An AI-Driven Thermal-Fluid Testbed for Advanced Small Modular Reactors: Integration of Digital Twin and Large Language Models

📄 arXiv: 2507.06399v1 📥 PDF

作者: Doyeong Lim, Yang Liu, Zavier Ndum Ndum, Christian Young, Yassin Hassan

分类: eess.SY, cs.AI

发布日期: 2025-07-08

期刊: AI Thermal Fluids, 100023 (2025)

DOI: 10.1016/j.aitf.2025.100023

💡 一句话要点

提出AI驱动的热工水力测试平台，加速小型模块化反应堆技术发展

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 小型模块化反应堆 热工水力 数字孪生 人工智能 门控循环单元 大型语言模型 实时预测 AI驱动控制

📋 核心要点

  1. 现有小型模块化反应堆技术研发面临实验成本高、周期长等问题，缺乏高效的建模、控制和运行辅助手段。
  2. 构建一个AI驱动的热工水力测试平台，集成物理实验、数字孪生和AI框架，实现实时预测、控制和运行辅助。
  3. 实验结果表明，该平台具有高保真度，GRU模型的温度预测均方根误差为1.42 K，验证了AI集成的有效性。

📝 摘要（中文）

本文介绍了一种多用途人工智能(AI)驱动的热工水力测试平台，旨在通过将物理实验与先进的计算智能无缝集成，从而推进小型模块化反应堆技术的发展。该平台独特地结合了一个通用的三回路热工水力设施、一个高保真数字孪生体和复杂的AI框架，用于实时预测、控制和运行辅助。在方法上，测试平台的数字孪生体建立在系统分析模块代码之上，并与门控循环单元(GRU)神经网络相结合。该机器学习模型在实验数据上进行训练，能够实现比实时更快的仿真，从而提供对系统动态行为的预测性洞察。通过案例研究展示了这种AI集成的实际应用。一个AI驱动的控制框架，其中GRU模型准确地预测未来的系统状态以及满足运行需求所需的相应控制动作。此外，一个由大型语言模型驱动的智能助手将复杂的传感器数据和仿真输出转换为自然语言，为操作员提供可操作的分析和安全建议。针对实验瞬态的全面验证证实了该平台的高保真度，GRU模型的温度预测均方根误差为1.42 K。这项工作建立了一个AI和热工水力科学交叉的综合研究环境，展示了AI驱动的方法在建模、控制和操作员支持方面如何加速下一代核系统的创新和部署。

🔬 方法详解

问题定义：论文旨在解决小型模块化反应堆（SMR）技术研发中，传统实验方法成本高、效率低的问题。现有方法难以实现对SMR系统动态行为的快速预测和优化控制，同时也缺乏对操作人员的智能辅助，从而限制了SMR技术的快速发展和部署。

核心思路：论文的核心思路是将物理实验、高保真数字孪生和人工智能技术进行深度融合，构建一个AI驱动的热工水力测试平台。通过数字孪生实现对物理系统的实时仿真和预测，利用AI算法进行优化控制和智能辅助，从而提高SMR技术研发的效率和安全性。

技术框架：该测试平台包含三个主要模块：1) 一个三回路热工水力实验设施，用于获取真实的实验数据；2) 一个基于系统分析模块（SAM）代码构建的高保真数字孪生体，用于实时仿真和预测系统行为；3) 一个AI框架，包含GRU神经网络和大型语言模型，用于预测、控制和操作员辅助。实验数据用于训练GRU模型，GRU模型预测系统状态，大型语言模型将复杂数据转化为自然语言，辅助操作员决策。

关键创新：该论文的关键创新在于将数字孪生、GRU神经网络和大型语言模型集成到一个统一的AI驱动的热工水力测试平台中。这种集成实现了对SMR系统动态行为的快速预测、优化控制和智能辅助，从而显著提高了SMR技术研发的效率和安全性。与传统方法相比，该平台能够实现比实时更快的仿真，并提供可操作的分析和安全建议。

关键设计：数字孪生体基于System Analysis Module (SAM) 代码构建，保证了其高保真度。GRU神经网络采用实验数据进行训练，用于预测系统未来的状态。大型语言模型用于将复杂的传感器数据和仿真输出转换为自然语言，方便操作员理解和使用。GRU模型的具体网络结构和训练参数未知，但论文强调了其在温度预测方面的准确性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该AI驱动的热工水力测试平台具有高保真度。GRU模型在温度预测方面表现出色，实现了1.42 K的均方根误差。该结果验证了AI集成在SMR系统建模和控制方面的有效性，为SMR技术的快速发展提供了有力支持。

🎯 应用场景

该研究成果可应用于小型模块化反应堆的设计、优化和安全评估。该平台能够加速SMR技术的研发进程，降低研发成本，提高SMR系统的安全性和可靠性。此外，该平台还可以应用于其他复杂热工水力系统的建模、控制和运行辅助，具有广泛的应用前景。

📄 摘要（原文）

This paper presents a multipurpose artificial intelligence (AI)-driven thermal-fluid testbed designed to advance Small Modular Reactor technologies by seamlessly integrating physical experimentation with advanced computational intelligence. The platform uniquely combines a versatile three-loop thermal-fluid facility with a high-fidelity digital twin and sophisticated AI frameworks for real-time prediction, control, and operational assistance. Methodologically, the testbed's digital twin, built upon the System Analysis Module code, is coupled with a Gated Recurrent Unit (GRU) neural network. This machine learning model, trained on experimental data, enables faster-than-real-time simulation, providing predictive insights into the system's dynamic behavior. The practical application of this AI integration is showcased through case studies. An AI-driven control framework where the GRU model accurately forecasts future system states and the corresponding control actions required to meet operational demands. Furthermore, an intelligent assistant, powered by a large language model, translates complex sensor data and simulation outputs into natural language, offering operators actionable analysis and safety recommendations. Comprehensive validation against experimental transients confirms the platform's high fidelity, with the GRU model achieving a temperature prediction root mean square error of 1.42 K. This work establishes an integrated research environment at the intersection of AI and thermal-fluid science, showcasing how AI-driven methodologies in modeling, control, and operator support can accelerate the innovation and deployment of next-generation nuclear systems.