本技术公开一种在役设备损伤断裂分析的高通量近场动力学数值仿真方法,使用神经网络进行辅助求解来提高模型求解效率,结合近场动力学基本理论、高通量计算方法以及数据驱动模型开展研究,建立核反应堆系统在役设备近场动力学损伤断裂分析计算模型,发展近场动力学损伤断裂求解高通量方法,获取海量数据,建立基于神经网络的数据驱动模型。本发明可以大幅度提高压力容器弹塑性近场动力学模型求解效率。
背景技术
核反应堆压力容器(RPV)作为核电站中的关键设备,其结构完整性对核电站的安全运行至关重要。然而,压力容器在长期服役过程中,常面临高温、高压、高辐照等严酷环境,这些因素会导致材料的机械性能劣化,并可能诱发裂纹等缺陷。随着时间的推移,裂纹的萌生、扩展与交汇可能导致设备的失效,威胁系统的安全运行。
传统的裂纹分析方法主要依赖于有限元法(FEM),其在单一裂纹问题中可以取得较为准确的结果。然而,当面临多裂纹、多工况的复杂情况时,有限元法的网格划分及边界条件处理变得异常复杂,导致计算效率低下,难以满足实时监测与评估的需求。因此,亟需一种能够高效模拟在役设备损伤断裂行为的数值仿真方法。
近场动力学(PD)作为一种无网格数值方法,能够有效克服传统有限元法在大变形和裂纹扩展问题中的局限性。其通过非局部相互作用模型,描述了材料内任意两点之间的相互作用关系,能够自然处理裂纹的萌生、扩展与交汇过程。结合高通量仿真技术和机器学习模型,可以实现对在役设备多裂纹损伤断裂行为的快速预测与离线评估。
实现思路