射线自适应随机输运(Ray Adaptive Stochastic Transport, RASTr):基于重要性采样(Importance Sampling)的特征线法(Method of Characteristics, MOC)输运求解器的方差缩减(Variance Reduction)方法
《Annals of Nuclear Energy》:Ray Adaptive Stochastic Transport (RASTr): Importance sampling based variance reduction for characteristics method transport solvers
编辑推荐:
摘要:随机射线法(The Random Ray Method, TRRM)是一种稳健的特征线法(Method of Characteristics, MOC)变体,其射线在空间与角度上服从均匀采样分布,区别于传统的固定求积循环射线追踪。然而,对于若干类问题,T
摘要:随机射线法(The Random Ray Method, TRRM)是一种稳健的特征线法(Method of Characteristics, MOC)变体,其射线在空间与角度上服从均匀采样分布,区别于传统的固定求积循环射线追踪。然而,对于若干类问题,TRRM隐含假定的均匀采样分布并非最优。本研究引入射线自适应随机输运(Ray Adaptive Stochastic Transport, RASTr)方法,该方法针对任意空间与角度偏置的射线采样分布计算统计权重,从而在对非均匀采样有需求的问题中实现方差缩减(Variance Reduction)。研究人员将RASTr算法实现并应用于一维及二维测试算例,证实了该方法在统计相对不确定度(Relative Uncertainty)方面具有改善效果。
论文解读:Ray Adaptive Stochastic Transport (RASTr)——基于重要性采样的特征线法输运求解器方差缩减方法
《Annals of Nuclear Energy》刊载的此文由麻省理工学院Owen Mylotte与Benoit Forget完成。特征线法(Method of Characteristics, MOC)是求解稳态中子输运方程的经典确定性方法,通过在空间网格内沿特征线(射线)积分角通量获得通解。传统MOC采用固定角求积集与循环射线追踪,内存消耗大且通用性受限。随机射线法(The Random Ray Method, TRRM)作为MOC的随机化改进,令射线起点与方向在空间与4π立体角内均匀随机分布,兼具内存降低、具蒙特卡洛(Monte Carlo)收敛特性及更高通用性等优点。然而TRRM默认均匀采样隐含假设角通量或区域重要性均一,在面对屏蔽(shielding)、诊断束流孔道(beam ports)、探测器区域或局部强方向性角通量等问题时,均匀采样导致关注区射线覆盖不足或无效射线过多,统计方差偏大,计算效率低。为此,研究人员提出射线自适应随机输运(Ray Adaptive Stochastic Transport, RASTr)方法,允许自定义空间–角度非均匀(偏置)采样分布,并通过重要性采样(Importance Sampling)原理计算每条射线段的全局统计权重以无偏还原物理矩,从而在感兴趣区域聚焦射线、压缩总体所需活跃射线段数并获得同等精度下更低的统计相对不确定度。RASTr保持特征线离散化与问题物理(材料截面、散射吸收)相互独立,偏置仅作用于几何–角度离散,便于构造灵活采样方案,为面向特定问题的优化MOC离散提供途径。
主要关键技术方法:
研究人员在传统TRRM框架基础上发展RASTr算法:首先定义任意可归一化的空间–角度偏置采样分布p(r,Ω),由此抽取射线起始位置与方向;分析由该采样分布经射线核(ray kernel,即沿射线前方传播?a长度所"覆盖"的空间–角度区域)卷积得到的覆盖分布(coverage distribution);推导并解析求解沿各射线对采样分布的射线向积分以获取全局统计权重,使体积、角度或表面积分矩估计无偏。为实现权重边界条件,RASTr需沿反方向额外追踪射线以获得合适覆盖边界信息。算法在非结构网格上以分段均匀常数权重及解析体积估算实现,选取一维平板(1-D slab)问题与二维C5G7基准题(C5G7 benchmark)作验证,分别对比均匀采样与指定非均匀采样下的标量通量解及统计不确定度,各向同性采样分布配以相应标量覆盖分布进行分析。
Method of characteristics(特征线法)
简述稳态中子输运方程:Ω·?ψ(r,E,Ω)+Σt(r,E)ψ(r,E,Ω)=∫4πdΩ'∫0∞dE' Σs(r,E'→E,Ω'→Ω)ψ(r,E',Ω')+(1/4π)∫0∞dE' χ(E→E')ν(E')Σf(r,E')φ(r,E')+s(r,E,Ω)。MOC沿特征线对此方程进行空间–角度离散求解,TRRM以均匀随机射线替代固定求积循环追踪。
Non-uniform ray methods(非均匀射线方法)
阐述射线分布及其性质,推导RASTr方法含权重计算与积分方式,讨论以重要性采样驱动偏置射线分布之动机,说明部分计算考量并给出完整算法流程概览。
Results and discussion(结果与讨论)
在一维平板及二维C5G7基准问题上,研究人员演示了基于非结构网格、分段均匀常权重及解析体积估算的RASTr实现。对各问题分别比较均匀采样分布与预设非均匀采样分布下单次模拟结果,并给出各向同性采样分布对应的标量覆盖分布。结果表明,在非均匀采样下RASTr所得标通解在预期统计误差范围内与均匀采样TRRM一致,但在关注区域相对统计不确定度降低,验证了RASTr可针对感兴趣区域实现聚焦方差缩减。
Conclusions(结论)
研究人员提出并演示了RASTr算法,其沿非均匀采样分布元素面抽取射线并计算正确统计权重以实现无偏输运求解;RASTr需反向射线追踪以获取权重计算所需覆盖边界条件;非均匀射线采样使感兴趣区域获聚焦方差缩减,同等精度下减少所需活跃射线段总数。RASTr为面向特定问题优化的特征线法离散迈进一步,未来扩展有望形成更完善实用的实现版本。
Declaration of competing interest
作者声明不存在已知竞争性财务利益或个人关系影响本研究。
Acknowledgments
部分资助来源于GE Vernova Fellowship via MIT–GE Vernova Energy and Climate Alliance及美国能源部经由Los Alamos National Laboratory(Triad National Security, LLC运营,合同No. 89233218CNA000001)。