MOCABA：一种用于改进核数据积分函数预测的通用蒙特卡洛 - 贝叶斯程序
核理论
2015-01-08 v1
摘要
MOCABA 结合了蒙特卡洛采样与贝叶斯更新算法，用于预测核数据的积分函数，如反应堆功率分布或中子倍增因子。与已确立的广义线性最小二乘法 (GLLS) 类似，MOCABA 能够利用积分实验数据来降低积分观测量的先验不确定性。然而，MOCABA 方法不涉及任何级数展开，因此不会因核数据不确定性较大而遭受一阶微扰理论失效的问题。这与 GLLS 方法不同，MOCABA 中的更新机制直接应用于积分观测量，无需“调整”任何核数据。MOCABA 的核心部分是核数据蒙特卡洛程序 NUDUNA，该程序根据协方差信息对核数据评估进行随机采样，并将其转换为适用于 MCNP 或 SCALE 等输运代码系统的库。MOCABA 的特殊之处在于，它可应用于任何核数据的积分函数，并可利用任何积分测量来改进目标积分观测量的预测。本文介绍了 MOCABA 框架的两个应用实例：基于 21 次临界安全基准实验预测水慢化压水堆 (PWR) 燃料组件的中子倍增因子，以及预测包含 100 个燃料组件的简化模型反应堆内的功率分布。
引用
@article{arxiv.1411.3172,
title = {MOCABA: a general Monte Carlo-Bayes procedure for improved predictions of integral functions of nuclear data},
author = {Axel Hoefer and Oliver Buss and Maik Hennebach and Michael Schmid and Dieter Porsch},
journal= {arXiv preprint arXiv:1411.3172},
year = {2015}
}
备注
10 pages, Preprint submitted to Annals of Nuclear Energy