Page 21 - 2026第1期核能新闻

导向，长远规划、分段实施、小步验证、持续优化。提出若干具有代表性的场景

如下：

（一）研发设计领域：面向先进反应堆研发的智能设计支持
新型反应堆研发涉及堆芯中子物理、热工水力、材料性能、结构力学等多物

理场耦合问题。以堆芯设计为例，需要在燃料富集度、组件排列方式、冷却剂流

量分配、控制棒位置等数十个参数中寻找最优组合，传统方法需要通过数百次高

保真仿真计算、比选、迭代、决策、优化，研发周期长达数月甚至数年。

AI 加速参数空间探索。 利用已有仿真数据，训练构建基于深度神经网络的

代理模型，用于堆芯关键性能参数（如功率峰因子、燃耗深度、温度分布）的计

算推演。设计人员可快速完成数百种参数组合评估，将满足约束条件的候选方案

大幅缩减，再针对性地进行高保真验证，使参数优化效率大幅提升。

AI 加速多物理场耦合计算。 在反应堆安全分析中，需要模拟失水事故、反

应性引入等瞬态工况下的系统响应，传统 CFD 与中子学耦合计算因网格规模大而

计算速度慢、成本高。采用物理信息神经网络（PINN），将守恒方程、边界条件

嵌入神经网络训练过程，可在保证物理一致性的前提下，将复杂工况下的流场-

温度场-中子通量分布计算速度大幅提高，瞬态分析效率大幅提升。
AI 驱动创新设计方案生成。 利用生成式 AI 技术，输入设计约束条件（如

功率水平、尺寸限制、安全裕度要求），模型自动生成多种堆芯燃料组件布置方
案、冷却剂流道构型、反射层材料组合等创新设计。部分方案的功率分布均匀性

和燃料利用率，有可能超出传统经验设计水平。

（二）工程建造领域：面向核电工程绩效创优的项目管控协同

核电工程建设涉及数万个设备、数十万个管道焊口、数千份施工图纸，建设

周期 5-6 年，参建单位超过百家，现场人员数万。传统管理模式下，信息传递滞

后、专业接口冲突、资源配置失衡等问题频发，导致返工率高、工期延误、成本

超支等风险，正在成为制约核电项目经济性的关键瓶颈。

AI 驱动三维模型智能协同管控。反应堆厂房、汽轮机厂房等全厂构筑物三

维模型包含数百万个构件，不同专业模型的数据格式、坐标系统、命名规则各异。

传统人工检查难以全面发现碰撞、遗漏、冲突等问题。采用基于深度学习的智能

碰撞检测算法，自动识别管道与结构、设备与电缆桥架、风管与支吊架之间的空

18