519.6 Суррогатная модель смешения неизотермических потоков на основе результатов трехмерного численного моделирования
Минин С. В. (Научно-технологический университет "Сириус"), Королева А. П. (Научно-технологический университет "Сириус"), Шевченко Ю. А. (Научно-технологический университет "Сириус"), Шлыкова А. О. (Научно-технологический университет "Сириус")
МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ, СУРРОГАТНАЯ МОДЕЛЬ, НЕЙРОННЫЕ СЕТИ, НЕИЗОТЕРМИЧЕСКОЕ СМЕШИВАНИЕ ПОТОКОВ
doi: 10.18698/2309-3684-2026-2-4465
Применение классических подходов к моделированию сложных процессов движения жидкостей в технических системах сопровождается значительными вычислительными затратами, что ограничивает их использование в задачах оптимизации и многократных параметрических расчетов. Одним из эффективных инструментом снижения вычислительной сложности при решении задач является суррогатное моделирование. В данной работе предложена методика построения суррогатных моделей сложных гидродинамических процессов на основе данных численного моделирования. В качестве исследуемого объекта рассмотрен тройниковый узел смешения неизотермических потоков. Для аппроксимации использована нейронная сеть с радиально-базисными функциями (RBF). Обучающая выборка сформирована на основе результатов трехмерного численного моделирования в отечественном программном комплексе «Логос», подтвержденных экспериментальными данными. Проведён анализ влияния гиперпараметров RBF-модели и объёма исходной выборки на точность предсказаний. Сопоставление результатов суррогатного и численного моделирования показало высокую степень соответствия (средняя абсолютная ошибка менее 5% для скорости и для температуры), что подтверждает эффективность предложенной методики. Полученные результаты демонстрируют перспективность её применения для ускорения инженерных расчётов и возможность интеграции в отечественные программные комплексы системного 1D моделирования, что особенно актуально в контексте развития технологий цифровых двойников и импортонезависимых инженерных решений.
[1] Аркадов Г.В., Жукавин А.П., Крошилин А.Е., Паршиков И.А., Соловьев С.Л., Шишов А.В. Виртуально-цифровая АЭС – современный инструмент поддержки жизненного цикла атомных энергоблоков с ВВЭР. Теплоэнергетика, 2014, т. 61, № 10. c. 3-11.
[2] Гололобов С.М., Дружаев А.А., Семенов А.А., Чернаков В.А. Возможности по применению программно-технического комплекса «Виртуально-цифровая АЭС с ВВЭР» для обеспечения безопасности эксплуатации АЭС. 13-й Междунар. науч.-практ. конф. по атомной энергетике «Безопасность, эффективность, ресурс». Тезисы доклада на конференции, Севастополь, 3–6 октября 2017, c. 19–20.
[3] Petruzzi, Alessandro, D′Auria, Francesco. Thermal-hydraulic system codes in nulcear reactor safety and qualification procedures. Science and Technology of Nuclear Installations, 2008, art. 460795, p. 16.
[4] Forrester A.I.J., Sobester A., Keane A.J. Engineering design via surrogate modelling: A practical guide. Chichester, Wiley, 2008, 210 p.
[5] Корнев А.В., Козелков А.С. Применение отечественных суперкомпьютерных технологий для создания перспективных образцов авиационной техники. Современные информационные технологии и ИТ-образовании, 2021, т. 17, № 2, c. 250-264.
[6] Jun Yang, Xi Sui, Yanping Huang, Ling Zhao, Minyun Liu, Assessment of reactor flow field prediction based on deep learning and model reduction. Annals of Nuclear Energy, 2022, vol. 179, art. 109367.
[7] Palmi K., Kubinski W., Darnowski P. Prediction of the evolution of the nuclear reactor core parameters using artificial neural network. Annals of Nuclear Energy, 2025, vol. 211, art. 110891.
[8] Коновалов И.А., Соколов А.Н., Баринов А.А., Зырянова Т.К. Разработка методики построения суррогатных моделей оборудования на примере модели гидравлики устройства газоудаления. Теплоэнергетика, 2023, № 2, с. 71–77.
[9] Asouti V., Kontou M., Giannakoglou K. Radial Basis function surrogates for uncertainty quantification and aerodynamic shape optimization under uncertainties. Fluids, 2023, vol. 8, № 11, art. 292.
[10] Gagliardi F., Giannakoglou K.C. A two–step radial basis function-based CFD mesh displacement tool. Advances in Engineering Software, 2019, vol. 128, pp. 86–97.
[11] Roshani G.H., Nazemi E., Shama F., Imani M. Designing a simple radiometric system to predict void fraction percentage independent of flow pattern using radial basis function. Metrology and Measurement Systems, 2018, vol. 25, № 2, pp. 347-358.
[12] Xu K., Wang G., Zhang L., Wang L. Multi-objective optimization of jet pump based on RBF neural network model. Journal of Marine Science and Engineering, 2021, vol. 9, № 2, art. 236.
[13] Yang C., Yang J., Qin Y. Research on comparative of multi-surrogate models to optimize complex truss structures. KSCE Journal of Civil Engineering, 2024, vol. 28, № 6, pp. 2268–2278.
[14] De Gooijer B.M., Havinga J., Geijselaers H. J. M., Van den Boogaard A. H. Radial basis function interpolation of fields resulting from nonlinear simulations. Engineering with Computers, 2024, vol. 40, № 1, pp. 129–145.
[15] Флетчер К. Вычислительные методы в динамике жидкостей. Т.1. Основные положения и общие методы. Москва, Мир, 1991, 504 c.
[16] Patankar, S. V. Numerical heat transfer and fluid flow. Washington, Hemisphere, 1980, Chapter 6.4 «The Pressure-Correction Equation», pp. 126-131.
[17] Igarashi M., Tanaka M., Kawashima S., Kamide H. Experimental study on fluid mixing for evaluation of thermal striping in T-pipe junction. 10th International Conference on Nuclear Engineering: Proceesing, USA, Arlington, April 14–18, 2002, pp. 383–390.
Минин С.В, Королева А.П., Шевченко Ю.А., Шлыкова А.О. Суррогатная модель смешения неизотермических потоков на основе результатов трехмерного численного моделирования. Математическое моделирование и численные методы, 2026, № 2, с. 44–65.
Результаты получены при финансовой поддержке, реализуемой в рамках государственной программы федеральной территории «Сириус» «Научно-технологическое развитие федеральной территории «Сириус» (Соглашение №18-03 от 10.09.2024).
Скачать статью
Количество скачиваний: 3