船用反应堆屏蔽设计的可视化与快速计算功能开发

于志翔，邹树梁，何 震

(1. 中国辐射防护研究院，山西太原030006；2. 核设施应急安全作业技术与装备湖南省重点实验室，湖南衡阳421001；3. 中国核动力研究设计院核反应堆系统设计技术重点实验室，四川成都610041)

船用反应堆屏蔽设计的可视化与快速计算功能开发

于志翔1，邹树梁2，何 震3

(1. 中国辐射防护研究院，山西太原030006；2. 核设施应急安全作业技术与装备湖南省重点实验室，湖南衡阳421001；3. 中国核动力研究设计院核反应堆系统设计技术重点实验室，四川成都610041)

船用反应堆的屏蔽设计问题直接关系到核能能否安全的用作舰船的动力系统。MCNP在船用反应堆的屏蔽计算中应用十分广泛，但其输入程序的编写及输出结果的整理较为繁琐，为了使用户更加简便的编写MCNP输入文件，直观的分析输出结果，本文开发了针对MCNP输入与输出文件的可视化软件。此外，在船用反应堆的屏蔽设计过程中需要MCNP进行大量屏蔽计算，所耗时间过长，为了实现在一定误差范围内的快速计算功能，本文采用BP神经网络模拟学习MCNP的计算过程，仅需给出指定的输入变量即可预测屏蔽计算输出结果，解决了MCNP计算耗时过长问题，提高了屏蔽设计优化效率。

屏蔽计算；可视化；BP神经网络

随着核能的发展，核动力船舰必将得到大力的发展，船用反应堆的屏蔽计算是其中十分重要的问题[1]。屏蔽计算的过程需要使用到MCNP软件，而在MCNP的使用过程中，根据具体问题编写输入文件是重点与难点，同时在计算完成后在输出文件中提取、归纳及分析所需数据的过程较为繁琐，开发可视化软件可解决输入复杂与输出不直观的问题，而现今已有的MCNP可视化软件虽然已十分成熟，但不适用于船用反应堆的屏蔽计算，例如FDS团队自主研发的MCAM软件，该软件能够将几何模型导入软件并生成描述几何部分的输入语句，这对于构建复杂的反应堆内部几何模型十分快速有效，但对如本文所需解决的相对简单的几何模型屏蔽问题来说，使用该类软件反而会更加繁琐[2-5]。

为了解决用户在使用MCNP遇到的上述问题，结合某船用反应堆的简化模型在Windows的系统下开发了一款MCNP的可视化软件。该软件利用Matlab进行编程，用户通过MCNP输入与输出的可视化界面，可快速填写MCNP输入文件并得到直观的输出结果。由于该软件主要是为船用反应堆屏蔽层做屏蔽计算，所以在几何构建的部分有一定的独特性与针对性。

同时，由于MCNP模拟粒子输运的过程是运用概率统计的方法来模拟的，这是一个复杂的非线性的过程，所以在使用MCNP进行大量或者复杂模型的计算时，存在计算时间过长的缺陷。例如在屏蔽优化时，在可能的无数种方案中想要逐一计算并筛选最优方案是不现实的，而根据经验进行屏蔽优化与使用科学的优化算法进行屏蔽优化相比有太多的不足，但是对于MCNP来说在优化算法中样本迭代的计算量仍然十分庞大，耗时过长[6]。

BP(Back Propagation)神经网络是一种多层前馈神经网络，名字源于网络权值的调整规则，采用了后向传播学习算法，即BP学习算法。据统计，80%～90%的神经网络模型采用了BP神经网络或者它的变化形式[7,8]。目前BP神经网络算法适用的领域十分广泛，理论上可以逼近任意函数，并且效果也令人比较满意，所以本文中利用BP神经网络算法学习模拟MCNP进行屏蔽计算的过程，在保证精确度的前提下大大的节省计算时间，实现了快速计算的功能，进而达到优化的目的[9,10]。

1 可视化软件设计思路

设计开发一款软件其设计的逻辑思路是十分重要的，对于可视化来说，本软件的重点与难点在于输入部分，MCNP的输入文件本来就是根据功能的不同以空格为界分成不同的模块。针对输入文件的特点，本软件在开发过程中主要采用的也是模块化的思想，整体上将输入部分分为栅元模块，曲面模块，数据模块。在数据模块中又可分为材料模块，源描述模块，计数器模块等。而对于不同的子模块还可以根据输入文件的特点继续分成不同的模块，继续细化，最终层层递进可具体到每条输入语句，把每个模块按输入文件的格式有机组合起来就构成输入文件。采用BP神经网络模拟MCNP计算过程预测计算结果的思路，能够解决MCNP程序计算多组大量数据时耗时过长的问题，为了达到在一定的误差内快速计算的效果。设计流程如图1所示。

图1 可视化软件设计思路流程图Fig.1 Visual software design flow chart

模块化的编程的思路使得整个软件的开发的过程更加逻辑有条理，在编程过程中如果出现错误或者有需要改动的部分，由于模块之间有相对的独立性所以找到对应模块进行改动即可，提高了编程的准确度。

2 可视化软件的功能与界面

2.1 几何与材料模块

由于本软件的开发目的在于船用反应堆的屏蔽快速计算，因此采用半固定的几何模型设计方式(即几何形状固定，各个部分尺寸可调)，并且在几何模型的输入界面嵌入了材料模块的参数填写及选项栏，使输入更加直观方便。几何材料模块输入界面如图2所示。

图2 几何材料模块界面Fig.2 Geometric material module interface

软件输入的几何模型整体是圆柱形，界面中的图为几何模型的正视图，由于模型是左右对称的，因此可单取其中一边即可。图中黑色虚线对应的可编辑文本框是可以输入该位置的具体坐标的，根据输入的不同坐标来改变整个模型的几何尺寸(几何原点在星号处，左右为x轴，上下为y轴)。该界面还可以实现模型预览的功能，根据用户输入的尺寸生成几何模型正视图，同时设计了“保存”选项，便于再次使用时方便导出。

另外，界面最上端的一行是对应模型中10层屏蔽层的材料模块。对于该模块来说，以下拉菜单的形式呈现，其中有固定的常用材料可以直接选择，也可自定义材料，由用户自行调整编写所需材料的具体信息，其中包括材料的密度、化学元素以及对应比例。

2.2 数据模块

图3 数据模块界面Fig.3 Data module interface

图3为数据模块界面，包含了源的信息与探测器信息，在该界面中给出了软件已经预存的两种点源，用户可以自行填写射线的能量也可以从已有源中进行选择，另外此界面还可设置源的位置，源粒子的类型，模拟粒子数等必要信息。考虑到用户需要以及输出结果作图的可行性，以F2卡(曲面平均通量)为例展示此探测器模块功能，其中预设了10组探测器可供选择，保证用户同时对多个曲面进行计数。

2.3 输出模块

当用户完成各个模块的编辑后，软件可在指定MCNP文件的目录下生成inp.txt输入文件，并通过批处理命令调用MCNP程序进行计算，最后生成out.txt的输出文件。

如图4所示，通过读取MCNP计算结果输出文件，在输出模块的界面中可以将每个屏蔽层边界曲面上的中子或者光子的剂量以坐标图的形式显示出来，图中横轴为屏蔽层边界的坐标，纵轴为对应剂量率。而没有进行测量的屏蔽层边界在相应位置剂量率全部为零。坐标图的形式主要有散点图、柱状火柴图等。

图4 输出模块界面Fig.4 Output module interface(a) 散点图；(b) 柱状火柴图(a) A scatter diagram; (b) A histogram

由于考虑到用户在后续优化中需要知道屏蔽层的总厚度，达到在规定剂量内屏蔽层总重量最轻的要求，软件中添加了计算屏蔽层厚度的功能。

3 可视化软件的快速计算

3.1 理论模型

MCNP的计算速率决定着整个屏蔽优化的效率，使用MCNP逐一计算样本费时费力；BP神经网络完全可以模拟训练此类离散型多变量的非线性问题，只需根据具体问题合理设计隐层数，每层的神经元的数目以及相关参数即可。

调整上述软件中几何模型尺寸，取半径为5cm、高为10cm的圆柱体源作为模拟实验放射源，设定八层屏蔽层，材料分别是水、铁、水、铁、水、铁、铅、聚乙烯，屏蔽层的总厚度为70cm，高为60cm。

在优化的过程中以每层屏蔽层的厚度为变量，即输入变量为1×8维的矩阵。输出变量为MCNP计算的最外层屏蔽层的剂量，即1×1维的矩阵。

随机选取150组不同的输入变量，并使用MCNP计算输出结果，把这150组输入以及对应的输出作为样本，构建一个3层的BP神经网路，隐藏层的神经元数为19，该网络采用的传递函数为tansig，训练函数为trainlm，学习函数为learngdm，性能函数为mse，最终样本的输入变量为150×8的矩阵，输出变量为150×1的矩阵。

把总样本分训练样本(70%)、测试样本(15%)、验证样本(15%)为三部分，使用BP神经网络进行训练。

3.2 结果分析

经过BP神经网络的训练学习的过程见 图4，随机抽取的10组训练结果见表1，线性回归见图5，误差见图6。

表1 训练结果表

图5 线性回归结果图Fig.5 Linear regression results

图6 训练结果误差直方图Fig.6 Error histogram of training results

本文中的屏蔽计算未涉及深穿透问题，MCNP的计算结果误差均在1%以内，保证了样本的准确性。另外，从训练的结果可以看出BP神经网络的训练过程可靠、准确，所以最终输出结果误差在5%左右。

图7为神经网络预测结果输出曲线图，图中随机选取了30组BP神经网络预测结果(预测输出)与MCNP计算的结果(期望输出)进行对比分析，分析结果表明，对于随机给出的输入变量，训练好的BP神经网络有着较好的预测能力，误差在5%左右。使用准确可靠的BP神经网络模型预测输出结果，可以免去MCNP计算的过程，在误差范围内极大缩短了时间，提高了计算效率，实现快速计算的功能。

图7 BP神经网络预测结果图Fig.7 BP neural network prediction results

4 总结

本文开发的可视化软件无需考虑MCNP的输入格式问题，用户只需填写或选择相应参数即可完成MCNP输入文件的编写，计算结束后，软件也可将关键数据提取并作图展示。该软件通过对MCNP输入与输出的可视化研究，系统的解决了船用反应堆的屏蔽计算问题。虽然软件没有涵盖MCNP的全部功能，但对于实际工程问题，该软件已涵盖屏蔽计算所需基本功能，并且具有操作简便，显示直观，实用性强的优势。另外，模块化的编程思路也使得该软件功能与几何模型的拓展变得更加容易。

该软件使用BP神经网络算法模拟MCNP计算过程，通过BP神经网络的预测功能在一定误差内极大程度缩短计算时间，解决了MCNP计算耗时过长的问题。快速计算功能的实现不仅可为屏蔽优化设计时样本的计算提供便利，也可在某些工程问题中，通过快速的预测大量数据结果，得到变化趋势进而寻找规律。

本文以给定模型中每层屏蔽层的厚度为输入变量初步测试了BP神经网络的快速计算效果，证明了该方法的可行性与准确性。在后续研究过程中针对不同的需要，可把每层的材料种类也设为输入变量，增强快速计算功能的实用性。

本文研发的软件以及优化思路对工程项目和实际问题都有一定的参考意义。

致谢

本人诚挚感谢所有为本文付出贡献的作者，其中特别感谢中国核动力研究设计院核反应堆系统设计技术重点实验室对本文的帮助与支持。

[1] 王琳. 舰船核动力装置辐射防护研究[D].哈尔滨工程大学,2006.

[2] Briesmeister J F. MCNP-A General Monte Carlo N-particle Transportcode, Version 4C [R]. Los Alamos National Laboratory, LA2137092M, 2000.

[3] 范佳锦,王义,程建平,杨平利,田慧,杜宏亮. MCNP4B程序可视化运行平台开发[J]. 核电子学与探测技术,2002,01：52-55.

[4] 李春艳,李君利,程建平,武祯. MCNP可视化输入程序的开发[J]. 清华大学学报(自然科学版),2007,S1：1089-1092.

[5] 陈念年,蔡勇,张建生,张建华. MCNP输出数据分析与可视化软件的设计与实现[J]. 计算机工程与应用,2010,08：208-210+231.

[6] 王炳衡,刘志宏,施工,胡永明. CARR堆冷源孔道组合屏蔽优化设计[J]. 核科学与工程,2006,03：220-228.

[7] Ashok Kumar Goel, Suresh C.Saxenax, Surekha Bhanot. 2006. A fast learning algorithm fortraining feedforward neural networks [J]. International Journal of Systems Science. 37 (10)：709-722.

[8] 焦斌,叶明星.BP神经网络隐层单元数确定方法[J].上海电机学院学报,2013,03：113-116+124.

[9] 黄丽. BP神经网络算法改进及应用研究[D].重庆师范大学,2008.

[10] 贺清碧. BP神经网络及应用研究[D].重庆交通学院,2004.

VisualizationandRapidComputingFunctionDevelopmentforMarineReactorShieldingDesign

YUZhi-xiang1，ZOUShu-liang2，HEZhen3

(1.School of Nuclear Science & Technology,University of South China,Hengyang of Hunan Prov. 030006,China；2.Key Laboratory of Hunan Province of Nuclear Emergency of Safety Technology & Equipment, University of South China,Hengyang of Hunan Prov. 421001, China；3. Science and Technology on Reactor System Design Technology Laboratory,Nuclear Power Institute of China,Chengdu of Sichuan Prov. 610041,China)

Marine reactor shielding design problems directly related to nuclear power security as a ship power system. MCNP is widely used in Marine reactor shielding calculation, but writing the input files and analyzing the output files are complicated.In order for users more convenient to write the MCNP input files and intuitively analyze the output files, this paper developed a visualization software for MCNP input and output files. In addition, the process of Marine reactor shielding design need a lot of shielding calculation by MCNP, and it spent a long time.In order to achieve the fast computing functions within a certain error range, this paper uses the BP neural network simulate and study calculation process of MCNP, and only by giving the specified input variables,the net can predict the output of shielding calculation. It solved the problem that computation time is too long and raised the efficiency of shielding design optimization.

Shielding calculation; Visualization; The BP neural network

2016-04-24

反应堆屏蔽结构优化研究

于志翔(1990—)，男，甘肃兰州人，硕士，研究实习员现从事辐射防护与环境评价工作

TL77

：A

：0258-0918(2017)04-0554-06