基于梯度的核临界实验优化：利用神经代理模型的特征值敏感度

arXiv:2606.04033v2 公告类型：替换 摘要：先进核反应堆设计和燃料概念的验证需要设计新的临界实验，使其与目标技术具有高度中子学相似性。中子学相似性可通过相关系数 $c_k$ 进行量化，该系数反映了核数据不确定性引起的 $k_\text{eff}$ 共同偏差。通常，实验需要达到 $c_k\geq0.9$，才能与目标技术具有足够的相似性。在本研究中，训练了一种物理信息深度神经网络，用于预测基于网格的临界实验几何构型的中子学敏感度。利用神经网络的可微性，可以对新的实验几何构型进行基于梯度的设计优化，使其与目标技术的敏感度分布之间的 $c_k$ 最大化。该方法能够在网格内潜在材料组合构成的组合设计空间中进行优化，从而超越传统的参数化优化方法。该方法被应用于采用 HALEU 燃料的 TN-Americas TN-LC 运输容器验证，而针对该对象的现有临界实验覆盖范围有限。结果表明，对于三个受关注的构型，该方法生成的实验几何构型所达到的 $c_k$ 分数分别为 0.97757、0.81324 和 0.93276。