基于遗传算法获得辐射屏蔽材料配比的方法及计算装置

技术领域

本发明属于核电领域，具体涉及一种基于遗传算法获得辐射屏蔽材料配比的方法及计算装置。

背景技术

辐射屏蔽材料是确保核电设施安全性、隔绝有害辐射的重要基础。辐射屏蔽材料的可选成分配比涉及元素众多，传统方法需要由技术人员基于经验提供初始材料组合，针对屏蔽材料进行屏蔽计算分析验证其屏蔽性能，再根据计算结果与设计目标对配方参数进行人工调整，这一过程高度依赖技术人员的经验且效率低下。目前，部分技术方案采用蒙特卡罗方法与神经网络相结合，利用机器学习对不同配比的屏蔽材料的性能进行预测，但是这一方法依赖大样本的训练数据，如果样本数量不足会导致预测结果发生较大的偏差，而生成充足数量的训练样本本身即意味着大量计算资源的消耗，效率与成本同样需要优化。因此，提供一种计算量更低的确定辐射屏蔽材料配比的方法对于提高辐射屏蔽材料的设计效率具有积极意义。

发明内容

本发明的目的在于提供一种基于遗传算法获得辐射屏蔽材料配比的方法，提高辐射屏蔽材料的设计效率。本发明还提供一种计算装置。

根据本发明一个方面的实施例，提供一种基于遗传算法获得辐射屏蔽材料配比的方法，该方法包括以下步骤：

a)提供所述辐射屏蔽材料的元素成分及配比范围，随机生成初始成分配比，并计算所述初始成分配比下的所述辐射屏蔽材料的性能参数f

b)建立遗传算法的目标函数minF(x)＝[f

x＝(x

其中n为成分配比所包含的元素种类数，x

c)根据所述目标函数，对所述辐射屏蔽材料进行非支配排序，利用遗传算法对所述辐射屏蔽材料进行交叉和变异后生成新一代成分配比及对应的所述屏蔽性能参数f

d)重复所述b)步骤与所述c)步骤进行N次迭代，得到优化的辐射屏蔽材料配比；其中N为给定的迭代代数，所述目标函数的约束条件为：若f

上述方法不依赖研究人员的经验，计算资源消耗量小，计算效率高，能够快速迭代得到符合设计要求的辐射屏蔽材料配比。

进一步地，在部分实施例中，所述辐射屏蔽材料的组成元素包括钇、硼、钆或镝中的一项或多项和氢。

进一步地，在部分实施例中，所述a)以U/Pu混合中子裂变谱和光子裂变谱作为所述性能参数的计算条件。

进一步地，在部分实施例中，所述中子包括快中子与热中子。

进一步地，在部分实施例中，所述辐射屏蔽材料的注量率Φ

其中，r为计算网格半径，A为计算网格面积，V为计算网格体积，S为网格源强，Σ

其中ω为粒子运动方向与径向的夹角，ζ为粒子运动方向与轴向的夹角。

进一步地，在部分实施例中，所述辐射屏蔽材料的剂量率D的计算方法为：

其中，D

进一步地，在部分实施例中，所述辐射屏蔽材料的密度ρ满足

所述辐射屏蔽材料的体积V＝πR

所述辐射屏蔽材料的质量W＝ρV。

进一步地，在部分实施例中，所述b)步骤与所述c)步骤中所述遗传算法采用NSGA-III算法。

进一步地，在部分实施例中，所述d)步骤中迭代次数N满足在第N次迭代时F(x)的超体积HV达到最大值，

根据本发明另一个方面的实施例，提供一种计算装置，该计算装置包括存储器与处理器，其中，所述存储器存储有计算程序，当所述计算程序被所述处理器执行时能够实施前述任一实施例中所提供的基于遗传算法获得辐射屏蔽材料配比的方法。

附图说明

图1为一实施例中屏蔽性能计算分析示意图；

图2为一实施例中基于遗传算法获得辐射屏蔽材料配比的方法流程图；

图3为一实施例中NSGA-III进化迭代过程示流程图；

图4为一实施例中超体积随代数变化的趋势示意图；

图5为一实施例中堆芯中子能谱；

图6为一实施例中堆芯光子能谱。

上述附图的目的在于对本发明作出详细说明，以便本领域技术人员能够理解本发明的技术构思，而非旨在限制本发明。

具体实施方式

下面通过具体附图结合实施例对本发明作出进一步的详细说明。

本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本文的至少一个实施例中。在说明书的各个位置出现的该短语并不一定指代同一实施例，也并非限定为互斥的独立或备选的实施例。本领域技术人员应当能够理解，在不发生结构冲突的前提下本文中的实施例可以与其他实施例相结合。本文的描述中，“第一”、“第二”等术语仅用于区别不同对象，而不能理解为指示相对重要性或限定所描述技术特征的数量、特定顺序或主次关系。本文的描述中，“多个”的含义是至少两个。

传统辐射屏蔽材料优化配比方法通常由设计者根据经验给出一个初始材料组分，再针对此辐射屏蔽材料进行屏蔽计算分析以对屏蔽性能进行验证，如果不满足设计目标则需要对组分进行调整并重新进行屏蔽计算分析。这种反复人工调整、验证的迭代过程在进行多目标优化(包括剂量率、屏蔽材料的体积、密度等)时效率很低，特别是当材料组分复杂的情况下效率更低，而且高度依赖技术人员的经验，难以满足新型核电设置辐射屏蔽材料的设计需求。随着计算材料学的发展，一些技术方案采用加权法将多目标降维到单一目标进行处理，从而简化组分优化的计算过程，但是由于子目标权重因子的设置同样依赖于主观与经验，导致求解过程可能引入交大的近似或不确定性，而这一简化方法的优化结果在理论上只是最优解集中的一个，在权重因子变化后需要重新进行求解。另一些技术方案利用蒙特卡罗方法生成大量辐射屏蔽材料组分样本，利用这些样本训练神经网络，再由神经网络对特定材料组分的屏蔽性能进行预测。但是，神经网络训练结果取决于样本数量以及训练样本与实际应用场景的匹配程度，为了生成充分多的训练样本，蒙特卡罗程序需要消耗大量的计算资源进行样本生成；而如果训练样本不足，会导致预测结果与程序计算值的相对偏差增大，甚至误导算法陷入局部最优。

为了解决上述问题，本发明的实施例提供一种基于遗传算法获得辐射屏蔽材料配比的方法，实现对辐射屏蔽材料的多目标优化。

如图2所示，该方法包括以下步骤：

首先，进行辐射屏蔽材料的参数初始化，根据给定的元素成分及配比范围，随机生成初始成分配比。在不同实施例中元素成分可以包括两种或多种组分，如钇、硼、钆或镝中的一种或多种与氢组合的氢化物材料，生成初始种群，并基于初始种群生成遗传算法的输入文件。在优选实施例中，遗传算法采用NSGA-III算法。计算初始成分配比下辐射屏蔽材料的m个性能参数f

具体地，其中辐射屏蔽材料的注量率Φ

其中，r为计算网格半径，A为计算网格面积，V为计算网格体积，S为网格源强，Σ

其中ω为粒子运动方向与径向的夹角，

辐射屏蔽材料的剂量率D的计算方法为：

其中，D

辐射屏蔽材料的密度ρ满足

接下来，建立遗传算法的目标函数min F(x)＝[f

下一步，根据目标函数对辐射屏蔽材料进行非支配排序，利用遗传算法对辐射屏蔽材料进行交叉和变异后生成新一代成分配比，利用新一代成分配比更新种群，并生成对应的输入文件，重复进行迭代计算，重复至指定代数N，N应当充分大使种群达到充分足够的多样性。如图3所示，在进行迭代时，第t代筛选得到的上一次迭代中符合条件的父代P

在一个优选实施例中，以钇基氢化物为辐射屏蔽材料的优化对象，成分配比范围为钇含量0.95-1，氢含量0-0.05。在不同实施例中，成分配比范围可以根据工程经验提供，也可以根据热力学计算得到组分元素所能够形成稳定相的成分范围确定。

步骤1：材料配比的初始化，在成分配比范围内随机生成初始成分配比中钇(Y)与氢(H)份额如表1所示。

表1初始成分配比与性能参数

对辐射屏蔽材料进行优化的模拟计算条件为与堆芯辐照源项之间间隔55cm的空气、2cm厚度的吊篮、21cm的反射层、22cm的水与13cm的压力容器壁。堆芯中子能谱如图5所示，堆芯光子能谱如图6所示。

步骤2：根据表1所示的元素配比，计算材料的密度和质量，并采用离散纵标程序计算得到经过屏蔽材料屏蔽后的剂量率，剂量率包括中子与光子剂量率的总和。计算得到的质量与剂量率如表1所示。以质量与剂量率作为待优化的材料性能参数。

步骤3：根据步骤2得到的目标函数(包括质量与经辐射屏蔽材料屏蔽后的剂量率)，对屏蔽材料进行非支配排序，利用NSGA-III遗传算法进行交叉和变异后生成一个新的材料成分配比，再重复步骤2进行迭代。迭代过程中，按照

表2最终优化材料配比与性能参数

利用遗传算法，上述实施例共计进行200次离散纵标计算，在通用计算机上耗时约300s。而如果采用蒙特卡罗方法结合神经网络的方法，按照单次蒙特卡罗程序运行耗时1min估算，所需的计算资源要高出一个数量级。因此，上述实施例所提供的基于遗传算法获得辐射屏蔽材料配比的方法具在效率上具有显著优势。

在另一个优选实施例中，对于含有较多中元素的辐射屏蔽材料，利用前述实施例所采用的方法进行基于遗传算法的迭代，其超体积HV的变化趋势如图4所示，超体积在迭代40代后达到最大值，说明优化结果已基本收敛。在其他实施例中，辐射屏蔽材料可以采用钇、硼、钆、镝的氢化物复合材料。

本发明另一个方面的实施例提供一种计算装置，该计算装置包括存储器与处理器。其中，存储器中存储有计算程序，当计算程序被处理器执行时，该计算装置能够实施前述任一实施例中所提供的基于遗传算法获得辐射屏蔽材料配比的方法。在不同实施例中，该计算装置可以配置为通用计算机，也可以采用专用计算设备，还可以采用虚拟计算机或云计算设备等。计算程序可以在能够执行遗传算法的通用软件内编写，也可以直接利用通用的计算机语言编写。

上述实施例的目的在于结合附图对本发明作出进一步的详细说明，以便本领域技术人员能够理解本发明的技术构思。在本发明公开的范围内，对所涉及的方法步骤进行优化或等效替换，以及在不发生结构与原理冲突的前提下对不同实施例中的实施方式进行结合，均落入本发明的保护范围。