MODELING STUDIES AND CODE-TO-CODE COMPARISONS FOR PRESSURE TUBE HEAVY WATER REACTOR CORES
Notice bibliographique
Résumé
Preliminary, conceptual studies have been performed previously using deterministic lattice physics (WIMS-AECL) and core physics codes (RFSP) to estimate performance and safety characteristics of various thorium-based fuels and uranium-based fuels augmented by small amounts of thorium for use in pressure tube heavy-water reactors (PT-HWRs). To confirm the validity of the results, the WIMS-AECL/RFSP results are compared against predictions made with the stochastic neutron transport code MCNP. This paper describes the development of a method for setting up an MCNP core model of at PT-HWR for comparison with WIMS-AECL/RFSP results, using a core with 37-element natural uranium fuel bundles as a test case for sensitivity studies. These studies included evaluating the sensitivity of the bias of the effective neutron multiplication factor (k eff ), a source convergence study, uncertainties correction with multiple independent simulations, the impact of irradiation map binning methods, and the impact of reflector models. A Python-based software scripting tool was developed to automate the creation, execution, and post-processing of reactor physics data from the MCNP models. The software tool and algorithm for creating an MCNP core model using data from the WIMS-AECL and RFSP models are described in this paper. Based on the preliminary evaluations of the simulation parameters with the base model, reactor physics analyses were performed for PT-HWR cores with thorium-based fuels in a 35-element bundle type. Code-to-code results demonstrate good agreement between MCNP and RFSP, giving confidence in the method developed and its applicability to other fuels and core types.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».