增材制造使先进反应堆几何形状的制造成为可能，从而允许更大、更复杂的设计空间。在这些空间内确定有前景的配置对当前的方法提出了重大挑战。此外，反应器几何形状的现有参数化是低维的，需要昂贵的优化，限制了更复杂的解决方案。为了应对这一挑战，来自帝国理工大学的Ehecatl Antonio del Rio Chanona等人开发了一种机器学习辅助的新化学反应器设计方法，结合了高维参数化、计算流体动力学和多保真度贝叶斯优化的应用。

文章要点：

1) 该研究将螺旋反应器中混合增强涡流结构的发展与性能联系起来，并使用这一方法来确定优化设计的关键特征，通过运用流体动力学原理，该研究合理化了设计特征的选择，与传统设计相比，实验塞流性能提高了约60%；

2) 此外，该研究的研究结果表明，将先进的制造技术与“增强智能”方法相结合，可以产生性能增强的反应堆设计。

参考资料：

Savage, T., Basha, N., McDonough, J. et al. Machine learning-assisted discovery of flow reactor designs. Nat Chem Eng 1, 522–531 (2024).

10.1038/s44286-024-00099-1

https://doi.org/10.1038/s44286-024-00099-1