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。