究首次实现神经网络预测与多物理场仿真的协同应用：1) 确立金刚石-钛氚化物-碳化硅的三层最优组合；2) 揭示背衬层对热传导的主导影响；3) 通过SRIM验证该组合中子产额达10⁸n/s量级；4) 提出微通道冷却系统的关键参数阈值。这项研究为下一代紧凑型兆瓦级中子发生器的靶系统设计建立新范式，其方法论可拓展至聚变堆第一壁材料优化等领域。

Ethical Approval
所有实验均符合中国现行法律法规。Funding 研究获吉林省科技厅项目(20190303101SF)支持。