您当前的位置: > 详细浏览

基于ARGA-3DCNN的铅冷快堆三维中子通量预测方法研究

请选择邀稿期刊:

Research on the Prediction Method of Reactor Core 3D Neutron Flux Based on ARGA-3DCNN

摘要: 中子通量的三维预测对反应堆堆芯的设计、优化和安全分析至关重要,但由于微小型铅冷快堆空间紧凑且探测器布置困难,现有方法多集中在二维层面,较少关注三维通量的预测。本文提出了一种融合残差网络(Residual Network, ResNet)与多头自注意力机制(Multi-head Self Attention, MSA)的三维卷积神经网络(Genetic Algorithm-Enhanced 3D CNN with Multi-Head Self-Attention and Residual Connections, ARGA-3D CNN)模型,该模型可以有效捕捉堆芯中子通量的空间分布特征,解决空间依赖性问题。通过ResNet缓解梯度消失与爆炸,增强训练稳定性,同时借助MSA强化关键区域识别。此外,采用遗传算法优化超参数,进一步提升堆芯中子通量预测精度。实验基于蒙特卡罗粒子输运模拟软件SuperMC计算结果构建数据集,并用该数据集进行训练与优化ARGA-3D CNN模型进行预测。结果显示,该模型预测值与SuperMC计算结果对比,在平均绝对误差(Mean Absolute Error, MAE)、均方误差(Mean Squared Error, MSE)和决定系数(R²)指标上分别达到了3.19×10-6、2.14×10-11和0.9735,计算效率有显著提升,单次预测仅耗时秒级,相比卷积神经网络(Convolutional Neural Network, CNN)、人工神经网络(Artificial Neural Network, ANN)和长短时记忆网络(Long Short-Term Memory, LSTM)等传统网络模型,预测效果更优。ARGA-3D CNN模型在三维中子通量预测中具有较高的精度和计算效率,为核反应堆堆芯参数的快速预测提供了新方法,具有一定的实用价值及意义。

版本历史

[V3] 2025-06-20 09:11:18 ChinaXiv:202506.00240V3 下载全文
点击下载全文
预览
许可声明
metrics指标
  •  点击量433
  •  下载量122
评论
分享
申请专家评阅
  • 运营单位: 中国科学院文献情报中心
  • 制作维护:中国科学院文献情报中心知识系统部
  • 邮箱: eprint@mail.las.ac.cn
  • 地址:北京中关村北四环西路33号
招募志愿者 许可声明 法律声明

京ICP备05002861号-25 | 京公网安备11010802041489号
版权所有© 2016 中国科学院文献情报中心