AP1000堆芯物理计算中核数据对k_(eff)的敏感性与不确定性分析

核数据作为反应堆计算的输入参数,其不确定性对堆芯物理计算至关重要。以第3代先进压水堆AP1000首循环零功率堆芯为研究对象,采用SCALE6.1程序建立堆芯物理模型,分别计算了反应堆冷态和热态工况下,5种典型硼浓度的堆芯有效增殖因子k_(eff),并与AP1000设计文件基准值进行比对,误差在50 pcm以内,验证了模型准确性。随后开展核数据对k_(eff)的敏感性和不确定性分析,结果表明,低能区中^(235)U的平均裂变中子产额、^(10)B的(n,α)反应截面、共振区中^(1)H的弹性散射截面、快中子区中^(238)U的裂变截面具有较大的敏感性与不确定性,在反应堆物理计算工程中应重点关注。

反应堆物理实验中的源倍增法研究

给出了反应堆物理实验中临界测量和次临界度测量通常所采用的源倍增方法研究。首先从有源的扩散理论出发,导出了与以前不同的源倍增方法的公式。源倍增方法测量的参数实际是次临界系统在外源作用下的有源次临界中子倍增因子ks,而不是在这之前的中子有效倍增因子keff,然后研究了实验装置的临界质量,研究了ks与外源位置和能谱的关系,证明了导出的源倍增方法的理论是正确的。该方法可像过去那样用于反应堆物理实验中的临界外推测量,但不能用于次临界度测量。解决了长期困扰人们有关源倍增方法测量的参数问题。最后讨论了ks和keff的差别和关系以及对临界外推测量和核临界安全的影响。

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。