径向和轴向倒料行波堆概念设计研究

给出了径向和轴向倒料行波堆堆芯的详细设计,通过燃耗计算软件MCORE对两种堆芯进行了分析计算。对于轴向行波堆,得到了稳定的核子密度分布和功率分布,并模拟出增殖-燃耗波。稳态时,kef f为1.065,波速约为5.0 cm/a,燃耗深度达到400.0 MWD/kg-HM。对于径向倒料行波堆,采用由外向内的倒料方案,经过一定倒料周期后功率分布趋于稳定。研究发现,渐进稳态kef f随倒料周期的增加呈抛物线变化,燃耗深度随倒料周期的增加线性增大。以最低功率峰为依据,确定倒料周期450 d为最佳倒料周期。此时,渐进稳态kef f为1.020,平均燃耗达到156.0 MWD/kg-HM。     

基于反贝叶斯学习的WDMS光谱自动识别研究

天体光谱是天体物理学重要的研究对象,通过光谱可以获取天体的许多物理、化学参数如有效温度、金属丰度、表面重力加速度和视向速度等。白矮主序双星是一类致密的双星系统,对研究致密双星的演化特别是公共包层的演化有着重要的意义。国内外的大型巡天望远镜如美国斯隆望远镜以及中国的郭守敬望远镜,每天都产生大量光谱数据。如此海量的光谱数据无法完全用人工进行分析。因此,使用机器学习方法从海量的天体光谱中自动搜索白矮主序双星光谱,有着非常现实的意义。目前的光谱自动识别方法主要通过对已有的标签样本进行分析,通过训练得到分类器,再对未知目标进行识别。这类方法对样本的数量有明确的要求。白矮主序双星的实测光谱数量有限。若要通过有限的样本集准确学习白矮主序双星的光谱特征,不仅需要扩大样本数量,还需要提高特征提取和分类算法的精度。在前期工作中,通过机器学习等方法在海量巡天数据中识别了一批白矮主序双星的光谱,为该实验提供了数据源。使用对抗神经网络生成新的白矮主序双星光谱,扩大训练数据量至原数据集约两倍的数量,增强了分类模型的泛化能力。通过反贝叶斯学习修正损失函数,将损失函数的大小与样本的方差相关联,抑制了异常数据对模型造成的影响,提升了模型的鲁棒性,解决了由于训练样本集偏差带来的梯度消失以及训练陷入局部最优解等问题。该实验基于Tensorflow深度学习库。使用Tensorflow搭建的生成对抗网络具有较好的鲁棒性,并且封装了内部实现细节,使得算法得以更好地实现。除此之外,由Tensorflow搭建的卷积神经网络在该实验中用于分类准确度测试。实验结果表明,二维卷积神经网络能够利用卷积核有效地提取白矮主序双星的卷积特征并进行分类。基于反贝叶斯学习策略的卷积神经网络分类器在白矮主序双星原始数据及对抗神经网络生成光谱的识别任务中达到了约98.3%的准确率。该方法也可用于在巡天望远镜的海量光谱中搜索其他特殊和稀少天体如激变变星、超新星等。     

核燃料裂变气体辐照肿胀的相场模拟与分析

采用修正的Cahn-Hilliard方程研究辐照下核材料中气泡微结构演化过程,采用基于经典形核理论的形核算法模拟空洞形核过程,分析微结构对核材料力学性质的影响,着重考察了气体辐照肿胀应变的演化规律．分析了不同辐照强度下气泡密度和气体辐肿胀应变的演化规律,并与实验结果进行对比．