نوع مقاله : مقاله پژوهشی

نویسندگان

• جواد وثوقی
• ناصر وثوقی
• علی اکبر صالحی

گروه مهندسی هسته‌ای، دانشکده‌ مهندسی انرژی، دانشگاه صنعتی شریف، صندوق پستی: 8639-11365، تهران - ایران

چکیده

برای انجام محاسبات نوترونی قلب رآکتور، هزینه اصلی محاسبات مربوط به محاسبات سلولی جهت تولید سطح مقاطع ماکروسکوپی در مجتمع‌های سوخت می‌باشد. توسعه و استفاده از کتابخانه سطح مقاطع ماکروسکوپی با توجه به نوع قلب رآکتور و هندسه آنها روش اصلی کاهش هزینه محاسبات می‌باشد. در بعضی مسائل برای انجام تحلیل‌های خاص برای رآکتور کتابخانه‌ای وجود ندارد و بنابراین لازم است محاسبات سلولی انجام شود. بررسی نویز نوترونی نوسان مجتمع‌های سوخت و یا توزیع نامتقارن سیال اطراف یک مجتمع سوخت در اثر خمش، از این دست مسائل هستند. در این پژوهش برای قلب یک رآکتور 1000VVER- به جای انجام محاسبات سلولی در حجم بالا، با استفاده از یک شبکه عصبی مصنوعی زمان انجام محاسبات کاهش محسوسی یافت. در محاسبات بحرانیت برای ابتدای سیکل زمان محاسبات از 42 دقیقه با 32 هسته محاسباتی به 3_/1 دقیقه با یک هسته محاسباتی کاهش یافت. همچنین نتایج از دقت قابل قبول برخوردار بود به طوری که اختلاف اسید بوریک بحرانی با به‌کارگیری شبکه عصبی در مقایسه با انجام محاسبات سلولی به عنوان مرجع کمتر از 1 درصد و اختلاف توان کمتر از 5 درصد به‍‌دست آمد.

کلیدواژه‌ها

• شبکه عصبی مصنوعی
• سطح مقاطع ماکروسکوپی
• محاسبات نوترونی

عنوان مقاله [English]

Using an artificial neural network in the generation of macroscopic cross-sections for the VVER-1000 reactor core calculations

نویسندگان [English]

• J. Vosoughi
• N. Vosoughi
• A.K. Salehi

Department of Nuclear Engineering, Faculty of Energy Engineering, Sharif University of Technology, P.O.BOX: 11365-8639, Tehran - Iran

چکیده [English]

When performing reactor core neutron calculations, the main cost lies in cell calculations to generate macroscopic cross-sections of fuel assemblies (FAs). The development and utilization of a cross-section library based on the reactor type is the primary procedure to reduce calculation costs. In some cases, when there is no library available for specific analyses, it becomes necessary to conduct cell calculations. Examples of such cases include investigating FAs vibration neutron noise or coolant asymmetric distribution around FAs due to bowing. In this study, an Artificial Neural Network (ANN) was used instead of high-volume cell calculations to significantly reduce the time required for calculations in the VVER-1000 reactor. For criticality calculations at Beginning of Cycle (BOC), the calculation time was reduced from 42 minutes using 32 computational cores to just 1.3 minutes. Additionally, the results achieved were of acceptable accuracy, with the difference in the critical boric acid value obtained using ANN compared to cell calculation as a reference being less than 1%, and the power difference being less than 5%.

کلیدواژه‌ها [English]

• Artificial neural network
• Macroscopic cross-sections
• Neutron calculations