一、一改幾何，仿真重啟：設計的“連鎖反應”

在核能工程領域，反應堆作為核心設備，其堆芯溫度場和流場的分布直接影響著運行安全與熱工效率。為優化冷卻劑流動特性與換熱效果，工程師通常在堆芯構件中設計不同形式的通流孔道。這些孔道雖小，卻是冷卻劑的流動路徑，也是熱量帶走的通道。其孔徑大小、分布密度、排列方式及幾何形狀，均會顯著影響反應堆內部的流動傳熱行為：孔徑的微小放大可能導致流量顯著增加；孔位的少許偏移或許引發溫度分布的全局變化。為探尋最優的流動傳熱組合，工程師往往需要在堆芯構件上嘗試幾十種通流孔道的排布方案。然而，在傳統仿真流程中，每一次看似微小的幾何調整，都意味著重新建模、重新畫網格、重新設置邊界條件，再等上數小時甚至數天的求解計算，從而引發一場“連鎖反應”。設計團隊的節奏，便在這種反復的“等待”中被打亂。方案越多，等待越長；改動越細，效率越低。

二、讓仿真學會”經驗“：Smart-SIM的解決之道

面對這一困境，Smart-SIM智能快速預測工具以某型反應堆堆芯為對象，構建了一套能夠“讀懂幾何變化”的智能模型。Smart-SIM的工作機制與人學習經驗的過程頗為相似：它從歷史仿真數據中反復觀察學習通流孔道的幾何特征（如孔徑大小、疏密分布、排列方式）與最終溫度場、流場結果之間的關聯規律。當新的通流孔道方案提出時，它無需重新執行完整的求解流程，而是基于已習得的經驗，在數秒內直接輸出高精度預測結果。

圖 1 某種分布的通流孔道產生的整堆流速分布（上圖：仿真結果；下圖：AI預測結果）

為驗證該方法的可行性，我們構建了一組包含200個樣本的數據集，其中180個用于模型訓練，其余用于測試。這些樣本涵蓋了不同孔徑、不同密度、不同排列方式的堆芯構型，有限元模型的節點規模在46,000至63,000之間。模型訓練在單張NVIDIA RTX 3090 24GB顯卡上完成。測試結果顯示：單次全場流速預測平均耗時僅1秒。更關鍵的是在精度上，流速場峰值結果的相對誤差控制在3%以內，如圖1所示。當通流孔道的位置發生變化后，Smart-SIM仍能保持較高的預測精度，如圖2所示。這意味著，在獲得數百倍效率提升的同時，預測結果依然保持了良好的工程參考價值。

圖 2 另一種分布的通流孔道產生的整堆流速分布（左圖：仿真結果；右圖：AI預測結果）

為驗證該方法的可行性，我們構建了一組包含200個樣本的數據集，其中180個用于模型訓練，其余用于測試。這些樣本涵蓋了不同孔徑、不同密度、不同排列方式的堆芯構型，有限元模型的節點規模在46,000至63,000之間。模型訓練在單張NVIDIA RTX 3090 24GB顯卡上完成。測試結果顯示：單次全場流速預測平均耗時僅1秒。更關鍵的是在精度上，流速場峰值結果的相對誤差控制在3%以內，如圖1所示。當通流孔道的位置發生變化后，Smart-SIM仍能保持較高的預測精度，如圖2所示。這意味著，在獲得數百倍效率提升的同時，預測結果依然保持了良好的工程參考價值。

三、幾何適應，輸入簡化：為什么Smart-SIM能做到

過去，受限于仿真周期，工程師往往只能從有限的幾種通流孔道方案中進行權衡選擇。如今，借助Smart-SIM，數十種乃至上百種孔道組合方案均可在極短時間內完成評估。無論是孔徑調整、排布方式變化還是疏密成都變化，何種方案能實現更均勻的流速分布、更小的流動壓損，均可通過數據直觀呈現。設計團隊終于可以從“懼怕調整”變成“敢于調整”，從“優先選擇”邁向“從容優化”將更多寶貴精力回歸設計本身。

回過頭看，Smart-SIM之所以能做到這一點，歸根結底是抓住了兩個關鍵：一是對幾何變化的強大適應能力。無論通流孔道的孔徑放大還是縮小，孔位加密還是減疏，只要幾何特征落在訓練樣本的覆蓋范圍內，模型即可快速響應。工程師不再需要為每一個微小改動重復整個仿真流程。二是Smart-sIM大幅簡化了對參數輸入的依賴。傳統仿真中那些繁瑣的邊界條件設置、物理參數調試，在此被大幅精簡。算法自動從幾何特征中推斷規律，使得工程師得以專注于設計方案的創新與優化。

設計的過程，本質上是一個不斷試錯、不斷調整、不斷優化的演進路徑。好的設計，往往不是在一條路上走到黑，而是在無數個岔路口都停下來看一看——如果這里改一點，結果會怎樣？如果那里動一下，能不能更好？但過去，這種“停下來看一看”的代價太高了。每一次岔路，都意味著數小時的仿真等待。于是，很多值得一試的想法，還沒來得及看，就被時間成本擋在了門外。

Smart-SIM致力于改變這一現狀，讓仿真學會“隨變而應”——無論通流孔道如何改變，只要幾何特征在其認知范圍內，就能在數秒內給出結果。這意味著，每一個“如果這樣改”的設想，都能快速轉化為“原來是這樣”的清晰答案，讓設計不再是“怕變、少變、不敢變”，而是“敢試、敢調、敢優化”。

讓每一次幾何變化，都能被看見；讓每一次設計調整，都能被驗證。