简介本资源是面向核能工程与人工智能交叉领域研究者、高年级本科生及研究生的PINN深度学习实践项目聚焦核反应堆中子输运建模这一典型物理约束问题提供从理论复现到代码落地的完整技术路径。资源包共250个文件含48个Python核心脚本实现多维中子扩散方程求解、有效增殖系数k_eff直接搜索、微分变阶中子输运建模三大模块、124张结果可视化PNG图、12份PDF文档含论文复现说明、数学推导与实验分析、7个训练权重.pth文件及配套数据集train.dat/test.dat等总容量196.69MB。已有372人学习下载所有代码均经实际运行验证源自作者高分96分毕业设计结构清晰、注释完备附带LaTeX编译源码与完整损失曲线记录loss.dat便于理解PINN在强物理约束场景下的损失函数设计、边界条件嵌入及收敛行为分析。1. 从“黑盒”到“白盒”为什么核反应堆模拟需要PINN作为一名在核能仿真领域摸爬滚打了十几年的工程师我经历过无数次与“中子扩散方程”搏斗的夜晚。传统上我们依赖两种主要武器一种是基于确定论方法的程序比如MCNP它通过追踪大量中子的随机游走来模拟输运过程精度高但计算成本极其昂贵一个复杂堆芯的全尺寸模拟可能需要超级计算机集群跑上好几天。另一种是计算流体力学CFD中常用的有限元、有限体积等数值方法它们将连续的物理场离散化求解虽然比蒙特卡洛方法快但在处理强非线性、多物理场耦合如热工水力与中子动力学问题时网格划分、收敛性、计算稳定性都是巨大的挑战更别提那些复杂的边界条件和材料不连续性了。这就像是在一个漆黑的房间里试图用无数个手电筒蒙特卡洛粒子去照亮每一个角落或者用一张极其精细但脆弱的渔网计算网格去捕捉水流中子通量。前者太慢后者太“脆”。而深度学习的出现一度让我们看到了曙光——用一个强大的神经网络去学习输入如几何、材料参数和输出如中子通量分布、功率分布之间的映射关系。训练好后预测速度快如闪电。但问题也随之而来这成了一个彻底的“黑盒”模型。我们不知道它内部遵循了什么物理规律在训练数据未覆盖的工况下比如事故瞬态它的预测可能完全偏离物理实际且无法提供任何可信度评估。在核安全这个容错率极低的领域一个无法解释、外推性存疑的模型是绝对无法被接受的。物理信息神经网络Physics-Informed Neural Networks, PINN的出现恰好击中了这个痛点。它不是一个替代传统方法的“新算法”而是一种将物理定律“编码”进神经网络训练过程的新范式。其核心思想非常巧妙不再仅仅用数据去“喂”神经网络而是让神经网络的输出本身必须尽可能地满足描述该物理过程的偏微分方程PDE。对于中子扩散问题这个PDE就是中子扩散方程。PINN通过将PDE的残差即方程左右两边之差作为损失函数的一部分强迫神经网络在学习数据的同时也“学会”了物理规律。这就好比在教一个学生时不仅给他看例题数据还告诉他这些例题背后通用的数学公式物理方程让他自己推导出答案。这样训练出的模型兼具了神经网络强大的函数逼近能力和物理模型的可解释性、泛化能力。在核反应堆领域PINN的应用潜力巨大。它可以用于高精度代理模型用相对较少的高保真仿真数据来自MCNP或高分辨率CFD训练一个PINN模型此后便能用极低的成本进行快速参数扫描、优化设计和不确定性量化分析。反问题求解根据有限的传感器测量数据如堆芯外探测器读数反推堆芯内部的中子通量分布或材料特性这对于堆芯监测和故障诊断至关重要。多物理场耦合将中子扩散方程与热传导方程、流体力学方程同时嵌入一个PINN的损失函数中直接求解耦合系统避免传统方法中繁琐的迭代和数据传递。处理复杂几何与不连续界面神经网络是连续函数逼近器天生适合处理复杂边界无需生成网格对于包含燃料棒、格架、水隙的复杂堆芯几何尤其友好。接下来我将以一个简化的二维平板堆芯中子扩散问题为例手把手带你搭建一个PINN模型并附上完整的代码和思考过程。我们会从最根本的物理方程开始一步步拆解PINN的实现逻辑并重点讨论在实际核工程应用中会遇到的那些“坑”。2. 核心战场中子扩散方程与PINN的融合点要理解PINN如何工作我们必须先回到物理的起点——中子扩散方程。这里我们讨论最经典的稳态、单能组扩散方程它是理解多群、瞬态问题的基础。方程形式如下[ -\nabla \cdot (D(\mathbf{r}) \nabla \phi(\mathbf{r})) \Sigma_a(\mathbf{r}) \phi(\mathbf{r}) \frac{1}{k_{eff}} \nu \Sigma_f(\mathbf{r}) \phi(\mathbf{r}) ]看起来有点复杂我们来拆解一下每个符号的物理意义(\phi(\mathbf{r}))这是我们要求解的中子通量密度是空间位置 (\mathbf{r}) 的函数。它是所有后续计算功率分布、燃耗等的基石。(D(\mathbf{r}))扩散系数与介质的中子散射特性有关。(\Sigma_a(\mathbf{r}))宏观吸收截面表示中子被介质吸收的概率。(\nu\Sigma_f(\mathbf{r}))每次裂变产生的中子数乘以宏观裂变截面代表裂变源项。(k_{eff})有效增殖因子是反应堆临界状态的关键指标。当 (k_{eff}1) 时反应堆处于稳态临界。这个方程本质上是一个本征值问题。我们需要同时求解通量分布 (\phi) 和本征值 (k_{eff})。PINN如何切入呢我们构建一个全连接神经网络其输入是空间坐标 ((x, y))对于二维问题输出是预测的通量值 (\phi_{pred}(x, y)) 和一个标量 (k_{eff, pred})。神经网络的参数权重和偏置就是我们训练的目标。PINN的损失函数由几部分构成这是其精髓所在1. 物理残差损失 (Physics Residual Loss)我们将神经网络输出的 (\phi_{pred}) 和 (k_{eff, pred}) 代入扩散方程。由于神经网络是可微的我们可以利用自动微分Autograd轻松计算出 (\nabla \phi_{pred}) 和 (\nabla \cdot (D \nabla \phi_{pred}))。然后在计算域内采集大量的“残差点”Collocation Points计算在这些点上方程的不满足程度 [ \mathcal{L}{physics} \frac{1}{N_p} \sum{i1}^{N_p} \left| -\nabla \cdot (D \nabla \phi_{pred}^{(i)}) \Sigma_a \phi_{pred}^{(i)} - \frac{1}{k_{eff, pred}} \nu \Sigma_f \phi_{pred}^{(i)} \right|^2 ] 这个损失项直接惩罚神经网络输出违反物理定律的行为。这是PINN区别于普通数据驱动模型的核心。2. 边界条件损失 (Boundary Condition Loss)反应堆有边界例如外表面是真空边界中子通量趋于零近似为狄利克雷边界条件 (\phi0)或者是对称边界诺伊曼边界条件 (\partial \phi / \partial n 0)。我们需要在边界上采样一批点强制网络输出满足这些条件 [ \mathcal{L}{bc} \frac{1}{N_b} \sum{j1}^{N_b} \left| \phi_{pred}^{(j)} - \phi_{bc}^{(j)} \right|^2 \quad \text{(对于狄利克雷边界)} ] 或 [ \mathcal{L}{bc} \frac{1}{N_b} \sum{j1}^{N_b} \left| \frac{\partial \phi_{pred}^{(j)}}{\partial n} - 0 \right|^2 \quad \text{(对于诺伊曼边界)} ]3. 数据损失 (Data Loss) - 可选但强烈推荐如果我们有一些高保真仿真数据或实验测量数据哪怕很少可以将其作为“锚点”帮助网络更快、更准地收敛。例如我们在某些特定位置有通量测量值 (\phi_{data}) [ \mathcal{L}{data} \frac{1}{N_d} \sum{k1}^{N_d} \left| \phi_{pred}^{(k)} - \phi_{data}^{(k)} \right|^2 ] 在核工程中这类数据可能来自少数几个堆内探测器。即使数据点很少它们对约束解、提高反问题求解精度也至关重要。总损失函数就是这些项的加权和 [ \mathcal{L}{total} \lambda{phy} \mathcal{L}{physics} \lambda{bc} \mathcal{L}{bc} \lambda{data} \mathcal{L}_{data} ] 其中 (\lambda) 是超参数用于平衡不同损失项的量级和重要性。如何设置这些权重是PINN训练的第一个大坑我们后面会详细讨论。通过最小化这个总损失函数我们实际上是在寻找一个神经网络它的输出在计算域内近似满足偏微分方程在边界上满足边界条件并且在数据点处与观测值吻合。这相当于在函数空间中求解一个约束优化问题。3. 实战构建一个简化堆芯PINN模型的代码级拆解理论说得再多不如一行代码。我们使用 PyTorch 框架来实现一个针对二维均匀平板堆芯的PINN模型。假设堆芯是一个边长为L的正方形材料均匀周围是真空边界通量为0。我们的目标是求解稳态通量分布和 (k_{eff})。首先定义神经网络结构。这里不需要太复杂的架构一个4-5层的全连接网络MLP通常就够了关键在于激活函数的选择。由于中子通量非负我们可以在输出层使用Softplus或ReLU激活函数来保证非负性。中间层常用Tanh或Sin激活函数后者SIREN被证明对学习高频信号更有效。import torch import torch.nn as nn import numpy as np class NeutronPINN(nn.Module): def __init__(self, layers[2, 50, 50, 50, 2], activationnn.Tanh): super(NeutronPINN, self).__init__() # 构建全连接层 self.linears nn.ModuleList() for i in range(len(layers)-1): self.linears.append(nn.Linear(layers[i], layers[i1])) self.activation activation() # 输出层不使用激活以便输出值域为全体实数k_eff可能1或1 # 通量的非负性通过损失函数或后处理约束更灵活 def forward(self, x): # x: [batch_size, 2] 即 (x, y) 坐标 a x for i, linear in enumerate(self.linears[:-1]): a self.activation(linear(a)) # 最后一层线性输出 output self.linears[-1](a) # output: [batch_size, 2] # 我们将输出拆分为通量 phi 和 k_eff phi torch.abs(output[:, 0:1]) 1e-8 # 取绝对值保证非负加小量防止除零 k_eff output[:, 1:2] # 注意这里k_eff是每个点都输出但物理上它应是全局标量。 # 实际训练中我们通常让网络输出一个与输入无关的全局k_eff。 # 更优设计是网络只输出phik_eff作为一个可训练的张量单独存在。 return phi, k_eff注意上面代码中的一个关键点让网络每个点都预测一个 (k_{eff}) 是不合理的。更好的设计是将 (k_{eff}) 定义为模型的一个可训练参数nn.Parameter网络只输出 (\phi)。我们来修正一下class NeutronPINN_Corrected(nn.Module): def __init__(self, layers[2, 64, 64, 64, 1]): super(NeutronPINN_Corrected, self).__init__() self.linears nn.ModuleList() for i in range(len(layers)-1): self.linears.append(nn.Linear(layers[i], layers[i1])) self.activation nn.Tanh() # 将 k_eff 定义为一个可训练的参数初始值设为1.0附近 self.k_eff nn.Parameter(torch.tensor([1.05])) def forward(self, x): a x for i, linear in enumerate(self.linears[:-1]): a self.activation(linear(a)) phi torch.abs(self.linears[-1](a)) 1e-8 # 输出通量保证非负 return phi, self.k_eff接下来是损失函数的定义。我们需要计算物理残差这要求对网络输出进行二阶微分。PyTorch的autograd.grad功能可以完美胜任。def compute_loss(model, points_domain, points_bc, D, Sigma_a, nuSigma_f): model: PINN模型 points_domain: 域内残差点 [N_domain, 2] points_bc: 边界点 [N_bc, 2] D, Sigma_a, nuSigma_f: 材料参数假设均匀 # 1. 边界条件损失 phi_bc_pred, _ model(points_bc) # 假设所有边界点通量为0 loss_bc torch.mean(torch.square(phi_bc_pred - 0.0)) # 2. 物理残差损失 (这是核心) # 为了计算二阶导需要设置 requires_gradTrue points_domain.requires_grad_(True) phi_pred, k_eff_pred model(points_domain) # 计算一阶梯度 d(phi)/dx, d(phi)/dy grad_phi torch.autograd.grad(phi_pred.sum(), points_domain, create_graphTrue)[0] dphi_dx grad_phi[:, 0:1] dphi_dy grad_phi[:, 1:2] # 计算扩散项 -div(D * grad(phi))。 当D为常数时简化为 -D * laplacian(phi) # 先计算 grad(phi) 对 x 的导数得到 d^2phi/dx^2 grad_dphi_dx torch.autograd.grad(dphi_dx.sum(), points_domain, create_graphTrue)[0] d2phi_dx2 grad_dphi_dx[:, 0:1] # 同理计算 d^2phi/dy^2 grad_dphi_dy torch.autograd.grad(dphi_dy.sum(), points_domain, create_graphTrue)[0] d2phi_dy2 grad_dphi_dy[:, 1:2] laplacian_phi d2phi_dx2 d2phi_dy2 diffusion_term -D * laplacian_phi # 组装方程残差 diffusion_term Sigma_a * phi - (1/k_eff) * nuSigma_f * phi residual diffusion_term Sigma_a * phi_pred - (1.0 / k_eff_pred) * nuSigma_f * phi_pred loss_physics torch.mean(torch.square(residual)) # 总损失 lambda_phy, lambda_bc 1.0, 1.0 # 权重需要精细调节 total_loss lambda_phy * loss_physics lambda_bc * loss_bc return total_loss, loss_physics, loss_bc, k_eff_pred训练循环部分与常规深度学习训练类似但有一些特殊注意事项# 假设我们定义了模型、优化器 model NeutronPINN_Corrected() optimizer torch.optim.Adam(model.parameters(), lr1e-3) # 生成训练点域内点和边界点 L 100.0 # 平板边长 100 cm N_domain 2000 N_bc 500 # 域内点均匀随机采样 points_domain torch.rand(N_domain, 2) * L # [0, L] 之间 # 边界点在四条边上采样 points_bc [] # 左边界 (x0) 和右边界 (xL) points_bc.append(torch.cat([torch.zeros(N_bc//4, 1), torch.rand(N_bc//4, 1)*L], dim1)) # x0, y随机 points_bc.append(torch.cat([L*torch.ones(N_bc//4, 1), torch.rand(N_bc//4, 1)*L], dim1)) # xL, y随机 # 下边界 (y0) 和上边界 (yL) points_bc.append(torch.cat([torch.rand(N_bc//4, 1)*L, torch.zeros(N_bc//4, 1)], dim1)) # y0, x随机 points_bc.append(torch.cat([torch.rand(N_bc//4, 1)*L, L*torch.ones(N_bc//4, 1)], dim1)) # yL, x随机 points_bc torch.cat(points_bc, dim0) # 材料参数示例值需根据实际物理设定 D 1.0 # 扩散系数 cm Sigma_a 0.01 # 吸收截面 cm^-1 nuSigma_f 0.015 # 裂变源项 cm^-1 epochs 20000 for epoch in range(epochs): optimizer.zero_grad() loss, loss_phy, loss_bc, k_eff compute_loss(model, points_domain, points_bc, D, Sigma_a, nuSigma_f) loss.backward() optimizer.step() if epoch % 1000 0: print(fEpoch {epoch}, Total Loss: {loss.item():.4e}, Physics Loss: {loss_phy.item():.4e}, BC Loss: {loss_bc.item():.4e}, k_eff: {k_eff.item():.4f})训练完成后我们可以用训练好的模型快速预测任意位置的通量并得到估算的 (k_{eff})。与有限差分法等传统方法的结果对比可以验证PINN的精度。4. 工程化之路PINN在核能应用中的挑战与调优技巧上面的简化例子跑通后你可能会觉得PINN“不过如此”。但一旦将其应用到真实的核反应堆问题上无数个挑战会接踵而至。以下是我在实际项目中总结出的核心挑战和应对策略这些是论文里很少详细提及的“干货”。挑战一损失函数权重的“魔法”物理损失 (\mathcal{L}{phy})、边界损失 (\mathcal{L}{bc}) 和数据损失 (\mathcal{L}_{data}) 的量级可能相差好几个数量级。例如物理残差可能初始值在1e3量级而边界条件误差在1e0量级。如果简单相加优化器会主要优化大数值的损失项导致小数值的约束如关键的边界条件无法被满足。技巧自适应权重调整。不要使用固定的 (\lambda)。可以采用基于方差的归一化在每个训练批次中计算各损失项的标准差动态调整权重使各项对总损失的贡献大致均衡。SoftAdapt或Learning Rate Annealing使用更复杂的算法如SoftAdapt在训练过程中自动平衡权重。一个简单的启发式方法是在训练初期给边界损失较大的权重强制网络先满足边界条件后期再逐步增加物理损失的权重。手动调参的经验通常需要将 (\lambda_{bc}) 设置得比 (\lambda_{phy}) 大一个数量级如100倍以确保边界条件被严格满足。对于数据损失如果有高质量数据其权重可以设得非常高。挑战二优化困境与“频谱偏差”PINN的损失函数高度非凸且物理残差项涉及高阶导数容易导致优化过程陷入糟糕的局部最优解。一个典型现象是网络倾向于先学习低频平滑的解而难以捕捉解中的高频特征如通量梯度很大的区域靠近强吸收体附近。这被称为“频谱偏差”。技巧网络架构与初始化策略。使用Sin作为激活函数SIRENSIREN网络被证明能更好地学习高频信号和导数。将nn.Tanh换成torch.sin并配合特定的初始化如权重初始化为均匀分布U(-√(6/n), √(6/n))其中n是输入维度效果常有显著提升。位置编码与傅里叶特征对于坐标输入 ((x, y))不直接输入网络而是先进行高频映射(\gamma(\mathbf{v}) [\sin(2\pi \mathbf{Bv}), \cos(2\pi \mathbf{Bv})])其中 (\mathbf{B}) 是一个随机高斯矩阵。这相当于给网络一个高频“入口”使其更容易建模细节。分阶段训练与课程学习先在一个粗网格或少量残差点上训练得到一个粗糙解然后逐步增加采样点的密度或引入更精细的损失项如增加高阶导数正则化引导网络向精细解优化。挑战三处理材料不连续性与强非线性真实堆芯包含多种材料燃料、包壳、慢化剂、反射层其核截面(D, \Sigma_a)在界面处发生跃变。PINN作为连续函数逼近器在界面处强行光滑会导致解出现“模糊”的过渡区这与物理事实不符。技巧域分解与接口条件。为每个材料子域训练一个独立的子网络。这是最直接有效的方法。例如为燃料区和慢化剂区分别建立两个PINN模型PINN_fuel和PINN_mod。在子域界面处施加物理接口条件。损失函数需额外增加一项界面损失 (\mathcal{L}{interface})。对于扩散方程界面条件是(1) 通量连续(\phi{fuel} \phi_{mod})(2) 流密度连续(-D_{fuel} \nabla \phi_{fuel} \cdot \mathbf{n} -D_{mod} \nabla \phi_{mod} \cdot \mathbf{n})。我们在界面两侧采样点将这两个条件的违反程度加入总损失。使用Heaviside函数或符号距离函数构建一个全局网络但其输入不仅是坐标还有该坐标所属材料的符号距离函数SDF。网络内部通过SDF来切换或加权不同材料区域的贡献。这种方法更优雅但实现更复杂。挑战四多物理场耦合与瞬态问题稳态单群问题只是入门。真正的挑战是瞬态多群中子动力学与热工水力TH的耦合。方程变得极其复杂包含时间导数、多能群之间的耦合项、温度反馈多普勒效应、慢化剂密度效应等。技巧算子分裂与时间推进策略。时间作为额外输入对于瞬态问题最简单的方法是将时间 (t) 作为神经网络的额外输入即输入为 ((x, y, t))输出为 (\phi(x,y,t))。在损失函数中需要加入时间导数项 (\frac{1}{v}\frac{\partial \phi}{\partial t})。这种方法适用于短时间尺度、平滑变化的问题。序列化PINN时间步进对于长时间或 stiff 问题全时空一起训练可能失败。可以采用类似传统数值方法的时间推进用PINN求解第一个时间步将结果作为下一个时间步的初始条件依次进行。或者训练一个循环神经网络RNN结构的PINN但其训练难度更大。松散耦合与紧耦合对于中子-热工耦合可以先分别训练中子学PINN和热工学PINN。然后在两个网络之间传递关键参数如通量→功率→温度温度→截面进行迭代直到收敛。更高级的做法是将两个物理场的方程同时嵌入一个“大PINN”的损失函数中进行紧耦合训练这对网络容量和优化技巧要求极高。挑战五验证、不确定性量化与可信度核安全要求任何分析工具都必须经过严格的验证与确认VV。PINN作为新型工具其可信度如何建立技巧多层次验证与后验误差估计。制造“已知解”进行验证对于简单几何和均匀材料扩散方程可能有解析解或半解析解。用这些案例来验证PINN代码的正确性和精度。与传统高保真代码交叉验证在更复杂的几何上用MCNP或确定论程序如OpenMC Serpent生成高精度参考解与PINN结果进行对比。不仅要对比通量分布还要对比 (k_{eff})、功率峰因子等关键积分量。利用PINN自身进行后验误差估计训练完成后在大量未用于训练的测试点上计算物理残差。残差的分布和大小可以直接反映PINN解在多大程度上满足了控制方程。这是PINN独有的优势——它提供了一个内置的、点对点的误差指示器。贝叶斯PINN将网络权重和 (k_{eff}) 等参数视为随机变量采用贝叶斯推断方法如变分推断、马尔可夫链蒙特卡洛进行训练。这样得到的不仅是点估计还有预测的不确定性区间对于安全分析至关重要。5. 超越扩散方程PINN在中子输运问题上的前沿探索扩散理论是近似尤其在强吸收体、真空边界附近或堆芯非均匀性显著的区域其误差较大。更精确的描述是中子玻尔兹曼输运方程。这是一个积分-微分方程求解难度远高于扩散方程。PINN能否应用于此答案是肯定的并且是当前的研究热点。输运方程的形式为以单能、稳态为例 [ \mathbf{\Omega} \cdot \nabla \psi(\mathbf{r}, \mathbf{\Omega}) \Sigma_t(\mathbf{r}) \psi(\mathbf{r}, \mathbf{\Omega}) \int_{4\pi} \Sigma_s(\mathbf{r}, \mathbf{\Omega} \cdot \mathbf{\Omega}) \psi(\mathbf{r}, \mathbf{\Omega}) d\mathbf{\Omega} Q(\mathbf{r}) ] 其中 (\psi) 是中子角通量是空间位置 (\mathbf{r}) 和运动方向 (\mathbf{\Omega}) 的函数。方程左边是流项和移出项右边是散射源和外源项。直接用PINN求解全相空间 ((\mathbf{r}, \mathbf{\Omega})) 的函数维度太高3D空间2D方向5D被称为“维数灾难”。目前的探索主要沿着两个方向方向一基于SN离散的PINN将方向变量 (\mathbf{\Omega}) 离散为有限个离散方向即离散纵标法SN的思想。对每个离散方向 (m)我们训练一个独立的神经网络 (NN^m)其输入是空间坐标 (\mathbf{r})输出是该方向上的角通量 (\psi^m(\mathbf{r}))。损失函数由以下几部分构成每个方向的输运方程残差将离散后的输运方程对流移出散射源外源的残差作为损失。方向间的散射耦合散射积分项变成了对所有离散方向的求和这一项将不同方向的网络耦合在一起。边界条件对于每个入射方向在边界上需要给定入射角通量或反射条件。这种方法将高维问题分解为多个与离散方向数相同较低维的PINN子问题通过散射项耦合。它结合了传统SN法的思想和神经网络的灵活性有望在复杂几何上获得比传统SN法更高效、更精确的解。方向二神经算子学习这是更“纯粹”的机器学习思路。不直接求解特定几何下的角通量而是学习一个“算子”它可以将输入如几何、材料分布、边界条件映射到输出角通量或标通量。代表性的方法是傅里叶神经算子FNO或深度算子网络DeepONet。对于中子输运问题可以这样构建DeepONet它由两个子网络组成——“分支网络”处理输入函数如在网格上定义的截面分布“主干网络”处理查询点的坐标。两者输出结合后得到该点的通量。我们可以用大量高保真输运计算的结果如MCNP模拟来训练这个网络让它学会从“堆芯配置”到“通量场”的映射。一旦训练完成对于新的堆芯配置FNO/DeepONet能在毫秒级给出通量分布预测非常适合设计优化和不确定性分析。PINN与神经算子可以结合用PINN生成高保真的训练数据或者用神经算子为PINN提供更好的初始化。这个领域方兴未艾是连接物理模型与数据驱动模型的桥梁。6. 从代码到文档构建可复现的研究与工程基础一个完整的项目不仅仅是代码。为了让你的工作具有可复现性和工程价值必须建立良好的文档和代码规范。以下是我在团队中推行的一套实践代码结构规范neutron_pinn_project/ ├── configs/ # 配置文件 (YAML/JSON) │ ├── model_config.yaml # 网络结构、激活函数等 │ ├── physics_config.yaml # 材料参数、几何尺寸、方程形式 │ └── training_config.yaml # 优化器、学习率、损失权重 ├── data/ # 数据目录 │ ├── generated/ # 程序生成的训练点、边界点 │ └── reference/ # 高保真参考解 (如MCNP输出) ├── models/ # 神经网络模型定义 │ ├── base_pinn.py # 基础PINN类 │ ├── neutron_diffusion.py # 中子扩散PINN具体实现 │ └── neutron_transport.py # 中子输运PINN尝试 ├── utils/ # 工具函数 │ ├── geometry.py # 几何生成、采样 │ ├── loss.py # 各种损失函数定义 │ ├── visualization.py # 绘图函数 │ └── metrics.py # 误差计算 (与参考解对比) ├── trainers/ # 训练循环逻辑 │ └── diffusion_trainer.py ├── scripts/ # 执行脚本 │ ├── train.py # 主训练脚本 │ ├── evaluate.py # 评估脚本 │ └── plot_results.py ├── docs/ # 文档 │ ├── theory_background.md # 物理方程推导 │ ├── user_guide.md # 如何使用代码 │ └── validation_cases.md # 验证案例与结果 └── requirements.txt # Python依赖关键文档内容理论手册清晰推导所用物理方程扩散、输运说明无量纲化过程如果做了明确所有符号的定义和单位。这是与物理学家沟通的基础。用户指南从环境配置pip install -r requirements.txt开始逐步讲解如何修改配置文件来定义新问题如改变几何、材料如何启动训练如何监控训练过程TensorBoard日志以及如何后处理结果。验证案例报告这是建立信誉的核心。必须包含多个基准案例案例A均匀平板堆解析解验证。对比PINN求解的通量分布、(k_{eff}) 与解析解的相对误差。绘制误差分布图。案例B小型基准题如IAEA 2D LWR基准。与成熟商业代码或开源确定论代码如OpenMC的扩散求解器的结果进行对比给出功率分布对比、(k_{eff}) 误差等。案例C带控制棒的局部扰动问题。测试PINN处理强吸收体和不连续界面的能力。API文档用Sphinx或pdoc为核心模块models, loss生成自动API文档说明每个类、每个函数的作用和参数。可复现性保障固定随机种子在训练脚本开头设置torch.manual_seed(42),np.random.seed(42)确保每次运行采样点一致。配置文件驱动所有超参数、物理参数都从配置文件读取避免硬编码。训练脚本应接受一个配置文件名作为参数。完整的结果导出训练结束后不仅保存模型权重.pt文件还应自动保存最终损失曲线、预测通量场数据如VTK或HDF5格式、关键参数如 (k_{eff})、以及与参考解的误差统计。这些应打包在一个以时间戳命名的文件夹中。我个人的体会是在核工程领域推广PINN这类新方法代码的健壮性和文档的完整性其重要性不亚于算法本身的创新。因为你的合作者或审稿人第一件事就是尝试复现你的结果。一个清晰、模块化、文档齐全的代码库能极大降低沟通成本加速方法被接受和应用的进程。在核这个保守又严谨的行业建立信任的第一步就是让你的工作变得可检验、可重复。本文还有配套的精品资源点击获取 PINN在核反应堆模拟中的应用：从中子扩散方程到工程实践
简介本资源是面向核能工程与人工智能交叉领域研究者、高年级本科生及研究生的PINN深度学习实践项目聚焦核反应堆中子输运建模这一典型物理约束问题提供从理论复现到代码落地的完整技术路径。资源包共250个文件含48个Python核心脚本实现多维中子扩散方程求解、有效增殖系数k_eff直接搜索、微分变阶中子输运建模三大模块、124张结果可视化PNG图、12份PDF文档含论文复现说明、数学推导与实验分析、7个训练权重.pth文件及配套数据集train.dat/test.dat等总容量196.69MB。已有372人学习下载所有代码均经实际运行验证源自作者高分96分毕业设计结构清晰、注释完备附带LaTeX编译源码与完整损失曲线记录loss.dat便于理解PINN在强物理约束场景下的损失函数设计、边界条件嵌入及收敛行为分析。1. 从“黑盒”到“白盒”为什么核反应堆模拟需要PINN作为一名在核能仿真领域摸爬滚打了十几年的工程师我经历过无数次与“中子扩散方程”搏斗的夜晚。传统上我们依赖两种主要武器一种是基于确定论方法的程序比如MCNP它通过追踪大量中子的随机游走来模拟输运过程精度高但计算成本极其昂贵一个复杂堆芯的全尺寸模拟可能需要超级计算机集群跑上好几天。另一种是计算流体力学CFD中常用的有限元、有限体积等数值方法它们将连续的物理场离散化求解虽然比蒙特卡洛方法快但在处理强非线性、多物理场耦合如热工水力与中子动力学问题时网格划分、收敛性、计算稳定性都是巨大的挑战更别提那些复杂的边界条件和材料不连续性了。这就像是在一个漆黑的房间里试图用无数个手电筒蒙特卡洛粒子去照亮每一个角落或者用一张极其精细但脆弱的渔网计算网格去捕捉水流中子通量。前者太慢后者太“脆”。而深度学习的出现一度让我们看到了曙光——用一个强大的神经网络去学习输入如几何、材料参数和输出如中子通量分布、功率分布之间的映射关系。训练好后预测速度快如闪电。但问题也随之而来这成了一个彻底的“黑盒”模型。我们不知道它内部遵循了什么物理规律在训练数据未覆盖的工况下比如事故瞬态它的预测可能完全偏离物理实际且无法提供任何可信度评估。在核安全这个容错率极低的领域一个无法解释、外推性存疑的模型是绝对无法被接受的。物理信息神经网络Physics-Informed Neural Networks, PINN的出现恰好击中了这个痛点。它不是一个替代传统方法的“新算法”而是一种将物理定律“编码”进神经网络训练过程的新范式。其核心思想非常巧妙不再仅仅用数据去“喂”神经网络而是让神经网络的输出本身必须尽可能地满足描述该物理过程的偏微分方程PDE。对于中子扩散问题这个PDE就是中子扩散方程。PINN通过将PDE的残差即方程左右两边之差作为损失函数的一部分强迫神经网络在学习数据的同时也“学会”了物理规律。这就好比在教一个学生时不仅给他看例题数据还告诉他这些例题背后通用的数学公式物理方程让他自己推导出答案。这样训练出的模型兼具了神经网络强大的函数逼近能力和物理模型的可解释性、泛化能力。在核反应堆领域PINN的应用潜力巨大。它可以用于高精度代理模型用相对较少的高保真仿真数据来自MCNP或高分辨率CFD训练一个PINN模型此后便能用极低的成本进行快速参数扫描、优化设计和不确定性量化分析。反问题求解根据有限的传感器测量数据如堆芯外探测器读数反推堆芯内部的中子通量分布或材料特性这对于堆芯监测和故障诊断至关重要。多物理场耦合将中子扩散方程与热传导方程、流体力学方程同时嵌入一个PINN的损失函数中直接求解耦合系统避免传统方法中繁琐的迭代和数据传递。处理复杂几何与不连续界面神经网络是连续函数逼近器天生适合处理复杂边界无需生成网格对于包含燃料棒、格架、水隙的复杂堆芯几何尤其友好。接下来我将以一个简化的二维平板堆芯中子扩散问题为例手把手带你搭建一个PINN模型并附上完整的代码和思考过程。我们会从最根本的物理方程开始一步步拆解PINN的实现逻辑并重点讨论在实际核工程应用中会遇到的那些“坑”。2. 核心战场中子扩散方程与PINN的融合点要理解PINN如何工作我们必须先回到物理的起点——中子扩散方程。这里我们讨论最经典的稳态、单能组扩散方程它是理解多群、瞬态问题的基础。方程形式如下[ -\nabla \cdot (D(\mathbf{r}) \nabla \phi(\mathbf{r})) \Sigma_a(\mathbf{r}) \phi(\mathbf{r}) \frac{1}{k_{eff}} \nu \Sigma_f(\mathbf{r}) \phi(\mathbf{r}) ]看起来有点复杂我们来拆解一下每个符号的物理意义(\phi(\mathbf{r}))这是我们要求解的中子通量密度是空间位置 (\mathbf{r}) 的函数。它是所有后续计算功率分布、燃耗等的基石。(D(\mathbf{r}))扩散系数与介质的中子散射特性有关。(\Sigma_a(\mathbf{r}))宏观吸收截面表示中子被介质吸收的概率。(\nu\Sigma_f(\mathbf{r}))每次裂变产生的中子数乘以宏观裂变截面代表裂变源项。(k_{eff})有效增殖因子是反应堆临界状态的关键指标。当 (k_{eff}1) 时反应堆处于稳态临界。这个方程本质上是一个本征值问题。我们需要同时求解通量分布 (\phi) 和本征值 (k_{eff})。PINN如何切入呢我们构建一个全连接神经网络其输入是空间坐标 ((x, y))对于二维问题输出是预测的通量值 (\phi_{pred}(x, y)) 和一个标量 (k_{eff, pred})。神经网络的参数权重和偏置就是我们训练的目标。PINN的损失函数由几部分构成这是其精髓所在1. 物理残差损失 (Physics Residual Loss)我们将神经网络输出的 (\phi_{pred}) 和 (k_{eff, pred}) 代入扩散方程。由于神经网络是可微的我们可以利用自动微分Autograd轻松计算出 (\nabla \phi_{pred}) 和 (\nabla \cdot (D \nabla \phi_{pred}))。然后在计算域内采集大量的“残差点”Collocation Points计算在这些点上方程的不满足程度 [ \mathcal{L}{physics} \frac{1}{N_p} \sum{i1}^{N_p} \left| -\nabla \cdot (D \nabla \phi_{pred}^{(i)}) \Sigma_a \phi_{pred}^{(i)} - \frac{1}{k_{eff, pred}} \nu \Sigma_f \phi_{pred}^{(i)} \right|^2 ] 这个损失项直接惩罚神经网络输出违反物理定律的行为。这是PINN区别于普通数据驱动模型的核心。2. 边界条件损失 (Boundary Condition Loss)反应堆有边界例如外表面是真空边界中子通量趋于零近似为狄利克雷边界条件 (\phi0)或者是对称边界诺伊曼边界条件 (\partial \phi / \partial n 0)。我们需要在边界上采样一批点强制网络输出满足这些条件 [ \mathcal{L}{bc} \frac{1}{N_b} \sum{j1}^{N_b} \left| \phi_{pred}^{(j)} - \phi_{bc}^{(j)} \right|^2 \quad \text{(对于狄利克雷边界)} ] 或 [ \mathcal{L}{bc} \frac{1}{N_b} \sum{j1}^{N_b} \left| \frac{\partial \phi_{pred}^{(j)}}{\partial n} - 0 \right|^2 \quad \text{(对于诺伊曼边界)} ]3. 数据损失 (Data Loss) - 可选但强烈推荐如果我们有一些高保真仿真数据或实验测量数据哪怕很少可以将其作为“锚点”帮助网络更快、更准地收敛。例如我们在某些特定位置有通量测量值 (\phi_{data}) [ \mathcal{L}{data} \frac{1}{N_d} \sum{k1}^{N_d} \left| \phi_{pred}^{(k)} - \phi_{data}^{(k)} \right|^2 ] 在核工程中这类数据可能来自少数几个堆内探测器。即使数据点很少它们对约束解、提高反问题求解精度也至关重要。总损失函数就是这些项的加权和 [ \mathcal{L}{total} \lambda{phy} \mathcal{L}{physics} \lambda{bc} \mathcal{L}{bc} \lambda{data} \mathcal{L}_{data} ] 其中 (\lambda) 是超参数用于平衡不同损失项的量级和重要性。如何设置这些权重是PINN训练的第一个大坑我们后面会详细讨论。通过最小化这个总损失函数我们实际上是在寻找一个神经网络它的输出在计算域内近似满足偏微分方程在边界上满足边界条件并且在数据点处与观测值吻合。这相当于在函数空间中求解一个约束优化问题。3. 实战构建一个简化堆芯PINN模型的代码级拆解理论说得再多不如一行代码。我们使用 PyTorch 框架来实现一个针对二维均匀平板堆芯的PINN模型。假设堆芯是一个边长为L的正方形材料均匀周围是真空边界通量为0。我们的目标是求解稳态通量分布和 (k_{eff})。首先定义神经网络结构。这里不需要太复杂的架构一个4-5层的全连接网络MLP通常就够了关键在于激活函数的选择。由于中子通量非负我们可以在输出层使用Softplus或ReLU激活函数来保证非负性。中间层常用Tanh或Sin激活函数后者SIREN被证明对学习高频信号更有效。import torch import torch.nn as nn import numpy as np class NeutronPINN(nn.Module): def __init__(self, layers[2, 50, 50, 50, 2], activationnn.Tanh): super(NeutronPINN, self).__init__() # 构建全连接层 self.linears nn.ModuleList() for i in range(len(layers)-1): self.linears.append(nn.Linear(layers[i], layers[i1])) self.activation activation() # 输出层不使用激活以便输出值域为全体实数k_eff可能1或1 # 通量的非负性通过损失函数或后处理约束更灵活 def forward(self, x): # x: [batch_size, 2] 即 (x, y) 坐标 a x for i, linear in enumerate(self.linears[:-1]): a self.activation(linear(a)) # 最后一层线性输出 output self.linears[-1](a) # output: [batch_size, 2] # 我们将输出拆分为通量 phi 和 k_eff phi torch.abs(output[:, 0:1]) 1e-8 # 取绝对值保证非负加小量防止除零 k_eff output[:, 1:2] # 注意这里k_eff是每个点都输出但物理上它应是全局标量。 # 实际训练中我们通常让网络输出一个与输入无关的全局k_eff。 # 更优设计是网络只输出phik_eff作为一个可训练的张量单独存在。 return phi, k_eff注意上面代码中的一个关键点让网络每个点都预测一个 (k_{eff}) 是不合理的。更好的设计是将 (k_{eff}) 定义为模型的一个可训练参数nn.Parameter网络只输出 (\phi)。我们来修正一下class NeutronPINN_Corrected(nn.Module): def __init__(self, layers[2, 64, 64, 64, 1]): super(NeutronPINN_Corrected, self).__init__() self.linears nn.ModuleList() for i in range(len(layers)-1): self.linears.append(nn.Linear(layers[i], layers[i1])) self.activation nn.Tanh() # 将 k_eff 定义为一个可训练的参数初始值设为1.0附近 self.k_eff nn.Parameter(torch.tensor([1.05])) def forward(self, x): a x for i, linear in enumerate(self.linears[:-1]): a self.activation(linear(a)) phi torch.abs(self.linears[-1](a)) 1e-8 # 输出通量保证非负 return phi, self.k_eff接下来是损失函数的定义。我们需要计算物理残差这要求对网络输出进行二阶微分。PyTorch的autograd.grad功能可以完美胜任。def compute_loss(model, points_domain, points_bc, D, Sigma_a, nuSigma_f): model: PINN模型 points_domain: 域内残差点 [N_domain, 2] points_bc: 边界点 [N_bc, 2] D, Sigma_a, nuSigma_f: 材料参数假设均匀 # 1. 边界条件损失 phi_bc_pred, _ model(points_bc) # 假设所有边界点通量为0 loss_bc torch.mean(torch.square(phi_bc_pred - 0.0)) # 2. 物理残差损失 (这是核心) # 为了计算二阶导需要设置 requires_gradTrue points_domain.requires_grad_(True) phi_pred, k_eff_pred model(points_domain) # 计算一阶梯度 d(phi)/dx, d(phi)/dy grad_phi torch.autograd.grad(phi_pred.sum(), points_domain, create_graphTrue)[0] dphi_dx grad_phi[:, 0:1] dphi_dy grad_phi[:, 1:2] # 计算扩散项 -div(D * grad(phi))。 当D为常数时简化为 -D * laplacian(phi) # 先计算 grad(phi) 对 x 的导数得到 d^2phi/dx^2 grad_dphi_dx torch.autograd.grad(dphi_dx.sum(), points_domain, create_graphTrue)[0] d2phi_dx2 grad_dphi_dx[:, 0:1] # 同理计算 d^2phi/dy^2 grad_dphi_dy torch.autograd.grad(dphi_dy.sum(), points_domain, create_graphTrue)[0] d2phi_dy2 grad_dphi_dy[:, 1:2] laplacian_phi d2phi_dx2 d2phi_dy2 diffusion_term -D * laplacian_phi # 组装方程残差 diffusion_term Sigma_a * phi - (1/k_eff) * nuSigma_f * phi residual diffusion_term Sigma_a * phi_pred - (1.0 / k_eff_pred) * nuSigma_f * phi_pred loss_physics torch.mean(torch.square(residual)) # 总损失 lambda_phy, lambda_bc 1.0, 1.0 # 权重需要精细调节 total_loss lambda_phy * loss_physics lambda_bc * loss_bc return total_loss, loss_physics, loss_bc, k_eff_pred训练循环部分与常规深度学习训练类似但有一些特殊注意事项# 假设我们定义了模型、优化器 model NeutronPINN_Corrected() optimizer torch.optim.Adam(model.parameters(), lr1e-3) # 生成训练点域内点和边界点 L 100.0 # 平板边长 100 cm N_domain 2000 N_bc 500 # 域内点均匀随机采样 points_domain torch.rand(N_domain, 2) * L # [0, L] 之间 # 边界点在四条边上采样 points_bc [] # 左边界 (x0) 和右边界 (xL) points_bc.append(torch.cat([torch.zeros(N_bc//4, 1), torch.rand(N_bc//4, 1)*L], dim1)) # x0, y随机 points_bc.append(torch.cat([L*torch.ones(N_bc//4, 1), torch.rand(N_bc//4, 1)*L], dim1)) # xL, y随机 # 下边界 (y0) 和上边界 (yL) points_bc.append(torch.cat([torch.rand(N_bc//4, 1)*L, torch.zeros(N_bc//4, 1)], dim1)) # y0, x随机 points_bc.append(torch.cat([torch.rand(N_bc//4, 1)*L, L*torch.ones(N_bc//4, 1)], dim1)) # yL, x随机 points_bc torch.cat(points_bc, dim0) # 材料参数示例值需根据实际物理设定 D 1.0 # 扩散系数 cm Sigma_a 0.01 # 吸收截面 cm^-1 nuSigma_f 0.015 # 裂变源项 cm^-1 epochs 20000 for epoch in range(epochs): optimizer.zero_grad() loss, loss_phy, loss_bc, k_eff compute_loss(model, points_domain, points_bc, D, Sigma_a, nuSigma_f) loss.backward() optimizer.step() if epoch % 1000 0: print(fEpoch {epoch}, Total Loss: {loss.item():.4e}, Physics Loss: {loss_phy.item():.4e}, BC Loss: {loss_bc.item():.4e}, k_eff: {k_eff.item():.4f})训练完成后我们可以用训练好的模型快速预测任意位置的通量并得到估算的 (k_{eff})。与有限差分法等传统方法的结果对比可以验证PINN的精度。4. 工程化之路PINN在核能应用中的挑战与调优技巧上面的简化例子跑通后你可能会觉得PINN“不过如此”。但一旦将其应用到真实的核反应堆问题上无数个挑战会接踵而至。以下是我在实际项目中总结出的核心挑战和应对策略这些是论文里很少详细提及的“干货”。挑战一损失函数权重的“魔法”物理损失 (\mathcal{L}{phy})、边界损失 (\mathcal{L}{bc}) 和数据损失 (\mathcal{L}_{data}) 的量级可能相差好几个数量级。例如物理残差可能初始值在1e3量级而边界条件误差在1e0量级。如果简单相加优化器会主要优化大数值的损失项导致小数值的约束如关键的边界条件无法被满足。技巧自适应权重调整。不要使用固定的 (\lambda)。可以采用基于方差的归一化在每个训练批次中计算各损失项的标准差动态调整权重使各项对总损失的贡献大致均衡。SoftAdapt或Learning Rate Annealing使用更复杂的算法如SoftAdapt在训练过程中自动平衡权重。一个简单的启发式方法是在训练初期给边界损失较大的权重强制网络先满足边界条件后期再逐步增加物理损失的权重。手动调参的经验通常需要将 (\lambda_{bc}) 设置得比 (\lambda_{phy}) 大一个数量级如100倍以确保边界条件被严格满足。对于数据损失如果有高质量数据其权重可以设得非常高。挑战二优化困境与“频谱偏差”PINN的损失函数高度非凸且物理残差项涉及高阶导数容易导致优化过程陷入糟糕的局部最优解。一个典型现象是网络倾向于先学习低频平滑的解而难以捕捉解中的高频特征如通量梯度很大的区域靠近强吸收体附近。这被称为“频谱偏差”。技巧网络架构与初始化策略。使用Sin作为激活函数SIRENSIREN网络被证明能更好地学习高频信号和导数。将nn.Tanh换成torch.sin并配合特定的初始化如权重初始化为均匀分布U(-√(6/n), √(6/n))其中n是输入维度效果常有显著提升。位置编码与傅里叶特征对于坐标输入 ((x, y))不直接输入网络而是先进行高频映射(\gamma(\mathbf{v}) [\sin(2\pi \mathbf{Bv}), \cos(2\pi \mathbf{Bv})])其中 (\mathbf{B}) 是一个随机高斯矩阵。这相当于给网络一个高频“入口”使其更容易建模细节。分阶段训练与课程学习先在一个粗网格或少量残差点上训练得到一个粗糙解然后逐步增加采样点的密度或引入更精细的损失项如增加高阶导数正则化引导网络向精细解优化。挑战三处理材料不连续性与强非线性真实堆芯包含多种材料燃料、包壳、慢化剂、反射层其核截面(D, \Sigma_a)在界面处发生跃变。PINN作为连续函数逼近器在界面处强行光滑会导致解出现“模糊”的过渡区这与物理事实不符。技巧域分解与接口条件。为每个材料子域训练一个独立的子网络。这是最直接有效的方法。例如为燃料区和慢化剂区分别建立两个PINN模型PINN_fuel和PINN_mod。在子域界面处施加物理接口条件。损失函数需额外增加一项界面损失 (\mathcal{L}{interface})。对于扩散方程界面条件是(1) 通量连续(\phi{fuel} \phi_{mod})(2) 流密度连续(-D_{fuel} \nabla \phi_{fuel} \cdot \mathbf{n} -D_{mod} \nabla \phi_{mod} \cdot \mathbf{n})。我们在界面两侧采样点将这两个条件的违反程度加入总损失。使用Heaviside函数或符号距离函数构建一个全局网络但其输入不仅是坐标还有该坐标所属材料的符号距离函数SDF。网络内部通过SDF来切换或加权不同材料区域的贡献。这种方法更优雅但实现更复杂。挑战四多物理场耦合与瞬态问题稳态单群问题只是入门。真正的挑战是瞬态多群中子动力学与热工水力TH的耦合。方程变得极其复杂包含时间导数、多能群之间的耦合项、温度反馈多普勒效应、慢化剂密度效应等。技巧算子分裂与时间推进策略。时间作为额外输入对于瞬态问题最简单的方法是将时间 (t) 作为神经网络的额外输入即输入为 ((x, y, t))输出为 (\phi(x,y,t))。在损失函数中需要加入时间导数项 (\frac{1}{v}\frac{\partial \phi}{\partial t})。这种方法适用于短时间尺度、平滑变化的问题。序列化PINN时间步进对于长时间或 stiff 问题全时空一起训练可能失败。可以采用类似传统数值方法的时间推进用PINN求解第一个时间步将结果作为下一个时间步的初始条件依次进行。或者训练一个循环神经网络RNN结构的PINN但其训练难度更大。松散耦合与紧耦合对于中子-热工耦合可以先分别训练中子学PINN和热工学PINN。然后在两个网络之间传递关键参数如通量→功率→温度温度→截面进行迭代直到收敛。更高级的做法是将两个物理场的方程同时嵌入一个“大PINN”的损失函数中进行紧耦合训练这对网络容量和优化技巧要求极高。挑战五验证、不确定性量化与可信度核安全要求任何分析工具都必须经过严格的验证与确认VV。PINN作为新型工具其可信度如何建立技巧多层次验证与后验误差估计。制造“已知解”进行验证对于简单几何和均匀材料扩散方程可能有解析解或半解析解。用这些案例来验证PINN代码的正确性和精度。与传统高保真代码交叉验证在更复杂的几何上用MCNP或确定论程序如OpenMC Serpent生成高精度参考解与PINN结果进行对比。不仅要对比通量分布还要对比 (k_{eff})、功率峰因子等关键积分量。利用PINN自身进行后验误差估计训练完成后在大量未用于训练的测试点上计算物理残差。残差的分布和大小可以直接反映PINN解在多大程度上满足了控制方程。这是PINN独有的优势——它提供了一个内置的、点对点的误差指示器。贝叶斯PINN将网络权重和 (k_{eff}) 等参数视为随机变量采用贝叶斯推断方法如变分推断、马尔可夫链蒙特卡洛进行训练。这样得到的不仅是点估计还有预测的不确定性区间对于安全分析至关重要。5. 超越扩散方程PINN在中子输运问题上的前沿探索扩散理论是近似尤其在强吸收体、真空边界附近或堆芯非均匀性显著的区域其误差较大。更精确的描述是中子玻尔兹曼输运方程。这是一个积分-微分方程求解难度远高于扩散方程。PINN能否应用于此答案是肯定的并且是当前的研究热点。输运方程的形式为以单能、稳态为例 [ \mathbf{\Omega} \cdot \nabla \psi(\mathbf{r}, \mathbf{\Omega}) \Sigma_t(\mathbf{r}) \psi(\mathbf{r}, \mathbf{\Omega}) \int_{4\pi} \Sigma_s(\mathbf{r}, \mathbf{\Omega} \cdot \mathbf{\Omega}) \psi(\mathbf{r}, \mathbf{\Omega}) d\mathbf{\Omega} Q(\mathbf{r}) ] 其中 (\psi) 是中子角通量是空间位置 (\mathbf{r}) 和运动方向 (\mathbf{\Omega}) 的函数。方程左边是流项和移出项右边是散射源和外源项。直接用PINN求解全相空间 ((\mathbf{r}, \mathbf{\Omega})) 的函数维度太高3D空间2D方向5D被称为“维数灾难”。目前的探索主要沿着两个方向方向一基于SN离散的PINN将方向变量 (\mathbf{\Omega}) 离散为有限个离散方向即离散纵标法SN的思想。对每个离散方向 (m)我们训练一个独立的神经网络 (NN^m)其输入是空间坐标 (\mathbf{r})输出是该方向上的角通量 (\psi^m(\mathbf{r}))。损失函数由以下几部分构成每个方向的输运方程残差将离散后的输运方程对流移出散射源外源的残差作为损失。方向间的散射耦合散射积分项变成了对所有离散方向的求和这一项将不同方向的网络耦合在一起。边界条件对于每个入射方向在边界上需要给定入射角通量或反射条件。这种方法将高维问题分解为多个与离散方向数相同较低维的PINN子问题通过散射项耦合。它结合了传统SN法的思想和神经网络的灵活性有望在复杂几何上获得比传统SN法更高效、更精确的解。方向二神经算子学习这是更“纯粹”的机器学习思路。不直接求解特定几何下的角通量而是学习一个“算子”它可以将输入如几何、材料分布、边界条件映射到输出角通量或标通量。代表性的方法是傅里叶神经算子FNO或深度算子网络DeepONet。对于中子输运问题可以这样构建DeepONet它由两个子网络组成——“分支网络”处理输入函数如在网格上定义的截面分布“主干网络”处理查询点的坐标。两者输出结合后得到该点的通量。我们可以用大量高保真输运计算的结果如MCNP模拟来训练这个网络让它学会从“堆芯配置”到“通量场”的映射。一旦训练完成对于新的堆芯配置FNO/DeepONet能在毫秒级给出通量分布预测非常适合设计优化和不确定性分析。PINN与神经算子可以结合用PINN生成高保真的训练数据或者用神经算子为PINN提供更好的初始化。这个领域方兴未艾是连接物理模型与数据驱动模型的桥梁。6. 从代码到文档构建可复现的研究与工程基础一个完整的项目不仅仅是代码。为了让你的工作具有可复现性和工程价值必须建立良好的文档和代码规范。以下是我在团队中推行的一套实践代码结构规范neutron_pinn_project/ ├── configs/ # 配置文件 (YAML/JSON) │ ├── model_config.yaml # 网络结构、激活函数等 │ ├── physics_config.yaml # 材料参数、几何尺寸、方程形式 │ └── training_config.yaml # 优化器、学习率、损失权重 ├── data/ # 数据目录 │ ├── generated/ # 程序生成的训练点、边界点 │ └── reference/ # 高保真参考解 (如MCNP输出) ├── models/ # 神经网络模型定义 │ ├── base_pinn.py # 基础PINN类 │ ├── neutron_diffusion.py # 中子扩散PINN具体实现 │ └── neutron_transport.py # 中子输运PINN尝试 ├── utils/ # 工具函数 │ ├── geometry.py # 几何生成、采样 │ ├── loss.py # 各种损失函数定义 │ ├── visualization.py # 绘图函数 │ └── metrics.py # 误差计算 (与参考解对比) ├── trainers/ # 训练循环逻辑 │ └── diffusion_trainer.py ├── scripts/ # 执行脚本 │ ├── train.py # 主训练脚本 │ ├── evaluate.py # 评估脚本 │ └── plot_results.py ├── docs/ # 文档 │ ├── theory_background.md # 物理方程推导 │ ├── user_guide.md # 如何使用代码 │ └── validation_cases.md # 验证案例与结果 └── requirements.txt # Python依赖关键文档内容理论手册清晰推导所用物理方程扩散、输运说明无量纲化过程如果做了明确所有符号的定义和单位。这是与物理学家沟通的基础。用户指南从环境配置pip install -r requirements.txt开始逐步讲解如何修改配置文件来定义新问题如改变几何、材料如何启动训练如何监控训练过程TensorBoard日志以及如何后处理结果。验证案例报告这是建立信誉的核心。必须包含多个基准案例案例A均匀平板堆解析解验证。对比PINN求解的通量分布、(k_{eff}) 与解析解的相对误差。绘制误差分布图。案例B小型基准题如IAEA 2D LWR基准。与成熟商业代码或开源确定论代码如OpenMC的扩散求解器的结果进行对比给出功率分布对比、(k_{eff}) 误差等。案例C带控制棒的局部扰动问题。测试PINN处理强吸收体和不连续界面的能力。API文档用Sphinx或pdoc为核心模块models, loss生成自动API文档说明每个类、每个函数的作用和参数。可复现性保障固定随机种子在训练脚本开头设置torch.manual_seed(42),np.random.seed(42)确保每次运行采样点一致。配置文件驱动所有超参数、物理参数都从配置文件读取避免硬编码。训练脚本应接受一个配置文件名作为参数。完整的结果导出训练结束后不仅保存模型权重.pt文件还应自动保存最终损失曲线、预测通量场数据如VTK或HDF5格式、关键参数如 (k_{eff})、以及与参考解的误差统计。这些应打包在一个以时间戳命名的文件夹中。我个人的体会是在核工程领域推广PINN这类新方法代码的健壮性和文档的完整性其重要性不亚于算法本身的创新。因为你的合作者或审稿人第一件事就是尝试复现你的结果。一个清晰、模块化、文档齐全的代码库能极大降低沟通成本加速方法被接受和应用的进程。在核这个保守又严谨的行业建立信任的第一步就是让你的工作变得可检验、可重复。本文还有配套的精品资源点击获取