中法核工程与技术学院王凯副教授团队联合东京大学取得能源领域重要成果

       在能源领域的研究进程中，临界热流密度（CHF）的精准预测对核反应堆、热交换器等热系统的安全设计与高效运作起着决定性作用。近期，中法核工程与技术学院王凯副教授团队携手东京大学，在这一关键研究方向取得了令人瞩目的重要成果，相关研究成果在国际知名期刊《Energy》上发表，为能源领域的发展注入了新的活力。

       长久以来，CHF的预测主要依靠经验关联式和查找表（LUT）等传统方法。然而，在复杂多变的运行条件下，这些传统手段的预测精度和灵活性明显不足，难以满足实际需求。随着人工智能（AI）技术的迅猛发展，其强大的数据处理能力和复杂关系学习能力，为CHF预测开辟了新的探索路径。诸多研究纷纷尝试将AI技术引入该领域，期望打破传统方法的困境。此次合作研究中，团队对多种AI方法进行了全面且深入的评估。深度学习模型方面，Transformer、Mamba和TCN均参与其中接受测试；同时，还纳入了随机森林、岭回归等传统AI模型进行对比。研究结果显示，Transformer模型表现格外出色，在均方根百分比误差（RMSPE）、归一化均方根误差（NRMSE）等多个关键指标上均超越其他方法。借助精心筛选的输入参数和Transformer模型，利用超过20000个实验数据点，实现了RMSPE低至9.85%、NRMSE达6.63%的高精度预测，相比之下，传统LUT方法的RMSPE高达158%，NRMSE为21.8%，差距十分显著。在输入参数的选择上，团队通过深入研究发现，以往研究中频繁使用的间接热工水力参数会对预测精度产生负面影响。经过细致的机理分析，他们创新性地提出使用入口参数（如入口温度和焓）替代出口参数（如蒸汽出口质量）。这一关键改变极大地提升了预测的准确性。此外，研究还表明，在进行预测时，至少需要选用五个参数才能保证可靠性，过多或过少的参数都会干扰预测精度。在研究过程中，传统AI模型随机森林（RF）展现出了强大的实力。在特定场景下，其预测精度甚至超越了Transformer模型，RMSPE达到3.71%，NRMSE为4.39%。RF的出色表现得益于其独特的集成学习机制，通过构建多个决策树并综合其预测结果，有效降低了过拟合风险，显著增强了模型的泛化能力，能够更有效地捕捉数据特征之间的复杂关系。

       中山大学中法核工程与技术学院王凯副教授团队和东京大学的这一合作成果，为热工水力系统的优化设计提供了至关重要的依据。精确的CHF预测不仅有助于提高热系统的安全性，还能提升其运行效率，有效降低潜在风险。同时，该研究成果为AI技术在能源领域的深入应用奠定了坚实基础，为后续研究指明了方向。未来，团队计划进一步拓展数据集，涵盖更广泛的运行条件和极端CHF值；开发融合深度学习和传统方法优势的混合AI模型；深入探索模型可解释性技术，推动热通量预测及相关领域不断向前发展。

       研究结果以“Re-examining the input-parameters and AI strategies for Critical Heat

Flux prediction” 为题近期发表在国际权威期刊《Energy》上。本研究工作得到了以及国家自然科学基金委、广东省科技厅等的资助。

附论文原文链接：

https://doi.org/10.1016/j.energy.2025.134606

编辑：张会会
一读：罗雨欣
初审：曹雁群
复审：廖喜扬
审核发布：陈文波