深度学习求解核反应堆中子扩散方程：从PINN到k_eff计算

简介资源为基于深度学习的核反应堆中子学模拟项目面向核工程、计算物理与人工智能交叉方向的毕业设计、课程设计及期末大作业场景。内容聚焦中子扩散方程与中子输运理论借助神经网络求解有效增殖因子、中子通量分布及多维扩散方程包含Reactor-Effective-Multiplication-Factor、Multi-Dimensional-Neutron-Diffusion、Differential-Order-Theory-in-Neutron-Transport等模块共39个文件以28个Python源码为主配套5个XML工程配置、3个dat训练/验证数据及README说明压缩包仅268KB结构清晰便于直接运行与二次开发。项目覆盖硬边界条件、逆问题、多搜索等典型实验设置适合用来理解物理信息神经网络在核工程中的应用。目前已有102人学习下载对需要快速上手深度学习核模拟课题的研究者具有较高参考价值。1. 核反应堆中子学模拟为什么开始用深度学习做反应堆物理的人都知道有效增殖因子 k_eff 和中子通量分布不是“测出来”的而是“算出来”的。传统蒙特卡罗方法要跟踪几十万条中子历史算一次临界问题动辄几十分钟甚至数小时确定论方法虽然快一些但网格离散和能群划分稍不留神就会引入不可忽略的截断误差。这个压缩包给出的思路是把中子扩散方程当成 PDE 约束用神经网络去逼近通量场同时把 k_eff 也作为可学习参数训练出来。对做毕业设计或课程设计的人来说它最大的价值不是提供了多少个现成结果而是把“深度学习如何嵌入核工程物理方程”这件事拆成了可运行的脚本从单能群扩散到多维硬边界条件再到逆问题和参数扫描文件命名已经透出清晰的实验路线。2. 从扩散方程到 PINN先看懂 MultiDimDiffusionEquation 系列2.1 方程形式与边界条件的物理含义反应堆中子学模拟里最常见的是多群扩散方程。以稳态单群为例方程可以写成[ -\nabla \cdot (D \nabla \phi) \Sigma_a \phi \frac{1}{k} \nu \Sigma_f \phi ]其中 (\phi) 是中子通量(D) 是扩散系数(\Sigma_a) 是吸收截面(\nu\Sigma_f) 是裂变产生截面。传统有限差分法把区域离散成网格逐点求解线性方程组而 PINN 的做法是让神经网络直接输出 (\phi(x,y,z))然后把上述方程代入损失函数用自动微分计算 (\nabla \phi) 和 (\nabla^2 \phi)。这种方式对网格不敏感也不用构造刚度矩阵特别适合处理复杂几何边界。压缩包里的MultiDimDiffusionEquation3_3_1.py到MultiDimDiffusionEquation3_3_6.py这一串文件数字后缀对应了不同的问题维度、能群数和边界条件组合。从命名规律看3_3_1、3_3_2 这类文件应该是最基础的验证用例而后面的 3_3_5、3_3_6 逐渐增加了 hardBC硬边界和 MSearch参数搜索。我一般会先跑MultiDimDiffusionEquation3_3_1.py确认环境通再去看带hardBC的版本因为硬边界实现方式直接影响收敛速度和最终精度。2.2 硬边界条件hardBC是如何写进网络结构的所谓硬边界是指边界条件不是通过损失项“软性”约束而是直接改网络输出结构让解在边界上自动满足 Dirichlet 条件。比如对于矩形区域 ([0,1]\times[0,1])四条边上的通量为零可以构造一个距离函数 (d(x,y)x(1-x)y(1-y))它在边界上恒为 0内部大于 0。那么网络最终输出就是 (u(x,y)d(x,y)\cdot N(x,y))无论 (N) 输出什么边界值都固定为零。def forward(self, x, y): # 原始网络输出形状为 [batch, 1] raw self.net(torch.cat([x, y], dim1)) # 构造距离函数在边界处为 0 d x * (1 - x) * y * (1 - y) # 乘以距离函数强制实现零边界条件 return d * raw这段代码的关键在于d的计算方式。x和y是归一化到 ([0,1]) 的坐标所以x*(1-x)在 x0 和 x1 时都是 0y*(1-y)同理。两者相乘后四条边全部满足 Dirichlet 条件。如果边界值不是零可以在后面加上边界常数项比如return d * raw bc_value就变成非零边界。这种做法比在损失函数里加边界项更稳定因为网络永远不需要去“学习”边界上的值优化器只需要关注内部残差。对于核反应堆这种对边界通量精度要求高的场景建议优先采用 hardBC 版本。2.3 损失函数构造方程残差、边界残差与 k_eff 的耦合PINN 的中子学模拟不是简单的回归它要把物理方程“硬塞”进损失。以稳态扩散方程为例损失项通常包括三部分内部方程残差、边界残差、以及针对 k_eff 的额外约束。如果直接把 k_eff 当作可训练参数那么网络每更新一步k_eff 也随之变化训练过程容易震荡。常见做法是先把 k_eff 固定为一个初始猜测值训练若干轮后再更新。def compute_loss(model, x, y, D, Sigma_a, nuSigma_f, k_eff): x.requires_grad_(True) y.requires_grad_(True) phi model(x, y) # 自动微分求一阶和二阶导数 phi_x torch.autograd.grad(phi, x, grad_outputstorch.ones_like(phi), create_graphTrue)[0] phi_xx torch.autograd.grad(phi_x, x, grad_outputstorch.ones_like(phi_x), create_graphTrue)[0] phi_y torch.autograd.grad(phi, y, grad_outputstorch.ones_like(phi), create_graphTrue)[0] phi_yy torch.autograd.grad(phi_y, y, grad_outputstorch.ones_like(phi_y), create_graphTrue)[0] # 方程残差-D*(phi_xxphi_yy) Sigma_a*phi - (1/k)*nuSigma_f*phi residual -D * (phi_xx phi_yy) Sigma_a * phi - (1.0 / k_eff) * nuSigma_f * phi loss torch.mean(residual ** 2) return loss这里的create_graphTrue是为了保留二阶导的计算图让 loss 能继续反向传播。k_eff作为标量传入在训练循环里可以每 N 轮用当前网络解重新估计一次。实际上当方程本身不含外源项时裂变源项与吸收项之比就是 k_eff 的迭代值。有些脚本会单独写一个ReactorEffectiveMultiplicationFactor.py它的思路是在给定通量分布后用体积分计算产生率与吸收率的比值把神经网络解当作权函数这样比单纯训练更稳健。3. 运行 ReactorEffectiveMultiplicationFactor.py从文件清单到可复现实验3.1 先按文件名建立实验地图拿到压缩包后别急着跑先花十分钟把脚本归类。文件名里的关键词基本反映了实验变量hardBC代表硬边界条件InverseProblem代表反问题Parallel_MSearch代表并行参数搜索Single_MSearch代表单参数扫描。把它们之间的关系整理清楚后续调参就能直接瞄准目标。文件名前缀功能定位典型用途MultiDimDiffusionEquation3_3_1/3_3_2基础多维扩散方程求解验证方程离散与网络结构MultiDimDiffusionEquation3_3_3/3_3_4加入不同边界组合对比边界条件对精度的影响MultiDimDiffusionEquation3_3_5/3_3_6Single/Parallel 版本单工况或多工况参数扫描*_hardBC.py硬边界条件实现提升边界精度适合毕设展示*_InverseProblem.py反问题求解从通量分布反推材料参数ReactorEffectiveMultiplicationFactor.pyk_eff 计算深度学习预测有效增殖因子这个表是我按文件名语义推断的实际运行时以源码注释为准。但无论如何_hardBC版本和_InverseProblem版本是值得重点研究的因为它们不再是一般的 PDE 拟合而是把核工程里最关心的“算得准”和“反演参数”都覆盖到了。loss.dat、train.dat、test.dat是训练过程的输出文件分别记录损失下降、训练集指标和测试集误差是判断收敛的重要依据。3.2 环境准备与最小运行示例这类脚本通常基于 PyTorch 或 TensorFlow。如果是 PyTorch推荐用 Anaconda 创建独立环境避免和系统 Python 打架。conda create -n pinn python3.9 -y conda activate pinn pip install torch numpy matplotlib scipytorch用于神经网络搭建和自动微分numpy用来做数据读取和数值计算matplotlib用于绘制通量分布和损失曲线scipy可以在需要对比传统数值解时用。装完后先跑一个最基础的脚本验证安装python MultiDimDiffusionEquation3_3_1.py如果终端里能看到损失从初始值逐步下降并且在几千步后稳定在一个较低的数值说明环境没问题。如果报错优先检查 PyTorch 版本和 CUDA 是否可用。我遇到过最常见的问题是torch.autograd.grad在二阶导时因create_graphFalse报错或者运行目录不对导致找不到loss.dat所以建议所有脚本都在压缩包解压后的根目录下执行保持相对路径一致。3.3 从 train.dat 和 loss.dat 里读训练状态训练结束后loss.dat会逐行保存每个 epoch 的损失值。你可以用一段简洁的 Python 脚本读取并绘制曲线import numpy as np import matplotlib.pyplot as plt # 读取两列epoch 和 loss data np.loadtxt(loss.dat) epoch data[:, 0] loss data[:, 1] # 使用对数坐标因为物理损失常常横跨多个数量级 plt.semilogy(epoch, loss) plt.xlabel(epoch) plt.ylabel(loss) plt.title(PINN training loss) plt.savefig(loss_curve.png, dpi150)np.loadtxt要求文件列数一致如果loss.dat里还有额外信息比如 k_eff 的迭代值可以调整索引列。对数坐标很关键因为 PINN 的损失经常从 (10^{-2}) 掉到 (10^{-5})线性坐标会让人误以为后期没在下降。如果曲线出现平台期你可以去看train.dat里的预测通量误差判断是网络容量不够还是方程残差权重太低。4. 参数调优与 MSearch并行扫描背后的设计思路4.1 为什么需要 MSearch 而不是手工调参深度学习解 PDE 最麻烦的是超参数敏感。学习率、隐藏层数、激活函数、边界权重都会影响最终精度手工调参一轮可能要跑十几分钟效率极低。压缩包里带MSearch的文件实际上是把常用的候选参数组合写成了循环每个组合独立训练最后比较 loss 筛选最优解。Parallel_MSearch版本应该是用多进程或 GPU 并行加速这个扫描过程适合在服务器上批量跑。import itertools # 候选参数组合 grid { lr: [1e-3, 5e-4, 1e-4], n_hidden: [4, 8], n_layers: [3, 5] } best_loss float(inf) best_param None for lr, hidden, layers in itertools.product(grid[lr], grid[hidden], grid[layers]): model build_pinn(n_hiddenhidden, n_layerslayers) loss train(model, lrlr, epochs5000) if loss best_loss: best_loss loss best_param (lr, hidden, layers) print(best:, best_param, loss:, best_loss)itertools.product会穷举所有组合所以组合数等于各参数数量之积。这里 3×2×212 组实验如果每组 5000 轮单卡跑完可能要数小时。Parallel_MSearch的核心改进就是把这个循环拆成多个并发任务比如用 Python 的concurrent.futures.ProcessPoolExecutor分配不同参数到不同 CPU 核或 GPU。对课程设计而言跑完基本就能在报告里画一张“超参数搜索对比表”比单纯贴最终结果更有说服力。4.2 从 loss.dat 判断参数是否合适训练完成后不要只盯着最终 loss要看曲线的形状。学习率过大时 loss 会先快速下降然后震荡甚至发散学习率过小则下降得异常缓慢后期可能停留在一个较高的平台。针对核反应堆中子学问题我一般建议观察前 500 轮的 loss 曲线如果前 100 轮能下降两个数量级以上说明网络结构没问题后面只需要调整边界权重或迭代策略。如果某个组合的 loss 从一开始就卡在 (10^{-1}) 左右不动先检查方程残差的计算。常见问题有坐标归一化没做好导致距离函数在边界外的值失真或者自动微分时create_graph没有保留二阶导计算错误。另一个容易被忽略的点是 k_eff 的初始值。如果初始 k_eff 与实际值相差过大方程残差的量级会失衡模型会花很大力气去补偿这个错误。一个实用技巧是先用粗略的有限差分或经验值估算 k_eff 的初值再用 PINN 精修。4.3 Single 与 Parallel 版本分别解决什么问题Single_MSearch应该是在单个 GPU 上串行执行参数扫描适合代码调试和小规模实验。Parallel_MSearch版本则适合需要同时提交多个工况的场景比如要对比不同几何尺寸或不同材料截面下的通量分布。如果你在自己的机器上跑Parallel版本遇到 CPU 占用过高或显存溢出可以把并行数量调小或者干脆先跑Single版本把逻辑跑通再上多进程。在工程实践中我更喜欢用Parallel_MSearch_hardBC做批量实验因为硬边界能保证每个候选模型的边界精度一致最后比较内部残差才有意义。如果拿软边界模型做扫描边界误差会和内部误差混在一起选出“最优”参数也不代表方程求解最准。这一点在写毕业设计时可以重点说明评审老师会觉得你理解了边界处理与超参数扫描之间的关系。5. 把 PINN 中子学模型改成自己的实验逆问题与验证技巧压缩包里最容易被低估的是*_InverseProblem.py。这类脚本解决的是反问题已知中子通量分布反推材料参数如扩散系数或吸收截面。对于核工程应用这比正问题更有吸引力因为反应堆运行期间很难直接测量内部截面但可以通过探测器获得通量分布。利用 PINN 做反问题的做法并不复杂预测值和观测值的误差作为损失项同时保留方程残差作为物理约束。def inverse_loss(model, x, y, flux_observed, D_param): phi_pred model(x, y) # 数据拟合损失与观测通量对比 data_loss torch.mean((phi_pred - flux_observed) ** 2) # 方程残差损失把 D_param 当作可训练参数 residual -D_param * (phi_pred_xx phi_pred_yy) Sigma_a * phi_pred - source physics_loss torch.mean(residual ** 2) return data_loss physics_loss这里的D_param是设置为requires_gradTrue的变量训练时同时更新网络权重和D_param。如果你想改造成自己的问题只需要替换flux_observed的来源比如从实验数据文件读取或者用传统方法先算一组高精度解作为“伪观测值”。验证时可以用蒙特卡罗或有限差分解对比计算相对误差。我自己常做的一个验证是先用MultiDimDiffusionEquation3_3_6_Single_hardBC.py算出通量把它当作标准答案再用InverseProblem脚本反推回材料参数看能不能收敛到预设值。这样既不需要真实实验数据又能量化反演精度适合毕设复现。最后一类脚本是Differential-Order-Theory-in-Neutron-Transport/DiffTransport.py它探讨的是中子输运中的差分阶理论属于相对进阶的方向建议在跑通扩散方程后再研究。试验时可以只修改DiffTransport.py顶部的问题尺寸参数其余逻辑保持默认这能最快验证理论推导与数值实现是否一致。本文还有配套的精品资源点击获取