Neues Hybridmodell kombiniert PINNs und FDM für schnelle Kernkraftwerks‑Simulationen

In einer kürzlich veröffentlichten Studie wurde ein innovatives Hybridverfahren vorgestellt, das Parameterized Physics‑Informed Neural Networks (PINNs) mit der Finite‑Difference‑Method (FDM) verbindet. Das Ziel ist es, die Simulation von Kernkraftwerks‑Sicherheitsanalysen deutlich zu beschleunigen, ohne dabei die Genauigkeit zu verlieren.

Der Kern des Ansatzes ist der Parameterized Node‑Assigned PINN (NA‑PINN), der die Differenz des Wasserstandes, die Anfangsgeschwindigkeit und die Zeit als Eingaben nutzt. Durch das Lernen einer Lösungsmannigel kann ein einziges, einmal trainiertes Netzwerk als datenfreier Surrogat für die Impulserhaltungsgleichung aller Strömungspfade dienen – ohne dass bei jeder Änderung der Problemparameter ein neues Training erforderlich ist.

Der NA‑PINN wird mit einem FDM‑Solver gekoppelt, der die Massen­erhaltungsgleichung in jedem Zeitschritt exakt löst. Dadurch wird die iterative, nichtlineare Lösung des Impuls­gleichungs­systems durch einen einzigen Vorwärtspass ersetzt, während die diskrete Massen­erhaltung garantiert bleibt.

Eine Validierung an einem Szenario mit sechs Tanks, das durch Schwerkraft abfließt, zeigte beeindruckende Ergebnisse: Der mittlere absolute Fehler des Wasserstandes lag bei 7,85 × 10⁻⁵ m, während der Fehler der Geschwindigkeit 3,21 × 10⁻³ m/s betrug – bei einer Zeitschrittgröße von Δt = 1,0 s.

Durch die Kombination von PINNs und FDM ermöglicht das P2F‑Verfahren eine erhebliche Reduktion der Rechenzeit für wiederholte Simulationen. Dies eröffnet neue Möglichkeiten für parametrierte Studien und die Quantifizierung von Unsicherheiten in der Kernkraftwerks‑Sicherheit, ohne dass umfangreiche Simulationsdaten erforderlich sind.