针对深度学习求解物理场方程时存在的算法不可解释性，训练模型时所需数据量大、训练时间长，且不能随意修改模型边界条件等问题，本文设计了一个可用于实时计算棒束通道内流速分布的循环神经网络（recurrent neural network,RNN）。该算法以RNN作为基本结构，利用多松弛时间-格子玻尔兹曼方法（multiple relaxation time-lattice Boltzmann method,MRT-LBM）构造RNN的计算单元，利用浸入法和特征线法确定神经元的结构和数量，并利用顶盖驱动流模型、5×5棒束通道仿真计算和PIV测量结果验证算法的有效性。计算结果表明，RNN在计算上述两个模型的无量纲化流速分布时，与MRT-LBM和商业CFD软件相比，残差约为0.1，残差较模型入口处的流速小1个数量级。RNN在计算棒束通道截面的无量纲化流速时，消耗的计算时间约为0.005～0.03 s，仅为MRT-LBM的1/6～1/3，且计算结果基本与PIV的测量结果相符合。同时RNN所有的计算过程都有物理方程对应，因此RNN可以在保证计算精度的前提下极大提升计算速度，且具有可解释性。RNN可为反应堆数字孪生系统提供实时模拟流动参数的计算方法，进一步提升数字孪生系统对现实环境的模拟能力。
