Нейронные сети с учетом физических законов для суррогатного моделирования аварийных сценариев на атомных электростанциях

Лицензирование ядерных реакторных установок следующего поколения требует широкого применения моделирования и имитационного моделирования (M&S) для исследования отклика системы при многочисленных эксплуатационных условиях, выявления возможных аварийных сценариев и прогнозирования их развития до нежелательных последствий, которые должны предотвращаться или смягчаться путем внедрения адекватных барьеров безопасности. Глубокое обучение (DL) и искусственный интеллект (AI) могут вычислительно поддерживать моделирование и имитационное моделирование, предоставляя суррогатные модели сложных высокоточных мультифизических моделей, используемых при проектировании. Однако модели DL и AI, как правило, являются низкоточными моделями типа «черного ящика», не обеспечивающими структуру, основанную на физических законах и ограничениях, и поэтому могут обладать недостаточной интерпретируемостью и точностью результатов. Это ограничивает их достоверность и вызывает сомнения относительно их применения для оценки безопасности и лицензирования новых конструкций реакторов. В связи с этим все большее внимание привлекают нейронные сети с учетом физических законов (PINNs), поскольку они способны интегрировать фундаментальные физические законы и предметные знания в нейронные сети, обеспечивая тем самым достоверные возможности обобщения и достоверные прогнозы. В статье рассматривается применение PINNs в качестве суррогатных моделей для моделирования аварийных сценариев на атомных электростанциях (АЭС). В качестве примера исследуется аварийный сценарий потери теплоотвода (LOHS) в ядерной батарее (NB) — уникальном классе транспортабельных микрореакторов с модульным принципом подключения и эксплуатации. Разработана PINN и проведено ее сравнение с глубокой нейронной сетью (DNN). Результаты демонстрируют преимущества PINNs в получении точных решений, предотвращении переобучения и обеспечении физически согласованных результатов.