深度学习驱动的核反应堆代理模型：时空神经网络在3D堆芯模拟中的应用

传统核反应堆3D堆芯物理场模拟依赖蒙特卡洛或CFD方法，计算成本高昂（数小时至数天），限制设计优化、实时监控等场景应用。本项目采用混合时空神经网络架构（ViT3D+Mamba）构建代理模型，在保持精度的前提下将推理时间缩短至秒级/毫秒级，实现高效准确的物理场预测，为核能领域设计、运行、安全分析等提供有力支持。

核反应堆物理场模拟是计算科学难题，传统方法精度高但计算成本极高，单次三维堆芯分析需数小时甚至数天，严重制约设计优化、实时运行监控和灵活策略开发。随着AI发展，代理模型成为解决方案：利用深度学习学习传统模拟器输入输出映射，在可接受精度下大幅缩短推理时间。

本项目采用创新混合架构，结合ViT3D与Mamba优势：

1. 空间编码（ViT3D）：将3D堆芯视为立体图像，通过分块嵌入和多头自注意力捕捉燃料组件空间相关性，适合处理局部物理现象（如控制棒导致的功率畸变）；
2. 时序建模（Mamba）：线性复杂度处理长序列依赖，建模功率变化、控制棒移动等动态过程，兼顾长程记忆与低计算开销；
3. 残差学习与物理约束：预测状态增量变化（delta prediction），符合物理直觉，提升训练稳定性。

输入维度：涵盖多物理场耦合特征，包括几何与材料信息（3D燃料布局、富集度等）、控制棒状态（位置图与目标位置）、热工水力参数（冷却剂入口温度/流量/压力）、功率水平（当前与目标设定点）。 输出物理量：核心安全分析指标，包括三维功率分布、有效增殖因子（keff）、燃料温度与冷却剂密度场。

采用分阶段训练确保模型掌握物理规律：

1. 空间编码器预训练：独立训练Encoder3D，用稳态工况数据监督学习，建立输入到内部特征映射；
2. 时空处理器联合训练：预训练编码器与STProcessor、Decoder3D联合训练，引入时序数据学习动态演化，覆盖正常运行到瞬态事故工况；
3. 单步推理优化：微调适应实时推理场景，支持predict_step模式，引入边界缓存提升连续推理效率。

工程实践严谨：

• 配置管理：通过model_config统一管理超参数与几何配置；
• 对称性处理：halo_expand函数处理堆芯几何对称性（四分之一/八分之一堆芯），减少数据需求；
• 多任务输出：并行分支同时预测三维物理场与全局标量（keff）；
• 部署支持：预留ONNX导出接口，便于高性能推理引擎部署；
• 依赖管理：明确TensorFlow 2.14与Python 3.9-3.11兼容性，提供CUDA/cuDNN配置指南。

技术应用价值广泛：

• 设计优化：快速评估数百种燃料装载方案，缩短设计周期；
• 运行支持：实时物理场预测辅助操纵员优化控制策略；
• 安全分析：快速生成大量工况样本用于概率安全评估（PSA）；
• 数字孪生：作为核心组件连接实时监测与物理仿真，实现预测性维护与异常检测。

局限：精度受训练数据覆盖范围限制，极端工况外推能力不足；神经网络黑箱特性导致可解释性弱，需重视核安全领域应用。 未来方向：

1. 物理信息神经网络（PINN）：融入微分方程约束提升物理一致性；
2. 不确定性量化：贝叶斯神经网络或集成方法提供置信区间；
3. 多保真度融合：结合高保真CFD与低分辨率代理模型，实现自适应精度控制。