طراحی وتوسعه نرم افزار شبیه ساز شبکه عصبی برای پیشگویی پارامترهای حالت پایداریک راکتور vver-1000 نوعی با استفاده ازکوپلینگ کدهای mcnp و cobra برای محاسبه اثرات نوترونیک وترموهیدرولیک

هدف اصلی از این تحقیق طراحی و توسعه یک ابزار محاسباتی سریع و دقیق جهت پیشگویی پارامترهای نوترونیک و ترموهیدرولیک اصلی قلب یک راکتور هسته ای نوعی می باشد. در این روش از شبکه های عصبی مصنوعی از نوع پیشخور آبشاری برای پیشگویی پارامترهای ایمنی یک راکتور vver-1000 از روی داده های نحوه چیدمان و آرایش مجتمع های سوخت در داخل قلب راکتور استفاده شده است. خروجی های هدف در این روش شامل پارامترهای نوترونی ضریب تکثیر موثر قلب راکتور، ضرایب پیک توان شعایی مربوط به هر مجتمع سوخت در قلب راکتور و نیز پارامتر پیک توان میله سوخت داغ در هر مجتمع سوخت، و پارامترهای ترموهیدرولیکی شامل ماکزیمم و متوسط دماهای سوخت و غلاف در هر مجتمع سوخت و میله های متناظر آن و نیز پارامتر می نیمم انحراف از جوشش هسته ای می باشد. به منظور دستیابی به دقت محاسباتی بالا از داده های نوترونی و ترموهیدرولیکی، از کوپلینگ کد های نوترونی و ترموهیدرولیک که قابلیت انجام محاسبات در ابعاد مجتمع ها و میله های سوخت را دارند استفاده شده است. در الگوریتم کوپلینگ از کد نوترونیک mcnp که قابلیت مدلسازی جزئیات مجتمع های سوخت را دارد و کد ترموهیدرولیکی cobra-en که قابلیت مدلسازی میله های سوخت و زیرکانال های داخل مجتمع های سوخت را دارد بهره گرفته شده است. همچنین ساختار کدcobra برای مدلسازی قلب راکتورهای از نوع vver اصلاح گردیده است. از کدnjoy به منظور تهیه کتابخانه های سطح مقطع برای مواد مختلف موجود در قلب تحت شرایط دمایی محاسبه شده استفاده شده است. مقایسه نتایج الگوریتم با داده های fsar راکتور نشان می دهد که الگوریتم کوپلینگ طراحی شده با دقت بسیار بالایی قادر است پارامترهای ایمنی نوترونیک و ترموهیدرولیک قلب راکتور را محاسبه نماید. کوپلینگ خارجی کدها با استفاده از یک برنامه خودکار که در محیط matlab نوشته شده است بصورت موازی انجام می شود. برنامه واسط به گونه ای طراحی شده که با تولید آرایشهای مختلف از 6 نوع مجتمع سوخت در 28 جایگاه قلب راکتور، یک پایگاه داده شامل داده های نوترونی و ترموهیدرولیکی مورد نیاز برای آموزش و تست و اعتبار سنجی شبکه عصبی را فراهم می کند. به منظور دستیابی به ساختار شبکه عصبی بهینه در محاسبه پارامترهای راکتور از روی داده آموزش و اعتبار سنجی، یک آنالیز حساسیت جامع برروی معماری شبکه و پارامترهای اصلی آن نظیر تعداد لایه های مخفی شبکه، تعداد نرون ها در لایه مخفی، انتخاب تابع انتقال شبکه و نیز الگوریتم های آموزشی مختلف، انجام شده است. معیار اصلی در انتخاب پارامترهای شبکه، رسیدن به حداقل زمان و حداکثر دقت شبکه و میزان عمومیت آن در پیشگویی پارامترهای نوترونی و ترموهیدرولیکی قلب راکتور بوده است. نتایج بررسی کارایی شبکه عصبی نشان می دهد که ابزار محاسباتی توسعه داده شده در این تحقیق، قابلیت بسیار خوبی در پیشگویی سریع و دقیق پارامترهای ایمنی قلب یک راکتور vver دارد و می تواند به عنوان یک ابزار قابل اطمینان و دقیق در زمینه طراحی قلب راکتور و نیز مسائل بهینه سازی چند هدفی در مدیریت سوخت راکتور کاربرد بسیار خوبی داشته باشد.