AP1000典型燃料组件物理特性初步分析

AP1000堆芯首循环装料采用5种富集度的组件,使用IFBA、WABA可燃毒物,且部分组件两端设有轴向再生区,堆芯布置复杂。本文采用SCALE程序系统中三维蒙特卡罗输运程序KENO及二维离散纵标程序NEWT,进行了典型燃料组件的栅格物理计算。研究了深燃耗下不同富集度栅元、燃料组件无限增殖因子(kinf)及主要可燃耗核素核子密度随燃耗的变化规律,得到了AP1000典型燃料组件深燃耗物理特性。

基于神经网络的球床堆在线核材料衡算方法

10 MW高温气冷实验堆在线测量系统可通过γ谱数据分析测得部分核素的活度,这些核素不包含绝大部分超铀元素同位素。出于核安保的需要,为确定超铀元素同位素的活度,提出一种基于深度学习的超铀元素含量计算方法。该方法采用引入反向误差传播的深度神经网络模型,以易测核素活度为输入,输出不易测核素活度。采用反应堆核素生成和耗减程序跟踪10 MW高温气冷实验堆的运行功率历史,产生核素活度数据样本,对神经网络模型进行训练和测试。研究结果表明:深度神经网络估算核素含量具有较高的准确性,在球床式高温气冷堆辐照后燃料中超铀元素在线估算方面具有较大发展潜力。