核反应堆计算流体力学程序YH-ACT关键技术研究及开发

燃料组件定位格架搅混翼不同设计方案对其流动传热特性影响较大,而采用实验方法分析对比各设计方案面临实验成本高及测量难度大的问题,计算流体力学(CFD)方法则在方案选择及优化方面逐渐被使用。本文通过机理验证算例及实验数据开展对自主研发的CFD程序YH-ACT的初步验证,为其应用到反应堆设计的方案选择与优化提供基础,主要利用ANSYS CFD程序验证算例对YH-ACT程序的理论模型及数值算法进行验证;利用经济合作组织/核能机构(OECD/NEA)的CFD验证基准题实验数据对YH-ACT程序复杂流动下的湍流模拟准确性和可靠性进行了初步验证。结果表明YH-ACT程序在与二者的对比中均符合良好,证明了YH-ACT程序的准确性和可靠性。

深度学习方法求解中子输运方程的微分变阶理论

中子输运方程是核反应堆物理分析计算的基本方程,针对深度学习技术求解输运方程因定积分项带来的困难,本文提出了微分变阶理论:将输运方程定积分项变换为对应的原函数,其他部分的角通量密度项表示为原函数高阶微分形式,从而将具有微积分形式的输运方程转换为纯粹的高阶微分方程;给出了变换后的原函数定解约束条件,以及对应的边界条件形式;构造了由原函数方程、边界条件、原函数定解、特征值约束共同形成的加权损失函数,利用深度学习使得神经网络逼近原函数;通过将原函数求导进行微分降阶,最终得到原输运方程角通量密度的数值解。针对多个平板、球几何例题进行了数值验证,获得了具有连续性特点的计算结果,证明了本文理论及相关方法的正确性,从而为中子输运方程的数值求解方法探索新的技术途径。

核反应堆有效增殖系数深度学习直接搜索求解方法

求解有效增殖系数(k_(eff))是核反应堆临界计算的基本问题,目前业界普遍采用源迭代方法进行求解。本文基于人工智能深度学习方法求解微分方程的基础理论,提出将k_(eff)与神经网络各神经元权重共同作为机器学习优化参数,针对将神经网络函数代入中子学微分方程形成的加权损失函数进行深度学习计算,同时进行中子注量率逼近与k_(eff)直接搜索求解的新方法。讨论了中子学微分方程特征值数理形式、初始神经网络设定方法、损失函数加权因子、收敛准则等影响深度学习性能的重要因素及相应的性能提升策略;通过多种算例的数值计算验证了该方法的正确性,以及学习性能提升策略的有效性。研究成果为核反应堆求解k_(eff)这一中子学物理重要科学问题探索出了一条新的技术途径。

基于PINN深度机器学习技术求解多维中子学扩散方程

阐述了基于物理信息指引的神经网络模型(PINN),构造深度神经网络作为试函数,将其代入中子学扩散方程形成残差,并作为机器学习的加权损失函数,进而通过深度机器学习技术逼近中子学扩散方程数值解;针对扩散方程的特点,提出了特征值方程加速收敛方法、有效增殖系数(k_(eff))高效并行搜索技术、学习样本网格点不均匀分布策略等创新性关键技术,并对神经网络深度、神经元数量、边界条件损失函数权重等关键参数进行了敏感性分析。验证计算结果表明,该方法具有良好的精度,提出的关键技术具有显著的成效,为中子学扩散方程的数值求解探索出了新的技术途径。

基于并行框架的KYLIN-Ⅱ程序输运模块并行开发

KYLIN-Ⅱ程序的输运计算模块采用了特征线(MOC)中子输运计算方法,其计算精度较高,但计算效率较低,因此需要对其进行并行优化,以提高计算效率。本文基于并行框架进行并行编程,重新设计了输运模块底层数据结构,将网格标通量、通量矩、粗网格净中子流等数据注册到并行框架上,并重新组装了输运模块计算流程,实现了对输运模块的并行重构,提高了程序的计算效率,解决了直接开发并行软件时开发要求高、开发周期长等问题。通过基准题验证表明,本文的并行优化计算精度与原程序基本一致,加速效果较好,在190个核上的并行效率可达74%。