燃耗信任制下燃耗计算对临界计算的偏差及不确定度的研究

为量化燃耗信任制中燃耗计算传递给临界计算的不确定度,本文基于参数统计法对燃耗计算的核素偏差及偏差不确定度展开分析,并以蒙特卡罗(MC)抽样方法计算的k_inf不确定度为基准,比较不同抽样方法对临界计算不确定度的影响。结果表明,核素偏差与偏差不确定度是随样品燃耗变化的分段函数。对于临界计算,拉丁超立方抽样(LHS)方法与MC抽样方法的k_inf不确定度计算结果吻合较好,且LHS方法可考虑参数间的相关性,计算结果更真实,可进一步提升电厂的经济性。     

燃耗信任制下燃耗计算对临界计算的偏差及不确定度的研究

为量化燃耗信任制中燃耗计算传递给临界计算的不确定度,本文基于参数统计法对燃耗计算的核素偏差及偏差不确定度展开分析,并以蒙特卡罗（MC）抽样方法计算的kinf不确定度为基准,比较不同抽样方法对临界计算不确定度的影响。结果表明,核素偏差与偏差不确定度是随样品燃耗变化的分段函数。对于临界计算,拉丁超立方抽样（LHS）方法与MC抽样方法的kinf不确定度计算结果吻合较好,且LHS方法可考虑参数间的相关性,计算结果更真实,可进一步提升电厂的经济性。     

基于数据挖掘技术的组件核子密度预测研究

采用DRAGON程序对9600个样本进行计算,并以235U、238U、239Pu、241Pu、137Cs、244Cm以及154Nd核素的核子密度为预测参数,选用线性回归模型、基于决策树构建的回归树模型、多层感知机（MLP）模型和随机森林模型开展模型训练,选用皮尔逊相关系数（PCC）、平均绝对误差（MAE）、相对绝对误差（RAE）、相对均方根误差（RRSE）评价模型的拟合效果;利用训练好的模型在测试集中对目标核素进行预测,通过相对误差评价其预测精度。结果表明,训练数据模型的时间均在3 s以内;通过选取的参数的评价可得,对于所有预测核素,在4种模型中训练效果最佳的为MLP模型,其相关性均在0.999以上;MLP模型对所有的预测核素的预测平均偏差小于1%。本文初步验证了数据挖掘技术在组件核子密度预测方面的可行性。