轻水堆两相流机理研究的若干关键问题、现状与发展前沿

两相流是轻水堆热工水力的重要研究主题。正常工况和事故工况下的两相流流动和传热特性关乎核反应堆系统的安全性和经济性。在流动过程中相界面结构不断发生演化,同时两相之间存在着复杂的动量和质量、能量传递,这使得两相流动成为最复杂的流动现象之一。本文回顾了反应堆两相流的发展历程,重申了领域内的若干关键问题,总结各个问题的研究现状,并展望领域研究前景、提出学科发展建议。

基于非监督机器学习方法的竖直环形流道流动沸腾流型研究

研究流动沸腾两相流动形态对封闭反应堆安全分析程序关键本构模型具有重要意义。本文基于非监督机器学习流型识别方法,提出将两相流物理知识融入数据驱动的机器学习模型,并构建输入特征的挑选原则:①机器学习在输入特征中捕捉到的应为流型相关信息;②机器学习的聚类准则应包络该流型下输入特征的所有可能性。依据挑选原则分析电导探针信号生成的汽泡分布特征,确定汽泡弦长累积分布函数数据可用于非监督机器学习流型判断。依据流型识别结果,获得了竖直环形流道内流动沸腾的二维局部流型特性,发现高位局部流型出现在流道中心位置并偏向内加热壁面;并判别了流道截面的全局流型,结果表明流动沸腾泡状流至弹状流的流型转变出现在空泡份额约为0.14位置。

受轮缘密封结构影响的1.5级涡轮封严流与主流的相互作用以及轮缘密封间流动干扰

为探究动叶上游不同轮缘密封结构封严出流对1.5级涡轮端区流场及轮缘密封间流动干扰的影响区别,通过Shear Stress Transport(SST)湍流模型对无密封腔室,上游密封结构分别为简单斜向、简单径向,下游密封腔室为简单轴向的1.5级涡轮进行了非定常数值模拟。结果表明:轮缘密封间干扰使带径向密封结构模型的下游轮缘腔室内封严效率偏低,并增强了固有的非定常不稳定特性。上游密封结构变化对动叶和第2级静叶流动的影响差异分别位于35%、65%叶高范围内;径向密封结构增加了上游静叶的堵塞效应、动叶入口气流的欠偏转程度、叶根吸力面负荷与14%叶高以上的轮毂通道涡强度,并在第2级静叶入口处产生更多低频压力波动,使其尾缘脱落涡尺度增大但13%叶高以上的轮毂通道涡强度较弱。与无密封腔室相比,通入封严气体总量为主流流量的0.8%时,带斜向密封结构的1.5级涡轮气动效率降低了0.94%,且带径向密封结构的1.5级涡轮气动损失额外增加了0.17%。

基于Monte Carlo方法的两相流动参数探测不确定性研究

气泡速度和气泡数目是计算界面面积浓度等相态特性的关键参数,因此对电导探针测得的气泡速度和数目进行不确定性研究是很有必要的。采用MonteCarlo方法生成大量随机气泡运动样本,得到探针捕获直径1~6mm气泡的统计规律。通过引入相对速度波动分量H研究了气泡横向速度对有效气泡数目和气泡速度的影响。结果表明,气泡横向速度的存在可缓解由于探针横向间距而无法测量较小气泡的情况;但有效气泡数目随着气泡横向速度的增大显著降低,逃逸气泡数目增加。同时,H=0时,速度误差仅来源于探针横向间距,且速度误差随着气泡直径的增加而减小;H≠0时,对于直径大于3mm的气泡,气泡向左或向右的横向运动反而使得探针从远离中轴线处穿过气泡,导致气泡实际移动距离增大,速度误差也增大。本文研究可为确定及修正界面面积浓度等两相流动参数不确定度提供参考。

基于可解释性神经网络的界面面积浓度预测

界面面积浓度(Interfacial Area Concentration,IAC)是两相流动的封闭两流体模型中界面传递项的关键参数,用于表征气液界面传输能力的强弱。对界面面积浓度的建模预测通常有经验关联式和界面面积输运方程等方法,但这些方法都有较大的数据依赖性。而对神经网络模型增添可解释性可以为模型修正提供方向,严谨提升预测精度。为更好地预测两相流动的IAC,基于神经网络建立了IAC的预测模型,结合不同气泡行为、物理关系及统计分布并利用事后可解释性方法,对比分析了不同输入特征组合的神经网络模型预测能力;并通过神经网络每层的结构参数大小,分析输出比重挑选合适的数据预处理方法。通过事后可解释性分析得到空泡份额是IAC预测的重要因素,而对训练数据进行对数变换预处理能够显著提高模型对真实数据的预测能力。