神经网络方法分析U同位素链裂变核反应截面

本文利用前馈神经网络方法分析U同位素链实验测量裂变核反应截面数据。采用包含4个输入量、1个输出量和3层隐藏层的前馈神经网络,对U同位素链实验测量裂变截面数据进行训练,并利用贝叶斯算法对网络中的超参数进行优化,最终得到整个铀同位素链随入射中子能量变化的裂变截面数据。神经网络方法产生的裂变截面数据能很好地再现裂变截面的阶梯结构,与实验和评价数据的结果十分接近。

压水堆核电厂废液放射性计算程序配套核数据库的适用性评价

PWR-GALE是美国核管会编制并使用的压水堆核电厂气液态流出物源项计算程序,现有的配套核数据库已有长达四十年之久未进行更新,无法确定是否能够满足先进压水堆的计算和审评需求,需要通过基于最新版本的核评价数据库制作新的配套数据库对其进行适用性的评价。因此,本文基于核评价数据库ENDF/B-VII.0,提取衰变子库中相关信息,根据直接裂变产额、衰变信息以及保留的裂变产物核素得到更新的沿衰变链归并的产额数据,通过中子学-燃耗耦合计算获得了更新的中子微观反应截面数据;并与现有的配套数据库进行了对比分析;然后,通过计算一系列面向不同机型的算例进行了整体的对比验证与分析。结果表明:现有的PWR-GALE配套核数据可以满足先进压水堆的计算和评审需求。

快堆伪裂变产物数据的计算

从微观评价核数据库出发 ,计算给出了快堆谱的伪裂变产物数据 ,包括一群的截面数据和多群的全套中子数据 ,裂变核有2 3 5U和2 3 9Pu。截面数据有全截面、弹性散射、非弹散射、(n ,γ)、(n ,2n)截面 ,多群全套中子数据还包括次级中子角分布和能谱。数据以ENDF B -6格式给出 ,同时还分析讨论了数据误差和可靠性 。

中子诱发裂变反应截面的贝叶斯神经网络预测模型

核数据是核物理基础研究与核工程及核技术应用的基础数据。中子诱发核裂变反应截面是核数据的主要组成部分,在先进核能系统研发及核天体物理研究中具有重要应用。本工作基于贝叶斯理论,采用4层隐藏层每层200个神经元的前馈神经网络,利用马尔科夫链蒙特卡罗法(Markov Chain Monte Carlo simulation method,MCMC)和KL散度(Kullback-Leibler divergence,KL),针对^(238)U、^(232)Th和^(239)Pu中子诱发裂变核反应截面数据,建立了以入射能量和裂变截面作为输入参数和输出参数的贝叶斯神经网络计算模型。选取中子能区为1~200 MeV的^(238)U、^(232)Th和1~100 MeV的239Pu裂变截面实验数据和评价数据进行模型训练,利用MCMC方法构建马尔科夫链来近似目标分布,结合KL散度约束方法对损失函数进行优化。研究结果表明,贝叶斯神经网络预测模型能够很好地再现1~200 MeV的^(238)U、^(232)Th和1~100 MeV的^(239)Pu裂变截面数据,并对更高能量区间进行合理预测,为解决目前入射中子能量大于200 MeV的^(238)U、^(232)Th和大于100 MeV的^(239)Pu实验数据存在严重分歧问题及核数据评价提供重要参考。