4-6、UO₂-SiC复合燃料热导率的有限元模拟与神经网络优化

(Finite Element Method Combined with Neural Networks for thermal conductivity optimization of UO₂-SiC composite fuel)

严彪杰¹，丁向东²，张鹏程^1*

1.中国工程物理研究院材料研究所，2.西安交通大学金属材料强度国家重点实验室

摘要：二氧化铀陶瓷型核燃料被广泛应用于压水式反应堆和沸水式反应堆。导热性差是陶瓷核燃料一个很大的缺点，燃料热学性能对芯块的中心温度、肿胀、破裂、与包壳的相互作用、裂变气体释放均具有非常重要的影响，所以提升陶瓷型核燃料热学性能非常重要。国内外研究者大量研究了UO₂不同温度下的热学性能及相关的影响因素，以及向UO₂为基体中掺入Mo、SiC、BeO等高热导率的材料，制备UO₂复合燃料来提高陶瓷型核燃料热导率。本文基于UO₂-SiC复合燃料的结构与物性参数，设计了有限元模拟结合神经网络以及数值优化的方法，用于性能预测、组织结构推荐及热导率优化。首先，通过有限元二维模拟UO₂-SiC的组织结构，以泰森多边形构建UO₂晶粒（集合1），不同大小的圆构建的SiC颗粒（集合2），并按相应的轮廓提取出晶界（集合3）与UO₂-SiC界面（集合4），赋予4个集合一定的热导率参数，模拟计算出复合材料的有效热导率。然后，通过不同的特征组合（晶粒尺寸，颗粒面积分数等），按照上述有限元模拟方法产生了5万个样本。接下来将样本用于神经网络的学习，通过交叉验证的方法选择隐层的结点数，最终构建了3层BP神经网络。本文设计的方法可以实现三种功能：第一个功能是对于给定的结构进行性能的预测。随机产生了四十组的结构特征，用神经网络进行了热导率的预测，然后对每组特征再进行了有限元的模拟，模拟的热导率与预测值相对误差小于3%；第二个功能是对于给定的性能，可以推荐出多组特征结构。在4个集合热导率属性一定的条件下，选择了9W/(m*K)作为给定的热导率，通过神经网络结合数值优化的方法，推荐出一系列预测值接近9W/(m*K)的结构，选择了其中一部分结构，进行了有限元的模拟，模拟的热导率值与目标值9W/(m*K)的相对误差小于3%；第三个功能是对于一定范围内的特征，可以优化计算得到该范围内预测的最佳热导率以及其相对应的结构特征。在颗粒面积分数不超过10%、4个集合热导率属性一定的条件下，同样通过数值优化的方法，得到了预测的最优热导率以及相对应的组织特征，将特征用于有限元模拟，得到的热导率与预测值相对误差较小于3%。本文在二维有限元模拟的基础上构建了三层神经网络，能够对特定组织结构进行热导率预测，节省了有限元模拟所需的大量时间。同时能够对结构进行快速优化，获得较高的热导率，对UO2-SiC陶瓷型核燃料实际制造有初步的指导意义。后续工作还需完成二维学习到三维学习的转化，同时考虑到气孔及颗粒形状等更多复杂的因素对复合燃料热导率的影响，增加学习特征，在更高维的空间构建更复杂的神经网络进行学习及优化。

关键词：UO2-SiC，热导率，有限元，神经网络

通讯作者：张鹏程，电话：13981102769，Email:zpc113@sohu.com

DOI:10.12110/secondfmge.20181014.406