在全堆芯反应堆蒙特卡洛中评估机器学习核数据精度及计算效率

为何更快的反应堆模拟很重要

核电站依赖详尽的计算模型来预测燃料在数月乃至数年运行期间的行为。这些模型对安全性、效率和新型反应堆设计至关重要，但通常运行缓慢且占用大量内存。本文探讨机器学习是否能精简驱动这些模拟的庞大核数据表——大幅降低计算成本——同时不牺牲工程师所依赖的物理精度。

压缩物理背后的数据

每当模拟中的中子通过虚拟堆芯时，代码都会查阅大型表格来描述其弹散、被吸收或引发裂变的概率。这些表格称为核数据库，对燃料及其产物的多种同位素在成千上万能量点上编码概率。作者基于早期的一种机器学习方法对这些表格进行“稀疏化”：删除冗余的能量点，同时保留诸如反应阈值和共振峰等概率快速变化的尖锐特征。该方法不通过传统的冗长处理链重新生成数据，而是直接编辑OpenMC的原生HDF5文件，仅为23种尤为重要的核素保留约10%–50%的原始能量点。

在全堆芯上测试这一想法

为检验这种精简数据在现实情形下是否仍能产生可信结果，团队对两座大型加压水反应堆进行了为期一年的模拟：一座欧洲压水反应堆（EPR）和一座VVER‑1000，使用开源蒙特卡洛代码OpenMC。针对每个堆芯，他们开展两套在其他方面完全相同的试验：一套使用完整核数据库，另一套使用机器稀疏化后的版本。所有几何、运行条件和数值设定均保持不变；唯一不同的是支撑物理计算的数据表。他们在OpenMC中禁用了其他加速功能，以便任何速度或内存变化都可直接归因于数据减少，而非算法或设置的变化。

在严格误差界限内的速度提升

收益显著。对于EPR案例，总实时时间减少约18%；对于VVER‑1000，运行时间缩短约43%。内存使用的变化更为温和：EPR的峰值使用下降约4%，而VVER‑1000上升约5%，这反映出每个模型在查找核数据与跟踪粒子路径穿越几何体之间所耗时间的差异。关键的是，主要堆芯层面的度量与原始结果非常接近。在VVER‑1000的一整年模拟中，有效增殖因子（本质上是每次裂变平均产生的中子数）最大偏差不超过约100个百万分之一，通常仅为几十个百万分之一。对于关键反应通道，如铀‑235和铀‑238的裂变以及氙‑135和钐‑149的中子俘获，平均差异远低于0.1%。

燃料演化与放射性毒物仍然准确

由于长期反应堆行为不仅取决于瞬时反应，还取决于燃料和裂变产物如何累积和消耗，作者还跟踪了重要同位素的随时间变化。他们检查了主要的铀同位素、由铀‑238产生的一族钚同位素，以及强吸收中子的“毒物”核素，尤其是氙‑135和钐‑149。即便在整整一年后，完整数据与缩减数据情形下这些库存的差异也很小：氙和钐的差异约为几百分之几，钚种类通常低于0.1%。主导堆芯能量产出和中子平衡的铀‑235和铀‑238，其再现精度优于0.01%。对于某些钚同位素，相对误差短暂超过1%的情况出现在循环早期——其绝对量仍极小，因此对反应堆行为的实际影响可忽略不计。

这对未来反应堆建模意味着什么

对非专业读者而言，核心信息是：经过精心训练的机器学习程序可以显著缩减高级反应堆模拟中的核“查表”大小并加速使用，同时使模拟堆芯的行为与传统方法几乎无法区分。本研究在两个工业规模堆芯上、整整一年运行期内展示了这一点，其误差范围相较于反应堆分析中的其他典型不确定性要小得多。作者强调，他们的结论目前适用于使用特定数据库和代码设置的稳态加压水反应堆，还需更多工作来验证其它反应堆类型和瞬态情况。不过，这些结果表明了一条有前景的路径，可实现更快、更高效的高保真核模拟，从而在计算资源有限的情况下支持更多设计研究和安全分析。

引用: Hashemi, A., Macián-Juan, R. & Ohlerich, M. Evaluating machine learned nuclear data precision in full core nuclear reactor Monte Carlo neutronics and computational efficiency analyses. Sci Rep 16, 1314 (2026). https://doi.org/10.1038/s41598-026-35227-9

关键词: 核反应堆模拟, 机器学习, 蒙特卡洛中子学, 核数据库, 加压水反应堆