《Annals of Nuclear Energy》:Monitoring ADS system core power distribution based on a hybrid MLP-RBFNN architecture
编辑推荐:
ADANES系统通过外核监测策略结合MLP-RBFNN混合神经网络模型,实现亚临界反应堆三维功率分布高精度(平均误差<2%)重建,验证了外核监测在极端辐射环境下的可行性与工程价值。
Feng Zhou|Peng Fang|Yanling Zhu|Shijie Du|Deliang Fan|Yongwei Yang|Xubo Ma|Xunchao Zhang
华北电力大学核科学与工程学院,中国北京102206
摘要
加速器驱动先进核能系统(ADANES)是一种新型的闭合循环核燃料系统,它结合了加速器驱动次临界系统(ADS)和乏燃料回收系统。开发一种方法来监测ADS次临界反应堆的堆芯功率分布对于实时监控功率变化和异常情况至关重要。由于ADS中使用的是散裂中子源作为外部中子源,产生的高能中子(>20 MeV)的能量远高于传统反应堆中的中子(0–20 MeV)。在如此强烈的辐射环境下部署堆芯探测器进行功率监测存在固有的局限性,包括可靠性降低、维护困难以及寿命缩短。为了解决这些问题,提出了一种堆芯外监测策略,该策略使用多个探测器通道,每个通道沿轴向高度均匀分布着六个中子探测器。通过结合多层感知器(MLP)和径向基函数神经网络(RBFNN)的混合模型,建立了一个非线性回归神经网络,将堆芯外中子探测器信号与堆芯内的径向和轴向功率分布相关联。重建结果表明,使用堆芯外探测器信号的混合MLP-RBFNN模型在三维组装功率监测中实现了平均相对误差小于2%,最大相对误差低于10%。这证明了该模型在ADS次临界反应堆中进行高精度三维功率分布监测的能力。
引言
准确监测核反应堆的功率分布对于确保核能系统的安全运行和有效燃料管理至关重要。反应堆功率监测方法主要分为两类:堆芯内监测和堆芯外监测。堆芯内监测主要依赖于堆芯内探测器阵列的直接测量。这种方法涉及实时获取堆芯内不同位置的中子通量或伽马剂量率,并结合离线采样分析来重建反应堆内的三维功率分布。堆芯内测量数据还用于计算累积燃耗,以制定最佳换料策略并监测潜在的功率分布振荡(FAN Yancheng, 2005)。然而,这些方法受到几个因素的固有限制:(1)它们的可靠性和寿命受到极端堆芯环境(高温、高压和强辐射)的严重制约;(2)探测器安装带来的结构侵入性会对中子经济性产生不利影响;(3)空间分辨率受到探测器布置点数量的限制;(4)这些方法的成本较高,包括初始探测器费用和持续的维护费用。堆芯外监测主要通过建立堆芯外探测器模拟的中子信号与堆芯内功率分布之间的非线性关系来实现反应堆功率监控。主要方法包括传递函数法(WANG Wu, 2021)、谐波合成法(Li, 1994a)、扰动搜索算法(Xue et al., 2019)以及基于神经网络的方法。
随着神经网络方法的发展,将神经网络用于堆芯内功率监测的方法已被广泛采用。例如,使用CNN预测小型模块化反应堆(SMRs)的二维和三维功率分布(Kwon et al., 2025),应用RBFNN重建反应堆堆芯的轴向功率分布(Peng et al., 2014),以及实施深度神经网络进行紧凑型空间反应堆的功率分布监测(Wang et al., 2025)。这些应用表明,结合神经网络的堆芯外监测方法越来越多地应用于小型反应堆的功率监测中。这样的堆芯外监测策略有助于保持小型反应堆的模块化和紧凑性,同时降低成本并简化设计。
在加速器驱动次临界系统(ADS)(Luo et al., 2016)中,外部中子源是散裂中子源,产生的高能中子(>20 MeV)导致中子能量谱显著高于传统反应堆。这导致堆芯内探测器的辐射损伤率增加,对堆芯内监测方案的可行性提出了根本性挑战。与商业反应堆相比,目前处于实验阶段的ADS堆芯体积较小,堆芯内组件位置较少。因此,研究了堆芯外探测器布置方案。通过采用混合MLP + RBF神经网络架构,建立了一个非线性回归模型,将堆芯外中子探测器信号与堆芯内的功率分布相关联,从而能够监测ADS堆芯内燃料组件和嬗变组件的三维功率。这种方法不仅便于在线监测功率分布以评估运行状态,还可以通过监测嬗变组件中的功率分布来评估嬗变反应的进展,并进一步量化探测器配置与功率重建精度之间的权衡,为工程应用提供实用参考。
本文的其余部分结构如下。第2节介绍了所采用的理论方法。第3节展示了使用混合架构模型监测ADS堆芯的径向和轴向功率分布的结果,以及对模型进行的鲁棒性评估。最后,第4节总结了工作内容并讨论了潜在的未来研究方向。
章节摘录
ADS堆芯模型
ADS堆芯的建模和测试是在IMPC-NP代码中进行的(Fang et al., 2024, Zhou et al., 2025)。以堆芯中心为坐标系原点,在堆芯外的0°、90°、180°和270°方位角位置布置了四个探测器通道。每个探测器通道沿轴向高度均匀分布着六个中子探测器。图1展示了ADS次临界堆芯模型的径向和轴向结构示意图。
验证
分别为燃料组件和嬗变组件建立了独立的径向-轴向RBFNN模型。样本量为3000个数据点,涵盖了在全功率、三分之二功率和三分之一功率运行条件下模拟的1000天的数据。数据集分为72%用于训练,18%用于验证,10%用于测试。考虑到模型的对称性,燃料组件模型的输出包括九个燃料组件的功率分布。两个模型共享19
结论与未来工作
基于混合MLP-RBFNN架构,建立了一个用于监测ADS次临界反应堆堆芯内三维径向和轴向功率分布的监测模型。该混合模型用于预测燃料组件和嬗变组件的功率分布,并对径向燃料组件模型进行了鲁棒性评估。验证结果包括以下三个方面。
第一个方面与ADS中的径向功率监测结果有关
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
作者衷心感谢东江源智能计算中心提供的计算支持。