基于贝叶斯推理与随机抽样的无敏感性多群核数据优化方法研究

Uncertainties related to multi-group nuclear data have been the main uncertainty source for the reactor physics deterministic calculations, and using neutronic integral measurements to optimize multi-group nuclear data and related covariance matrices is of great importance in improving calculation accuracies and reducing calculation uncertainties. Existing multi-group nuclear data optimization methods are mostly based on generalized linear least squares method which is limited by linear approximation and the requirement that reactor physics code must be capable of performing nuclear-data-related sensitivity analysis. In light of the problems above, the sensitivity-free multi-group nuclear data optimization method based on Bayesian inference and Monte Carlo random sampling is to be investigated in this proposal. The probabilistic model of multi-group nuclear data optimization is to be constructed based on Bayesian inference framework, and optimization is to be achieved by solving the probabilistic model with Monte Carlo random sampling which avoids linear approximation and sensitivity analysis. The reactor physics experimental data are to be used as integral measurements to conduct validation and application of the optimization method, and to improve the best estimate plus uncertainty analysis framework of pressurized water reactor physics calculation. Through this research, a theoretical method based on random sampling will be developed for multi-group nuclear data optimization which will lift the limitations caused by generalized linear least squares method, and economy of nuclear reactors can be improved under the premise of ensuring safety by taking advantage of reactor physics experimental data.

多群核数据不确定性是反应堆物理确定论计算不确定性的主要来源，利用中子学积分测量优化多群核数据及协方差矩阵，对提高反应堆物理计算精度及降低计算不确定性具有重要意义。现有多群核数据优化多采用广义线性最小二乘法，受到了线性化近似及要求反应堆物理计算程序具备核数据敏感性分析能力等带来的限制。本项目拟针对以上问题，开展基于贝叶斯推理与蒙特卡罗随机抽样的无敏感性多群核数据优化方法研究。计划基于贝叶斯推理框架构造多群核数据优化问题概率模型，通过蒙特卡罗随机抽样求解概率模型以实现多群核数据优化，规避线性化近似与敏感性分析；并利用压水堆物理试验数据作为积分测量，开展优化方法的验证与应用研究，完善压水堆堆芯物理计算最佳估算加不确定性分析框架。通过本项目的研究，将为多群核数据优化建立基于随机抽样的理论手段，突破广义线性最小二乘法的限制，充分利用物理试验数据，有利于核反应堆在满足安全性的前提下提高运行经济性。

随着反应堆精细建模能力与物理计算方法保真度的日益提高，由物理模型和数值近似导致的不确定性日益减小，核数据不确定性已成为反应堆物理计算不确定性的主要来源。开展多群核数据优化，从而提高计算模拟结果精度并降低相应的不确定性，对反应堆物理计算有着重要的意义。.传统相似性分析与GLLS方法可以优化多群核数据及改善核数据不确定性，但相关研究存在以下两方面的不足：1）传统的多群核数据优化方法依赖于敏感性分析，适用性较差；2）压水堆堆芯物理计算BEPU分析框架不完善。因此，本课题基于贝叶斯推理与蒙特卡罗随机抽样，建立无敏感性的相似性分析与多群核数据优化方法。此外，本课题基于压水堆物理试验数据，开展无敏感性的多群核数据优化方法在压水堆上的应用研究，完善压水堆堆芯物理计算BEPU分析框架。.具体而言，本课题发展了基于蒙特卡罗抽样的多群核数据调整方法，即统一贝叶斯推理方法，统一蒙特卡罗方法，贝叶斯蒙特卡罗方法以及马尔科夫链蒙特卡罗方法。这些方法采用统计抽样来调整多组核数据，从而避免了敏感性分析。此外，还提出了基于采样的相似性分析方法来评价试验堆与工业应用堆之间的中子学相似性。分别构造了两个栅元问题，验证了这些方法在降低堆芯仿真偏差与不确定性的正确性和有效性。进一步地，将统一贝叶斯推理方法应用于海南1&2号机组仿真中，基于实测数据与自主软件包NESTOR的计算结果，对多群核数据库进行调整，提升海南1&2机组第一循环模拟计算的效果。.本项目发展多群核数据优化方法，并完善反应堆物理计算BEPU分析框架，对于充分利用压水堆物理试验数据以提高计算精度并降低计算不确定性，进而在满足安全性的前提下提高压水堆经济性具有学术意义与工程应用价值。

内容获取失败，请点击重试