一种结合机器学习的多尺度框架,用于研究核热推进中的氢传输特性

《Annals of Nuclear Energy》:A multi-scale framework with machine learning for hydrogen transport properties in nuclear thermal propulsion

【字体: 大 中 小 】 时间:2026年03月29日 来源:Annals of Nuclear Energy 2.3

编辑推荐:

  氢在极端温度下的热物理性质预测与核热推进系统优化。本研究开发多尺度计算框架,结合机器学习生成氢分子间作用势基准数据,构建简化的通用Lennard-Jones势模型,实现1000-3000K范围内碰撞积分高效计算,并通过输运模型预测部分解离氢的粘度和热导率。该方法显著提升核热推进系统设计效率,突破传统经验模型的局限。

  
李凯|张昊春|周子阳|游尔生
哈尔滨工业大学能源科学与工程学院,中国150001

摘要

准确预测氢在极端温度下的热物理性质对于核热推进(NTP)系统的发展至关重要。然而,现有的经验模型和数据库缺乏关于解离态的数据,在2500 K以上时变得越来越不可靠,因为此时解离反应占主导地位。为了解决这个问题,我们开发了一个多尺度计算框架,该框架整合了相互作用势能计算和机器学习。该框架首先为H–H、H–H2和H2–H2系统生成了基准相互作用能数据集,以建立物理准确性。考虑到NTP系统设计中对计算效率的工程要求,我们随后引入了一个基于DNN预测的广义Lennard-Jones解析势参数。这种实用的简化方法保留了相互作用势能计算中的基本物理原理,同时实现了在整个操作温度范围(1000–3000 K)内快速计算碰撞积分。最后,这些从头算得到的碰撞积分被纳入传输模型中,用于预测热力学平衡状态下部分解离氢的粘度和热导率。预测结果与标准数据库非常吻合,特别是在与NTP操作相关的高压条件下。这项工作表明,基于DNN的方法为预测极端条件下的性质提供了范式转变,成功克服了传统经验方法的局限性。该框架提供了可靠的热物理数据和高效的计算工具集,从而能够实现未来NTP发动机的高保真设计和优化。

引言

主要的空间探索国家正在积极推进深空探索,以在宇宙起源、系外行星和火星任务等前沿领域取得突破(Wu等人,2023年)。与传统化学推进相比,太空核动力在这些任务中具有显著优势,包括更高的能量密度、推进效率、任务适应性和环境兼容性。由于这些优越的性能,核动力被认为是将深空任务从可行性提升到高效率的关键使能技术。
核热推进(NTP)通过使用核反应堆加热推进剂,然后通过喷嘴膨胀高温高压流体来产生推力(Thomas,2024年)。作为一种可行的深空探索推进技术,NTP提供了高推力、高比冲(超过900 s,而传统化学推进约为450 s)和长操作时间(Gabrielli和Herdrich,2015年)。凭借数十千牛的推力水平,NTP可以显著减少行星间旅行时间和发射质量(Qi等人,2023年)。核热火箭在传输时间、推进系统质量和推进剂消耗方面具有优势,这些优势很好地符合载人太空任务的要求。这项技术可以将地球到火星的转移时间缩短约40至70天(Maydan和Nabity,2024年)。NTP发动机的性能极限由其热力学循环效率决定,而这一效率的准确计算和优化在很大程度上依赖于推进剂在极端条件下的高精度和可靠热物理性质。
选择NTP推进剂需要全面评估其比冲、储存密度、热稳定性、安全性和任务兼容性。目前,由于氢的低分子量,它被广泛采用,这使得氢具有高比冲(Gabrielli和Herdrich,2015年;Aueron等人,2019年;Boretti,2025年;Li等人,2025年;Thomas等人,2025年;Chandra等人,2025年)。NTP反应堆的核心温度可以超过2000 K,在这种条件下,氢的行为显著偏离理想气体行为,并发生剧烈解离,如图1所示。在这种极端条件下,传统的理想气体模型和经验相关性变得不充分(Lu等人,2025年;Woolley,1955年)。准确表征高温氢的性质对于NTP至关重要,因为解离行为、量子传输效应和超临界相变在极端条件直接影响比冲、燃料元件的热安全裕度和轻量化系统设计。
然而,广泛使用的经验模型和数据库在NTP操作典型的极端温度下提供的准确性有限(Lu等人,2025年;Woolley,1955年)。Vanderslice等人(Vanderslice等人,1962年)进行了理论计算,提供了氢在解离态下的关键热物理性质。在此基础上,Fang等人(Fang等人,2021年;Fang等人,2022年)开发了一种一维稳态分析代码,其中包含了解离反应和实际气体的热物理性质,以支持NTP设计。
碰撞积分是微观分子相互作用与宏观传输性质之间的关键纽带,能够准确预测气体行为(Ding等人,2024年)。然而,计算这些积分在计算上非常昂贵,当前的研究通常依赖于拟合稀疏的离散数据点——尤其是在高温下,数据稀缺导致较大的不确定性和外推误差。因此,在整个温度范围内实现高精度的碰撞积分仍然是一个主要挑战。
这些积分的计算从根本上依赖于对相互作用势的准确描述,这是连接微观力和宏观平均性质的物理核心(Perko和Xantheas,2025年;Ding和Liu,2025年)。相互作用势能计算可以产生准确的势能表面,但需要大量的计算资源(Cybulski和Toczylowski,1999年;Behler,2015年;Raff等人,2005年)。最近,机器学习方法,特别是神经网络,在拟合高维和复杂非线性函数方面表现出强大的能力,为构建可靠的相互作用势提供了有效的替代方案(Behler和Parrinello,2007年;Unke等人,2020年;Perepu等人,2023年)。
为了应对这些挑战,本研究采用高精度计算生成了氢系统的基准数据集。然后训练一个神经网络模型,以高效准确地学习和预测各种分子配置的分子间相互作用能量。从这个模型中推导出一个广义解析势函数,用于计算广泛的温度范围内的碰撞积分,最终能够准确预测与NTP相关条件下的高温氢传输性质。

部分内容片段

获取相互作用势能

普通分辨率身份近似(ORCA)提供了准确的计算模型,用于预测小到中等大小分子的能量和结构,阐明了量子力学与分子结构之间的关系(Schlegel,2025年)。这些方法避免依赖于具有预定义功能形式的经验或半经验模型,而是直接求解薛定谔方程。在本研究中,使用了ORCA软件来计算相互作用势

获取神经网络的势函数

对于H–H2和H2–H2系统的gLJ势的成功参数化证明了我们工程导向方法的可行性。与参考数据的出色一致性证实了简化势保留了准确传输性质预测所需的基本物理原理,而其解析形式实现了NTP系统优化所需的高效计算。
分子配置的空间采样使用了Sobol序列进行

结论

我们的方法基于已建立的工程方法,该方法同样采用了势能平均技术来实现解离氢的传输性质的实际计算。本研究成功建立了一个计算效率高且精度高的框架,用于预测高温氢的传输性质,特别是在与NTP相关的极端条件下。主要结论总结如下:
  • (1)
    深度神经网络(DNN)
  • CRediT作者贡献声明

    李凯:概念化、形式分析、研究、方法论、软件、撰写——原始草稿。张昊春:概念化、资金获取、监督。周子阳:数据管理、形式分析。游尔生:数据管理、方法论、资源。

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能会影响本文报告的工作。

    致谢

    作者衷心感谢先进核能技术国家重点实验室(JKJJ-0124+0502-02)提供的支持。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号