《智核芯源》——哈尔滨工程大学核动力仿真研究中心博士研究生关晨阳

2025年11月14日，哈尔滨工程大学核动力仿真研究中心博士研究生关晨阳在深圳核博会“AI+核能创新应用场景路演”上发表《智核芯源》主旨报告。

汇报介绍了“智和新源”场景项目，旨在用数据驱动和人工智能建模推动核能热工水力仿真与预测能力提升。项目结合生成对抗网络、物理信息神经网络和数据同化技术，实现数据提质扩容、物理约束预测和多尺度状态推断，并已取得一定精度、效率和应用成果。

关键点
1. 项目定位与汇报结构（00:12）
汇报人介绍“智和新源”是一个人工智能结合核能热工水力的应用案例，并说明将从背景、技术方案、优势和社会效应等方面展开。

2. 发展人工智能+核能的背景（00:27）
项目依据人工智能科技创新与产业创新融合、核工业数字化转型等方向，提出以数据驱动和人工智能建模助力核能技术发展。团队此前积累了反应堆热工水力仿真技术，开发过“昆仑”“祁连”等自主程序，并在多种反应堆堆型中应用。

3. 三类核心人工智能技术（01:54）
团队采用物理信息神经网络，将物理约束写入损失函数，使模型输出满足物理规律；引入生成对抗网络生成与真实分布相似的高质量合成数据，用于小样本扩展、去噪和跨数据融合；同时将数据同化与机器学习融合，以不断更新模型并提升预测精度。

4. 反应堆数据提质扩容方案（03:43）
项目将传统计算流体力学仿真数据与生成对抗网络结合，进行数据集扩容、增强和提质，并通过下游回归预测任务验证模型效果。针对堆芯高维复杂数据，提出高维曲线式训练方案，将噪声向量与高度向量融合，使生成器耦合生成功率、流量和温度序列，从而融合物理约束与数据约束。

5. 基于物理信息神经网络的子通道求解（04:59）
项目构建面向反应堆子通道热工水力的求解框架，通过物理信息神经网络把物理驱动与数据驱动结合，实现子通道模型求解，并进一步通过知识迁移扩展到不同类型子通道模型。

6. 物理约束分析技术（05:37）
团队将纳维-斯托克斯方程、反应堆数据、边界条件和摩擦正则项等组成复合损失函数，写入物理信息神经网络。模型可通过自动微分推导守恒方程残差，输入坐标、流量密度和雷诺数，输出速度、压力和摩擦因子等参数，但在不同研究工况下仍可能存在一定误差。

7. 数据同化提升预测精度（06:28）
在已有预测模型基础上，项目进一步将数据同化技术与机器学习技术深度耦合，使模型具备更高的预测精度，并在不断更新中获得更准确的预测结果。

8. 案例效果与量化结果（06:50）
项目实现了堆芯数据提质扩容，生成对抗网络生成效果较好，与原数据分布吻合度提升至98%；下游回归任务中，R方超过0.997，MAE和MASE两项指标降幅达到10%。基于物理信息神经网络的预测平均训练耗时约9分40秒，子通道程序求解误差控制在5%以内。

9. 多尺度数据同化应用（07:32）
数据同化技术已与多项预测模型融合，并在多个尺度上得到结果，包括二回路系统尺度、子通道尺度以及全流域计算流体力学尺度。

10. 创新点与方法优势（07:53）
项目通过方式融合实现数据增强与物理约束结合，通过协同建模实现多尺度和自动求解，并设计自适应训练机制以克服传统方法精度不足。相比其他方法，方案在降低数据依赖、物理一致性、计算效率和外推泛化方面具有优势，但多场景适应时仍需要重新训练模型。

11. 合作应用与成果产出（09:17）
项目技术已与多家核电企业达成合作，申请专利、影像和软件著作权等成果，并在多家核电数值单位应用；研发工作已发表三篇论文，其中一篇为顶刊案例。

时间线
00:07 - 开场问候并引出“智和新源”人工智能核能应用案例。
00:20 - 说明汇报将按几个部分展开，随后进入项目背景。
00:27 - 介绍政策背景、核工业数字化转型需求，以及团队在反应堆热工水力仿真方面的基础。
01:54 - 概述物理信息神经网络、生成对抗网络和数据同化三条技术路线。
03:43 - 进入具体技术方案，重点说明数据提质扩容、高维数据生成和子通道求解框架。
05:37 - 进一步说明物理信息神经网络如何嵌入物理约束并输出热工水力关键参数。
06:28 - 介绍通过数据同化与机器学习耦合来提升预测模型精度。
06:45 - 汇报项目优势和实验效果，包括数据生成质量、预测效率、误差控制和多尺度同化结果。
07:53 - 总结项目创新点，并与其他方法在数据依赖、物理一致性、计算效率和泛化能力方面进行比较。
09:17 - 说明项目合作应用、知识产权和论文成果，随后结束汇报。

AI 延伸阅读(下文由AI生成，其内容可能存在偏差，请注意甄别)：

人工智能赋能核能热工水力仿真：关晨阳《智核芯源》报告综述

2025年11月14日，哈尔滨工程大学核动力仿真研究中心博士研究生关晨阳在深圳核博会“AI+核能创新应用场景路演”上发表《智核芯源》主旨报告，围绕人工智能如何赋能核能热工水力仿真与工程应用展开介绍。报告指出，在国家推动人工智能科技创新与产业创新深度融合、核工业数字化转型加速推进的背景下，将数据驱动方法、人工智能建模技术与反应堆热工水力分析深度结合，已成为提升核能仿真效率、预测精度和工程适用性的重要方向。

项目依托哈尔滨工程大学核动力仿真研究中心长期积累的反应堆热工水力仿真与数值分析基础展开。团队已形成多型反应堆数值分析技术模块，并自主研发了“昆仑”子通道分析程序和“祁连”反应堆堆芯精细流动特性计算支撑平台等国产化软件工具，相关成果已在多类反应堆堆型中得到应用，并获得行业专家认可。在此基础上，团队将人工智能作为下一阶段重点研究方向，聚焦反应堆热工水力数据提质、模型预测、物理约束建模和多尺度数据同化分析，推动传统核能仿真技术向智能化、自动化和高可信方向演进。

报告重点介绍了三类核心人工智能技术路线。物理信息神经网络通过在神经网络训练过程中嵌入控制方程、边界条件和守恒关系等物理约束，使模型在学习数据规律的同时保持对物理规律的一致性表达，相比传统仿真方法可减少复杂网格生成需求，并更灵活地处理复杂几何区域。生成对抗网络则通过生成器与判别器的对抗训练生成高质量合成数据，用于扩展小样本数据集、提高样本质量、去除噪声和融合跨来源数据，为反应堆精细数据扩容和提质提供支撑。数据同化技术源于气象预测领域，能够融合观测数据与预测数据，结合机器学习后可减少对传统假设模型的依赖，并通过持续迭代提升状态估计和预测精度。

在具体方案上，项目将传统计算流体力学仿真结果与生成对抗网络相结合，构建反应堆热工水力数据提质多元人工智能模块，通过仿真数据扩容、增强和提质，再利用下游回归预测任务验证生成数据的有效性。针对堆芯高维复杂数据，团队提出高维曲线式训练方案，将噪声向量与高度向量融合输入生成器，耦合生成功率、流量、温度等序列数据，并叠加物理约束与数据约束，以提高生成数据的准确性和可信度。面向子通道热工水力问题，项目进一步构建了基于物理信息神经网络的求解框架，将物理驱动与数据驱动结合，并通过知识迁移增强模型对多类型子通道模型的适配能力，为传统子通道程序提供智能化替代与增强路径。

在物理信息神经网络分析技术方面，项目将纳维—斯托克斯方程、反应堆相关数据、边界条件、摩擦因子修正项和正则化项等编程嵌入神经网络损失函数，并通过自动微分推导质量守恒与动量守恒方程残差。模型以空间坐标、流量密度、雷诺数等作为输入，输出速度、压力、摩擦因子等关键热工水力参数。该框架具备一定普适性，但在不同工况下仍可能存在误差，因此需要结合数据同化技术进一步修正模型状态、优化预测结果，使其更适应复杂反应堆工况下的实际分析需求。

从案例成效看，项目在堆芯数据提质与扩容方面取得了较好结果，生成对抗网络生成数据与原始数据分布的吻合度提升至约98%，下游回归任务中决定系数R²超过0.997，平均绝对误差和均方误差等指标降幅约10%。在物理信息神经网络预测方面，模型平均训练耗时约9分40秒，已形成适配子通道方程求解和仿真的智能框架，与相关子通道程序相比，求解误差控制在5%以内。数据同化技术也已与多类预测模型融合，并在二回路系统尺度、子通道尺度和全流域计算流体力学尺度上获得有效应用，提升了模型状态估计和预测能力。

项目的创新性主要体现在生成模型、物理信息神经网络和数据同化技术的融合应用上。它既通过生成对抗网络缓解核工程高质量样本不足的问题，又通过物理信息神经网络降低纯数据驱动模型产生非物理解的风险，还通过数据同化实现模型状态的自动修正与精度提升。在多尺度协同建模方面，项目覆盖系统尺度、子通道尺度和计算流体力学尺度，体现了从数据增强到自动求解、再到状态更新的完整智能分析流程。与传统方法相比，该方案在数据适应性、物理一致性、计算效率和场景泛化能力方面具有明显优势，但面对新场景仍需要通过重新训练、迁移学习或同化更新进一步优化模型表现。

报告还展示了项目的工程应用价值和行业影响。相关技术已与多家核电企业开展合作，并在多家核电数值分析单位中得到应用，为核工业数字化和智能化转型提供了技术支撑。项目已申请相关专利，获得2项软件著作权，并发表3篇论文，其中包括较高水平研究成果。通过将人工智能方法引入核能热工水力分析，该项目有助于提升反应堆仿真分析效率、增强数据利用水平，并为核能安全分析、运行状态预测和工程设计优化提供新的技术路径。