Писарев А.Н., Колесов В.В., Котов Я.А., Невиница В.А., Фомиченко П.А.
В работе рассмотрена возможность переноса погрешностей ядерных данных, полученных при обработке файлов оцененных ядерных данных с помощью программного комплекса NJOY, на ядерные концентрации выгоревшего топлива в ТВС реактора ВВЭР-СКД. Погрешности одногрупповых констант рассчитывались модулем ERROR с использование 32 и 33 файлов библиотеки оцененных ядерных данных JEFF-3.3. Расчеты выгорания проводились по программе VisualBurnOut, работающей в связке с программой MCNP. Получена зависимость погрешностей ядерных концентраций ряда актинидов от времени выгорания для нижней топливной зоны. По мере выгорания топлива поведение среднеквадратичных отклонений ядерных концентраций нуклидов, обусловленных неопределенностями нейтронных сечений, не всегда монотонно и зависит от многих факторов. Для основных изотопов урана погрешности концентраций не превышают 2 %, для изотопов плутония не больше 3,5 %, для основных актинидов значения расположены в районе 10 %. Для более тяжелых актинидов значения погрешностей оказываются еще большими. Результаты свидетельствуют о необходимости интенсификации работ по улучшению ядерных данных. С помощью предложенной методики можно идентифицировать те нейтронные сечения, которые, с точки зрения погрешности, больше всего влияют на неопределенности в ядерных концентрациях.
1. Kolesov V.V., Novichkov A.V., Voznyakevich E.E., Terekhova A.M. Statistical Approach to Estimated Uncertainty of Nuclear Concentration in Problems of Isotope Kinetics. KnE Engineering, 2017, pp. 261–267. DOI: https://doi.org/10.18502/keg.v3i3.1625.
2. Garcia-Herranz N., Cabellos O., Sanz J., Juan J., Kuijper J.C. Propagation of statistical and nuclear data uncertainties in Monte Carlo burn-up calculations. Annals of Nuclear Energy, 2008, vol. 35, no. 4, pp. 714–730. DOI: https://doi.org/10.1016/j.anucene.2007.07.022.
3. Takeda T., Hirokawa N., Noda T. Estimation of Error Propagation in Monte-Carlo Burnup Calculations. Nuclear Science and Technology, 1999, vol. 36, no. 9, pp. 738–745. DOI: https://doi.org/10.1080/18811248.1999.9726262.
4. Tohjoh M., Endo T., Watanabe M., Yamamoto A. Effect of error propagation of nuclide number densities on Monte Carlo burn-up calculations. Annals of Nuclear Energy, 2006, vol. 33, no. 17–18, pp. 1424–1436. DOI: https://doi.org/10.1016/j.anucene.2006.09.010.
5. Park H.J., Shim H.J., Kim C.H. Uncertainty Propagation in Monte Carlo Depletion Analysis. Nuclear Science and Engineering, 2011, vol. 167, no. 3, pp. 196–208. DOI: https://doi.org/10.13182/NSE09-106.
6. Quentin Newell, Charlotta Sanders. Stochastic Uncertainty Propagation in Monte Carlo Depletion Calculations. Nuclear Science and Engineering, 2015, vol. 179, no. 3, pp. 253–263. DOI: https://doi.org/10.13182/NSE13-44.
7. Ebiwonjumi B., Kong C., Zhang P., Cherezov A., Lee D. Uncertainty quantification of PWR spent fuel due to nuclear data and modelling parameters. Nucl. Eng. Tech., 2021, vol. 53, no. 3, pp. 715–731. DOI: https://doi.org/10.1016/j.net.2020.07.012.
8. Ebiwonjumi B., Choi S., Lemaire M., Lee D., Shin H.C. Validation of lattice physics code STREAM for predicting pressurized water reactor spent nuclear fuel isotopic inventory. Ann. Nucl. Energy, 2018, vol. 120, pp. 431–449. DOI: https://doi.org/10.1016/j.anucene.2018.06.002.
9. Da Cruz D.F., Rochman D., Koning A.J. Uncertainty Analysis on Reactivity and Discharged Inventory due to 235,238U, 239,240,241Pu, and Fission Products: Application to a Pressurized Water Reactor Fuel Assembly. Nuclear Technology, 2014, vol. 185, no. 2, pp. 174–191. DOI: https://doi.org/10.13182/NT12-154.
10. Rochman D.A., Vasiliev A., Dokhane A., Ferroukhi H. Uncertainties for Swiss LWR spent nuclear fuels due to nuclear data. EPJ Nucl. Sci. Technol., 2018, vol. 4, article 6. DOI: https://doi.org/10.1051/epjn/2018005.
11. Aliberti G. et al. Nuclear Data Sensitivity, Uncertainty and Target Accuracy Assessment for Future Nuclear Systems. Annals of Nuclear Energy, 2006, vol. 33, no. 8, pp. 700–733. DOI: https://doi.org/10.1016/j.anucene.2006.02.003.
12. Rochman D., Koning A.J., Da Cruz D.F. Propagation of 235,236,238U and 239Pu nuclear data uncertainties for a typical PWR fuel element. Nuclear Technology, 2012, vol. 179, no. 3, pp. 323–338. DOI: https://doi.org/10.13182/NT11-61.
13. Rochman D., Zwermann W., van der Marck S.C., Koning A.J., Sjöstrand H., Helgesson P., Krzykacz-Hausmann B. Efficient Use of Monte Carlo: Uncertainty Propagation. Nuclear Science and Engineering, 2014, vol. 177, no. 3, pp. 337–349. DOI: https://doi.org/10.13182/NSE13-32.
14. Rochman D., Koning A.J., Da Cruz D.F., van der Marck S.C. Nuclear Data Uncertainty Propagation for a Sodium Fast Reactor. Journal of the Korean Physical Society, 2011, vol. 59, no. 4, pp. 1191–1194. DOI: https://doi.org/10.3938/jkps.59.1191.
15. Rochman D. & Koning A.J. How to Randomly Evaluate Nuclear Data: A New Data Adjustment Method Applied to 239Pu. Nuclear Science and Engineering, 2011, vol. 169, no. 1, pp. 68–80. DOI: 10.13182/NSE10-66.
16. Rochman D., Koning A.J., van der Marck S.C., Hogenbirk A., Sciolla C.M. Nuclear data uncertainty propagation: Perturbation vs. Monte Carlo. Annals of Nuclear Energy, 2011, vol. 38, no. 5, pp. 942–952. DOI: https:doi.org/10.1016/j.anucene.2011.01.026.
17. Rochman D., Koning A.J., van der Marck S.C., Hogenbirk A, van Veen D. Nuclear Data Uncertainty Propagation: Total Monte Carlo vs. Covariances. Journal of the Korean Physical Society, 2011, vol. 59, no. 59, pp. 1236–1241. DOI: https://doi.org/10.3938/jkps.59.1236.
18. Перегудов А.А., Андрианова О.Н., Мантуров Г.Н., Раскач К.Ф., Семенов М.Ю., Цибуля А.М. Использование метода GRS для оценки погрешности нейтронно-физических характеристик перспективного быстрого реактора. Известия вузов. Ядерная энергетика, 2014, т. 2, c. 90–98. DOI: https://doi.org/10.26583/npe.2014.2.10.
19. Kolesov V.V., Khitrik D.V., Kamaev D.A. VisualBurnOut program. Registration No. 2009617021 dated 23.12.2009.
