-
شماره ركورد
25099
-
شماره راهنما
NUC2 232
-
نويسنده
كياني فلاورجاني، حكيمه
-
عنوان
ارزيابي و پيشبيني تأثير پارامترهاي طراحي سوخت بر پارامترهاي ترمومكانيكي يك رآكتور هستهاي يكپارچه كوچك (smr) با استفاده از شبكههاي عصبي مصنوعي
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مهندسي هسته اي- مهندسي راكتور
-
دانشكده
فيزيك
-
تاريخ دفاع
1404/06/11
-
صفحه شمار
117 ص.
-
استاد راهنما
دكتر غلامرضا انصاري فر
-
كليدواژه فارسي
رآكتور SMR , ميله سوخت , FRAPCON , شبكه عصبي مصنوعي , تحليل ترمومكانيكي
-
چكيده فارسي
چكيده
با توسعه فناوري رآكتورهاي ماژولار كوچك (SMR)، رآكتور NuScale بهعنوان يكي از ايمنترين و پيشرفتهترين نمونههاي رآكتور آب سبك تحتفشار (PWR) معرفي شده است. طراحي فشرده، استفاده از سيستمهاي خنككننده غيرفعال و قابليت نصب زيرزميني، از ويژگيهاي برجسته اين نوع رآكتور به شمار ميروند. با اين حال، عملكرد حرارتي و مكانيكي رآكتور تا حد زيادي به پارامترهاي هندسي اجزاي اصلي آن بهويژه ميله سوخت، غلاف، و فاصله گپ حرارتي وابسته است.تغيير در اين پارامترها ميتواند تأثير مستقيمي بر انتقال حرارت، تنش و كرنش مكانيكي، دماي ماكزيمم قرص سوخت و در نهايت ايمني و بازده كلي رآكتور داشته باشد.
در اين پژوهش، به تحليل عملكرد ميله سوخت در يك رآكتور ماژولار كوچك (SMR) از نوع NuScale پرداخته شده است. در مرحله نخست، شبيهسازي رفتار ترمومكانيكي ميله سوخت با استفاده از كد معتبر FRAPCON3 انجام شده و پارامترهايي نظير تنش، كرنش، دماي غلاف، دماي مركز سوخت، گپ، فشار داخلي و ميزان نشت گازهاي شكافت مورد بررسي قرار گرفته است. اين پارامترها تحت تغييرات طراحي نظير ضخامت غلاف، قطر قرص سوخت، قطر گپ و تركيب آنها در حالتهاي مختلف سنجيده شدند.در ادامه، براي پيشبيني عملكرد ميله سوخت بر پايه تغييرات طراحي، يك شبكه عصبي مصنوعي در نرمافزار MATLAB توسعه يافت كه وروديهاي شبكه شامل متغيرهاي هندسي طراحي و خروجيهاي آن پارامترهاي كليدي عملكردي حاصل از FRAPCON بودند. مدل عصبي با دادههاي حاصل از شبيهسازي آموزش داده شد و پس از ارزيابي، توانست عملكرد ميله سوخت را با دقت قابل قبولي بازتوليد كند.
نتايج اين مطالعه نشان ميدهد كه تغييرات در پارامترهايي مانند ضخامت غلاف، قطر سوخت و فاصله گپ نقش تعيينكنندهاي در كنترل دماي مركزي سوخت و كاهش تنشهاي مكانيكي دارند. همچنين، بهينهسازي اين متغيرها ميتواند منجر به افزايش عمر سوخت، بهبود كارايي حرارتي، كاهش احتمال ذوب سوخت و ارتقاي سطح ايمني در رآكتورهاي NuScale گردد.اين پژوهش گامي مؤثر در جهت درك بهتر روابط ميان پارامترهاي هندسي و مشخصههاي عملكردي در رآكتورهاي ماژولار كوچك بوده و ميتواند به طراحي نسلهاي آينده اين نوع رآكتورها با بازده بالاتر و هزينه ساخت كمتر كمك كند.
كليدواژهها: رآكتور SMR، ميله سوخت، FRAPCON، شبكه عصبي مصنوعي، تحليل ترمومكانيكي
-
كليدواژه لاتين
SMR Reactor , Fuel Rod , FRAPCON , Artificial Neural Network (ANN) , Thermo-mechanical Analysis
-
عنوان لاتين
evaluation and Prediction of the Impact of Fuel Design Parameters on the Thermomechanical Performance of an Integrated Small Modular Reactor (SMR) Using Artificial Neural Networks
-
گروه آموزشي
مهندسي هستهاي
-
چكيده لاتين
Abstract This study focuses on analyzing and optimizing the performance of a fuel rod in a Small Modular Reactor (SMR) of the NuScale type. Initially, the thermo-mechanical behavior of the fuel rod was simulated using the validated FRAPCON3 code. Key parameters such as stress, strain, cladding temperature, fuel centerline temperature, gap size, internal pressure, and fission gas release were evaluated under various design modifications, including changes in cladding thickness, fuel pellet diameter, gap diameter, and their combinations.
Subsequently, an artificial neural network (ANN) was developed in MATLAB to predict fuel rod performance based on design variations. The network inputs included geometric design variables, while the outputs were the performance parameters extracted from FRAPCON simulations. After training and validation, the ANN successfully reproduced the fuel rod behavior with acceptable accuracy.
The results indicate that combining high-fidelity physical simulations with machine learning models provides an effective tool for optimizing design, enhancing safety, and reducing costs in SMR technology. This approach also offers potential for more advanced fuel assembly designs in future reactor generations.
Keywords: SMR Reactor, Fuel Rod, FRAPCON, Artificial Neural Network (ANN), Thermo-mechanical Analysis
-
تعداد فصل ها
4 فصل
-
لينک به اين مدرک :
