La rápida reconstrucción del campo de flujo interno dentro del equipo de recipientes a presión, basada en características de puntos de detección limitados, fue de gran valor para el monitoreo en línea y la construcción de un gemelo digital. Este artículo propuso un modelo sustituto que combinaba la Descomposición Ortogonal Propia (POD) con el aprendizaje profundo para capturar la relación de mapeo dinámica entre la información de los puntos de monitoreo de sensores y el estado global del campo de flujo durante la operación del equipo, lo que permite la rápida reconstrucción del campo de temperatura y del campo de velocidad. Usando POD, el orden del campo de temperatura probado se redujo en un 99.75%, y el orden del campo de velocidad se redujo en un 99.13%, disminuyendo efectivamente la dimensionalidad del campo de flujo. Nuestro análisis reveló que el primer coeficiente modal de los datos de instantáneas del campo de temperatura, después de la descomposición modal, tenía una proporción de energía más alta en comparación con la de los datos de instantáneas del campo de velocidad, junto con un efecto marginal más pronunciado. Esto indica que se necesitan retener más modos para el campo de velocidad para lograr una mayor proporción de energía total. Al construir un modelo CSSA-BP para representar la relación de mapeo entre los coeficientes modales de los campos de temperatura y velocidad y los datos recolectados de los puntos de detección, se realizó una comparación con el método BP en la reconstrucción del campo de temperatura de un intercambiador de calor de carcasa y tubos. El método CSSA-BP obtuvo un error cuadrático medio (MSE) máximo de 9.84 para el campo de temperatura reconstruido, con un error absoluto medio (MAE) máximo de 1.85. Para el campo de velocidad, el MSE máximo fue de 0.0135 y el MAE máximo fue de 0.0728. Los errores máximos globales para el campo de temperatura reconstruido fueron del 4.85%, 3.65% y 4.29%, respectivamente. Los errores máximos globales para el campo de velocidad reconstruido fueron del 17.72%, 11.30% y 16.79%, lo que indica que el modelo establecido en este estudio tiene alta precisión. Los métodos de simulación CFD convencionales requieren varias horas, mientras que el modelo de reconstrucción propuesto aquí puede reconstruir rápidamente el campo de flujo en 1 minuto después de que se completa el entrenamiento, reduciendo significativamente el tiempo de reconstrucción. Este trabajo proporciona un nuevo método para obtener rápidamente el estado del campo de flujo interno del equipo de recipientes a presión bajo puntos de detección limitados, ofreciendo una referencia para el monitoreo en línea y el desarrollo de gemelos digitales para el equipo de recipientes a presión.