Coarse energy group structure optimization with collision probability and artificial neural network models for reactor analysis.

Abstract

El diseño y análisis de un reactor nuclear se realiza usando métodos de transporte de neutrones que discretizan datos de energía nuclear continuos en un número finito de grupos de energía. Mientras que estos modelos multigrupo son menos exigentes desde el punto de vista computacional, la selección de fronteras en los grupos de energía puede determinar su eficacia. Los grupos de energía se convierten en más importantes cuando se reduce el número de grupos, y muchas técnicas de optimización se han llevado a cabo para obtener una óptima estructura de grupos. Debido al crecimiento computacional en los años recientes, algoritmos de “machine learning” pueden realizar tareas que normalmente han sido realizadas por operadores humanos. En este proyecto, un código de colisión de probabilidad de neutrones es utilizado para generar datos de entrenamiento para red neuronal unidireccional para clasificación y regresión. El factor de multiplicación de neutrones en un reactor de agua ligera es obtenido a partir de 18,034 muestras de datos, teniendo cada muestra 20 estructuras de grupos. Una red neuronal

artificial unidireccional es utilizada para predecir el factor de multiplicación de neutrones dada una estructura de grupos aleatoria. La red neuronal ha sido capaz de predecir el factor de multiplicación de neutrones con una eficacia de hasta 94.90% con un 5% de diferencia entre el valor obtenido con el código de colisión de neutrones y la predicción.The design and analysis of nuclear reactors is frequently done using neutron transport methods that discretize continuous-energy nuclear reaction data into a finite number of energy groups. While these multigroup models can be far less computationally demanding than continuous-energy approaches, the choice of boundaries in the energy group structure can significantly affect their accuracy. The energy group structures become more important as the number of groups is reduced, and many optimization strategies have been developed to obtain an optimal group structure in a manner that does not require expert judgment. Due to the increase in computational power in recent years, machine learning algorithms are increasingly able to perform tasks that have been done traditionally by trained human operators. In this report, a multigroup collision probability code is used to generate training data for a feed-forward neural network classifier and regressor. We pre-generate cross section libraries of 20-group nuclear data with 18,034 randomly sampled group boundaries, then compute the infinite medium neutron

multiplication factors for a fixed light-water reactor geometry using the collision probability code. A feed-forward artificial neural network was used to predict the neutron multiplication factor of a given energy group structure. We found that the feed-forward neural network can predict multiplication factors with an accuracy up to 94.90% with a 5% difference between the calculated value and the prediction.