AI加速核反应堆多物理场建模

目前，美国有94座核反应堆在运行，数量超过世界任何其他国家，这些机组提供了全国近20%的电力。据某机构助理教授迪恩·普莱斯称，这是一项重大成就，但他认为美国需要从核能中获得更多，尤其是在迫切寻求化石燃料发电厂替代方案的当下。他成为核工程师正是为了确保核技术能够胜任这一迫切需求时期的任务。

“过去60年来，核能一直是我国能源基础设施的重要组成部分，而维护这一基础设施的人员数量极少，” 普莱斯说，“成为一名核工程师，就意味着成为美国负责无碳发电的少数精英之一。” 这是他渴望参与的使命，他为自己设定的目标也毫不保守：希望借助现有核电机组的安全性、经济性和可靠性，帮助设计并推出新一代核反应堆。

普莱斯从未动摇过这一目标，并且一路走来只收获了鼓励。他表示，核工程界“规模虽小，但联系紧密，且非常欢迎新人。一旦加入，大多数人都不愿转行。”

揭示物理过程之间的关系

在本科阶段的第一个研究项目中，普莱斯研究了用于储存乏反应堆燃料棒的钢制和混凝土桶的安全性——这些燃料棒通常在冷却水池中存放数年后才会转入桶中。他的分析表明这种储存方法相当安全，但关于这些燃料桶的长期最终处置问题，在该机构内尚无定论。

2020年开始研究生学习后，普莱斯转向了另一项他至今仍在从事的研究方向。该领域称为多物理场建模，旨在同时观察核反应堆堆芯中发生的各种物理过程及其相互作用——而不是逐一研究这些过程。

一个关键过程是中子学，关注中子在堆芯中如何运动并引发核裂变，从而产生能量。第二个过程是热工水力学，涉及冷却反应堆以提取中子产生的热量。通过多物理场模拟分析这两个过程的相互作用，可以揭示反应堆发电时被带走的热量如何影响中子的行为，因为燃料温度越高，发生裂变的可能性就越低。

“如果你想改变功率水平，或对反应堆做任何操作，燃料温度是你需要了解的关键输入参数，”普莱斯说，“多物理场建模使我们能够将裂变中子学过程与热学属性（温度）关联起来，进而帮助我们预测反应堆在不同条件下的行为。”

普莱斯表示，针对目前运行中的、功率约为1000兆瓦的轻水反应堆的多物理场建模已经相当成熟。但用于先进反应堆（功率范围约20至300兆瓦的小型模块化反应堆，以及功率为1至20兆瓦的微反应堆）的建模方法则远未成熟。目前只有极少数这类反应堆在运行，但普莱斯将研究重点放在它们身上，因为它们有潜力以更低成本、更高安全性发电，并且在功率和规模上具有更大灵活性。

尽管多物理场模拟为核工程界提供了大量信息，但它们通常需要超级计算机来求解或近似求解耦合且极其困难非线性方程。为了大幅减轻计算负担，普莱斯正在积极探索人工智能方法，这些方法可以在完全绕过那些繁琐方程的同时提供类似的答案。自2025年9月加入某机构任教以来，这一直是他研究议程的核心主题。

人工智能的关键作用

人工智能和机器学习方法尤其擅长发现数据中隐藏的模式，例如核电站运行关键变量之间的相关性。例如，普莱斯说，“如果你告诉我反应堆的功率水平，人工智能可以告诉你燃料温度是多少，甚至告诉你堆芯内的三维温度分布。” 如果能在不求解任何复杂微分方程的情况下做到这一点，计算成本将大大降低。

普莱斯正在研究几个可能特别有用的人工智能应用场景，例如帮助设计新型反应堆。“然后我们可以依靠过去50年发展的安全框架对所提出的设计进行安全分析，”他说，“这样一来，人工智能不会直接与任何安全关键系统交互。” 在他看来，人工智能的作用是增强现有流程，而非取代它们，帮助填补现有知识空白。

当机器学习模型获得足够的数据进行学习时，它可以帮助我们更好地理解关键物理过程之间的关系——同样无需求解非线性微分方程。“通过真正确定这些关系，我们可以在早期阶段做出更好的设计决策，”普莱斯说，“当技术开发并部署后，人工智能可以帮助我们做出更智能的控制决策，使我们能够以更安全、更经济的方式运行反应堆。”

回馈滋养他的社区

简而言之，他的主要目标之一是将人工智能的益处带给核工业，他认为这些可能性是巨大且尚未开发的。普莱斯还相信，作为某机构的教授，他处于有利位置，能够推动实现他所设想的核能未来。在他看来，他不仅致力于开发下一代反应堆，还要帮助培养该领域的下一代领导者。

普莱斯在去年秋季与柯蒂斯·史密斯共同教授的一门设计课程中，结识了一些“下一代”的潜在成员。对普莱斯来说，那次接触只持续了几个月，但足以让他发现某机构的学生异常积极、勤奋且有能力。不出所料，这些也正是他希望加入其研究团队的学生所具备的品质。

普莱斯清晰地记得自己初入该领域时得到的支持。如今，他已从本科生成长为教授，并积累了丰富的知识，他希望自己的学生“能够体验到当年我进入该领域时的感觉”。除了改进核反应堆设计和运行的具体目标外，普莱斯说：“我希望能够延续那种有趣、健康的环境，正是这种环境让我最初爱上了核工程。”FINISHED