基于卷积神经网络的氢氦协同效应下的空洞演化预测

[目的]了解辐照引起的核结构材料的降质过程对于反应堆安全运行至关重要.然而,由于辐照损伤实验和基于物理的多尺度模拟存在时间和资源密集性的特点,无法快速评估材料的空洞演化行为.[方法]应用卷积神经网络(CNN)对空洞尺寸和数密度进行预测,并在现有的实验数据范围外,对氦和氢注入量在连续参数变化范围内的相关性进行预测.[结果]经过参数优化的CNN可以很好地克服实验数据不足的限制,仅利用元素组分和环境参数即获得准确的数值回归.[结论]这项工作证明了CNN预测氢氦协同效应下辐照损伤的可行性,对核材料的优化和反应堆安全运行具有实际意义.