智能技术与反应堆结构设计的结合

2021-01-12余志伟方浩宇莫锦涛

科技创新与应用 2021年3期

杜华，罗英，余志伟，方浩宇，刘盈，莫锦涛

（1.中国核动力研究设计院核反应堆系统设计技术重点实验室，四川成都 610231；2.中国核动力研究设计院，四川成都 610231）

1 反应堆结构设计现状

核反应堆提供的核能是世界能源的重要组成部分，应用于核电站、浮动式平台等多个领域。对于不同的使用环境和功率需求，需要适应性地采用不同的核反应堆堆型。因此核反应堆的设计部门，面临着多种型号的设计任务。同时由于核燃料固有的高能量密度和高放射性，其泄漏后将对环境造成灾难性的后果，因此核反应堆为确保其安全性形成了一个复杂的系统，涉及机械结构、热工水力、堆芯核物理、辐射屏蔽、结构力学等多个专业。目前反应堆结构设计主要依赖基于文档的设计形式。面对核反应堆设计中型号多样、多专业交叉、接口复杂的难点，以及任务多、工期短的紧迫性，目前基于文档的设计形式已难以满足设计要求。

此外，现有的反应堆结构设计手段还停留在“二维设计为主+三维设计为辅”的阶段，反应堆结构设计模式以文档交付物为核心，从项目管理、设计管理到数据管理均以文档交付物为准。在反应堆结构设计专业需对外提交的交付物包括二维图纸、技术文件、接口信息单、设计变更单、技术联系单等。虽然经过多年努力，我国在核动力相关基础研究、模型和软件开发等方面取得了一定进展，设计研发能力有了较大提高，但反应堆结构设计智能化和协同化水平仍与世界先进水平存在明显的差距。

我国反应堆结构设计手段提升任重而道远。在智能化方面虽然已经开始了一系列尝试，但仍然处于起步阶段。

2 智能技术在反应堆结构设计中的应用方向

2.1 智能结构设计

目前，人工智能大数据的相关技术还没有在反应堆结构设计，甚至一般的机械结构设计领域取得较好的应用，只是在核用机器人方面提供了大量案例供借鉴。主要原因在于机械结构设计本身是一种高度抽象的活动，而现阶段还没有一种较好的办法能够将具体机械结构与设计逻辑进行关联。但是，基于参数化模型库，可以利用相关的人工智能技术完成一些结构选型以及参数确定的工作。

反应堆结构设计往往基于总体输入参数和相关堆型的基版文件进行参考设计，设计过程过分依赖设计人员的工程经验和人工操作，且尺寸的确定缺少规范化、系统化的设计校核依据，难以保证效率和质量。另一方面，多年的经验积累使各组件结构形式具有趋同性，许多设计工作往往主要通过改变各结构部件的布置、形式和参数以满足不同改型设计要求。产品结构标准化、系列化程度较高，规范性非常强。在总结这些部件的相似结构特点的基础上，结合理论分析计算及人工智能技术，将选型及参数优化结果作为三维参数化模型的输入，可以快速将设计经验准确地转换成结构设计模型，最终形成系统、完整、智能且快速的反应堆结构设计方法。

2.2 智能结构优化

人工智能大数据的相关技术，甚至包括一些较早的优化算法，都可以在一定程度上提供一些结构优化的方案。智能结构优化所面临的最大问题是数据样本的获取，尤其随着有限元计算水平的进步，现在的反应堆结构相关计算越来越强调建立复杂精细化多物理场耦合模型，进而带来参数量和计算量的激增，结构优化迭代压力巨大。但是随着计算机硬件水平的提高，相信反应堆结构智能优化也可以取得一定的突破。

智能优化设计关键点主要包含两个方面，一是建立三维结构模型与仿真模型之间的数据关联为结构仿真的智能迭代提供基础；二是集成创新方法与智能优化算法，帮助智能仿真迭代迅速找到结构优化结果。

（1）建立三维结构模型与仿真模型之间的数据关联。

建立结构设计与仿真分析之间设计流程，建立三维结构模型与仿真模型之间的数据关联，实现上游模型的变化能够自动传递到下游仿真模型，并自动更新计算结果，返回新的仿真评估分析和优化建议，形成结构仿真迭代的闭环。

（2）集成创新方法与智能优化算法。

集成智能优化算法，降低理论计算与结构设计耦合迭代次数，更高效实现最优化设计。

图1 反应堆智能结构优化

2.3 智能全息感知

反应堆结构复杂，研发周期长，造价昂贵。在反应堆建造之前，为反应堆结构提供数字孪生模型，对反应堆进行仿真和模拟，能够有效减少误差和风险。待反应堆建成之后，日常的运行和维修通过数字孪生进行交互，能够迅速找出问题所在，提高效率和安全性。

建立反应堆关键设备数字孪生模型，该模型基于高保真的三维CAD模型，并与反应堆数据工程中设计、制造、维修、性能分析等数据相关联。同时，将反应堆实体与数字孪生体进行物联，实现数据馈送来映射反应堆物理实体和对反应堆的实时多维动态感知。

最终，结合反应堆技术研究、大数据处理和人工智能的建模分析，实现对反应堆当前状态的评估、反应堆故障的诊断、以及反应堆安全性和可靠性预测；实现数字孪生模型与相关的设计、制造、运行、维修、性能等信息的强绑定，并可以对反应堆实际运行状态进行实时监测，对反应堆进行动态全息感知；针对反应堆运行过程中出现的各种结构故障特征，可以将传感器的历史数据通过机器学习训练出针对不同结构故障现象的数字化特征模型，并结合专家处理记录，将其形成未来对反应堆结构故障状态进行精准判决的依据，并可针对不同的新形态的故障进行特征库的丰富和更新，最终形成自治化的智能诊断和判决，将原先模糊而很难把握的经验进行数字化，使其可以被保存、复制、修改和转移。

反应堆数字孪生远景很宏大，但现阶段主要还是要解决复杂精细化多物理场耦合模型、高性能计算能力等关键问题。

2.4 智能知识工程

知识工程是新时代的智能制造的重要内容，要实现智能化的研发设计，离不开知识工程的建设，实现知识与研发设计过程的融合，即收集、梳理、存储研发设计过程产生的各类知识，同时在研发设计过程中推送对当前环节有指导作用的知识以提升研发效率。

内容层面：构建标准化知识服务的智能应用，如通过AI实现标准知识应答，释放大量的标准知识服务空间；构建个性化的知识图谱，通过员工画像、大数据分析、知识需求聚类分析实现对知识内容的智能挖掘服务。

管理层面：构建知识管理网络，将大量的知识管理应用模块嵌入研发平台，形成工作模板标准化，工作内容模板化，工作行为规范化的工作模式，快速开发不同的知识小工具为员工提供即开即用的便利。

但是反应堆结构设计需要基于PLM平台，而智能数据挖掘、推送等技术是互联网公司的强项，因此如何能够将两方面的力量较好得整合是实现反应堆结构设计智能知识工程的关键。

图2 反应堆智能知识工程

2.5 智能规范检查

一些成熟的商用三维设计软件已经集成了相关功能，允许用户定制相应的设计标准，并在设计过程中自动根据输入的设计规则运行规范检查，利用软件功能自动对设计数据进行校核，减少校审难度，提高设计规范程度以及正确率。

因此，这方面的主要工作是基于MBD技术，研究并建立反应堆结构设计三维建模规范、三维装配规范、关联设计规范和MBD信息标注规范等标准规范体系，利用数据规范和质量检查功能将反应堆结构设计相关规范转化成检查指令，自动快速检查三维设计数模的质量，通过可视化的方式高亮标记设计模型错误及对应的错误列表和报告，同时在提交设计模型用于最终发布时，模型质量检查报告能一并保存。此外，在审核流程中检查模型和图纸质量或获取模型和图纸的质量检查结果，决定流程是否可以发起或继续。