基于混合驱动降阶模型的中子注量率快速预测方法研究

反应堆参数发生扰动后的瞬间,中子注量率和反应堆功率的准确预测对反应堆安全运行至关重要,而现有的本征正交分解(POD)与Galerkin投影相结合的方法存在累积误差而导致精度不高的问题。使用隐式差分法得到一维中子时空扩散的精确解,并作为基准数据,引入2个长短期记忆(LSTM)神经网络项,用于降低POD的累积误差和截断误差,实现物理驱动和数据驱动的混合驱动模型的构建。结果表明,添加神经网络修正项后,对中子注量率、总功率和各阶模态系数预测的均方根误差(RMSE)均降低了1~2个数量级,添加神经网络扩展项后,在预测相同阶数情况下计算时间显著减小,基于2阶和3阶扩展到6阶的改进模型相较于原始6阶模型分别提速了13%和7.6%。混合驱动模型可以很好得改善POD快速预测精度,结果有一定的参考价值。