基于卷积神经网络模型的堆芯有效增殖因数预测方法研究

建立了基于卷积神经网络(convolution neural network,CNN)的深度学习模型,可用于直接预测反应堆堆芯有效增殖因数。对简化的2群压水反应堆(pressurized water reactor,PWR)进行堆芯数值计算,通过核反应堆堆芯数值模拟程序建立了组件截面数据库,得到原始数据,采用CNN模型对归一化的原始数据进行训练,最后得到替代数值计算方法的深度学习模型。此外,为验证CNN模型的预测性能,采用反向传播神经网络(back propagation neural network,BPNN)模型对原始数据进行了训练与测试。模型训练及测试结果分析表明:CNN预测模型性能要明显优于BPNN模型;CNN模型预测堆芯参数的平均相对偏差为0.251%。

直流等离子渗氮法对纯铝耐腐性的改善--时间和温度的影响

为了提高铝的耐腐蚀性能,在氮氢混合物(PN2/PH2=4/1)等离子体中用直流等离子体渗氮法对铝进行了处理。处理温度为673K和723K,处理时间为8h、12h和20h。通过利用扫描电子显微镜(SEM)、X射线能量色散光谱仪(EDX)以及X射线衍射仪进行的表面分析发现,随着处理时间的延长和处理温度的升高,样品表面生成层的生长速度增加。为了考察样品的耐腐蚀性,在质量浓度为3.5%的氯化钠溶液中进行了电化学动态极化实验,结果显示,样品的腐蚀行为取决于生成AlN的质量。当处理温度为723K、处理时间为20h时,试样的耐腐蚀性最好。

12C+13C熔合截面测量中统计模型引入的系统误差研究（英文）

在本工作中,我们分别采用薄靶和厚靶实验技术,测量了12^C+13^C反应在质心系能量4~6 MeV的熔合截面。实验得到了12^C+13^C反应的在线γ产额和离线的24Na活度,利用TALYS统计模型给出的反应道分支比,导出了熔合反应的总截面。通过对比不同实验得到的总截面,定量研究了统计模型修正所带来的系统误差:在线γ分支比修正引入的系统误差为14%;由离线24Na活度测量得到总截面时,24Na分支比修正带来的系统误差也为14%。

高电荷态离子^(40)Ar^(q+)与Si表面作用中的电子发射产额

报道了在兰州重离子加速器国家实验室电子回旋共振离子源原子物理实验平台上,用高电荷态40Arq+(1≤q≤12)离子作用于半导体Si固体表面时的电子发射产额实验测量.实验中,通过改变炮弹离子的电荷态和引出电压选取其不同的势能和动能,系统地研究了入射离子势能沉积和与其在固体中的电子能损对表面电子发射产额的贡献.结果表明,作为引起表面电子发射的两个主要因素,单离子的电子发射产额与炮弹离子在固体表面的势能沉积和电子能损都有近似的正比关系.

低温球磨制备Mg-4%Ni-1%NiO储氢材料及其性能

采用低温球磨技术制备了Mg-4%Ni-1%NiO储氢材料,主要研究低温球磨时间对材料形貌结构以及储氢性能的影响.采用扫描电子显微镜(SEM)和X射线衍射(XRD)分析材料的形貌和相组成,采用压力-组成-温度(P-C-T)设备研究材料的储氢性能.结果表明:分别经过2、4和7 h球磨后,材料的相组成没有发生明显改变,只有极少量的Mg2Ni合金相生成.随着球磨时间的延长,材料的平均粒度逐渐下降,作为催化剂的Ni、NiO相逐渐揉进基体内部.伴随着上述变化,材料的活化性能、吸氢性能逐渐提高,球磨到7 h后材料仅需活化1次即可达到最大吸放氢速率,初始吸氢温度降为60℃,在4.0 MPa初始氢压和200℃下吸氢量为6.4%(质量分数),60s即可完成饱和吸氢量的80%,10min内完成饱和吸氢量的90%;材料的放氢性能则在球磨4 h后已经基本保持不变,0.1MPa下初始放氢温度为310℃,在350℃、0.1MPa下材料可在500s内释放饱和储氢量的80%.