Elman神经网络在中子解谱中的应用

人工神经网络由于其优良的自我调节能力及学习能力,已经被广泛地应用在各领域的非线性分析中.在中国锦屏极深地下实验室(CJPL)中的低本底液闪中子探测器一直在记录着中子的本底数据,探测器输出的能谱实际上是核反冲能谱,与输入能谱可一一对应,并随着输入能谱的改变而发生改变;因此可以将探测器输出信号输入到训练过的神经网络中判断输入能谱.本论文采用的神经网络为Elman神经网络,训练神经网络采用的数据为Geant4模拟所得.将实验获取的核反冲能谱输入到训练过的神经网路进行反解,最后Elman网络反解出的Am-Be中子源能谱与真实谱误差在0.1%~11.8%,反解出的252Cf中子源能谱与真实谱误差在0.1%~8.9%.

涂硼电离室中子灵敏度计算与验证

假设α粒子或Li离子探测器效率相同时,α粒子或Li离子对探测器输出电流相同,计算了10B丰度为90%,硼面密度为0.8mg/cm2,涂硼面积为2760cm2,电离室中子灵敏度为5.25×10-13A/(n·cm-2·s-1)。采用10B丰度为90%的硼粉制作了面密度为0.8mg/cm2的电极管,将其组装为电离室样件,工作气体介质为P10气体;在线性中子源上测试了工作气体压力为0.025MPa^0.3MPa,电离室样件的中子灵敏度,结果表明:气体压力达到0.16MPa时,电离室样件的输出电流饱和,硼层中出射粒子的能量完全沉积到工作气体中,此时的中子灵敏度为4.01×10-13A/(n·cm-2·s-1),试验结果与理论结果偏差约为25%左右。

过盈量和连接长度对探测器接头连接质量的影响

某气体电离探测器顶部为钢铝异种材料连接的接头,提出了一种利用钢铝热膨胀系数差异来实现探测器接头连接的方法。为研究接头的质量,以接头的强度和气密性作为评价要素,利用材料屈服强度和极限抗拉强度两个性能参数,建立材料塑性应变强化的本构模型,运用有限元方法对接头的连接和拉脱过程进行数值模拟;通过分析接头接触表面上接触压力的分布情况,确定了以接触表面上高应力环带上的最小接触压力作为接头气密性的评价准则、以最大拉脱力作为接头强度的评价准则,并以此研究了过盈量和连接长度对探测器接头强度和气密性的影响。结果表明,适当增大过盈量可以提高接头的气密性,但过盈量过大将导致接头强度下降;连接长度对接头强度有影响,两者基本呈线性递增关系。

燃料组件池边检查水上工作平台受力分析

针对秦山核电方家山2号机组出堆燃料组件相关检查要求,设计池边水上工作平台用于对燃料组件进行水下拆解、转移以及毒物棒的长度测量等工作。为保证平台工作的可靠性,首先基于有限元方法,对水上工作平台在安装、检查阶段的不同承力部位进行受力分析。结果表明,本文设计的水上工作平台在受到重力及外部偏心载荷作用下,能充分满足强度要求。最后,通过在方家山2号机组对整机进行安装以及功能试验,验证该水上工作平台充分满足安装及使用要求。