核燃料中扩散系数的数据驱动预测方法
材料科学
2023-10-16 v1
摘要
核燃料在辐照下结构缺陷的生长速率与缺陷在燃料晶格中的扩散速率本质相关。原子尺度结构缺陷的产生与生长会显著改变燃料的性能特征。必须准确捕捉这种功能变化，才能使核燃料获得反应堆使用资格。因此，预测缺陷的扩散系数及其对肿胀、气体释放和蠕变等宏观性能的影响，对于新型核燃料设计及现有燃料类型评估均具有重要意义。本文中，我们应用以机器学习（ML）为重点的数据驱动方法，确定两种核燃料——氧化铀与氮化铀的多种扩散性质。我们表明，与现有解析模型相比，使用ML常可显著提高核燃料中扩散系数预测的准确性。我们还说明如何利用ML快速建立具有比文献中现有模型更复杂且稳健的参数依赖关系的燃料模型。这些结果表明，ML有潜力加速核燃料的设计、 qualification与实施。
引用
@article{arxiv.2310.08593,
title = {Data-driven methods for diffusivity prediction in nuclear fuels},
author = {Galen T. Craven and Renai Chen and Michael W. D. Cooper and Christopher Matthews and Jason Rizk and Walter Malone and Landon Johnson and Tammie Gibson and David A. Andersson},
journal= {arXiv preprint arXiv:2310.08593},
year = {2023}
}