La respuesta dinámica del sistema de circuito secundario en plantas de propulsión nuclear es crítica para la producción de energía, la seguridad y la eficiencia energética de los barcos de propulsión nuclear. Los modelos de simulación termo-hidráulica de alta fidelidad pueden capturar con precisión las transiciones del sistema, pero son costosos en términos computacionales y no son adecuados para aplicaciones en tiempo real. Para abordar esta limitación, este estudio propone un método de predicción de parámetros dinámicos de orden reducido que integra simulación de alta fidelidad con aprendizaje profundo. Se desarrolla un modelo de simulación de múltiples condiciones de operación para el sistema de circuito secundario de un barco de propulsión nuclear típico con el fin de generar datos de series temporales que cubren el aumento de carga y el cambio de modo de propulsión. Basado en este conjunto de datos, se construye una red neuronal recurrente convencional (RNN) y una red de memoria a largo plazo y corto plazo (LSTM) de múltiples capas para la predicción autorregresiva multivariante de 17 parámetros dinámicos clave, y sus rendimientos se comparan sistemáticamente. Los resultados muestran que el LSTM supera significativamente al RNN en la captura de dependencias temporales a largo plazo, logrando valores promedio de RMSE y MAPE de 0.0228% y 0.365%, respectivamente. El modelo propuesto completa la predicción a 50 pasos por delante en 0.84 s, satisfaciendo los requisitos en tiempo real. El marco híbrido impulsado por simulación y por datos proporciona una solución práctica para el monitoreo inteligente y la optimización del control de los sistemas de propulsión de barcos nucleares.
Li et al. (Jue,) estudiaron esta cuestión.