矩形窄缝流道的临界热流密度预测：一种基于卡尔曼滤波器的机器学习模型
Critical heat flux prediction for narrow rectangular channels: a machine learning model based on the Kalman filter
摘要: 高通量研究堆作为一种中子通量不低于10^14 /cm^2/s的非动力堆，在科学研究、材料性能测试以及医疗、工业等领域放射性同位素生产方面具有重要应用。高通量堆多采用板状燃料元件，其堆芯功率密度高、冷却剂流动工况更加复杂，使得CHF的准确预测成为堆芯安全设计及运行的关键环节之一。传统CHF预测方法在应对复杂几何结构、非均匀热负荷等实际场景时，存在预测偏差较大、适用范围有限等问题。因此，为了提升板状燃料元件矩形窄缝流道CHF预测精度，本文提出一种将卡尔曼滤波与BP神经网络相结合的机器学习模型。该模型以CHF查询表（Look-Up Table，LUT）数据库为基础，通过扩展卡尔曼滤波（EKF）对CHF-LUT数据进行动态修正与融合，采用BP神经网络进行训练，以实现对矩形窄缝流道CHF值的高精度预测。为验证模型有效性，本文将预测结果与直接使用CHF-LUT预测以及Sudo公式预测结果进行对比分析。结果表明，EKF-ML模型显著提升了基于CHF-LUT的矩形窄缝流道CHF预测精度，相对误差均值达到0.78%，预测相对均方根误差（rRMSE）在给定工况下下降至12.48%。该研究可为窄缝流道的CHF值预测提供新的思路和方法。
版本历史
| [V4] |
2026-05-09 18:41:16 |
ChinaXiv:202605.00078V4
|
下载全文 |
相关信息
点击量
下载量
