来源：期刊VIP网 时间：
作者：孙延鹏;马续波;
单位：华北电力大学核科学与工程学院;
摘要：基于物理信息约束的神经网络(PINN)是一种将物理方程和机器学习结合的方法，近年来已成为研究热点之一。神经网络的训练是求解中子扩散方程不可或缺的步骤，为提高训练效率，参考源迭代法的思想将解联立方程变换为解多个单群方程，使用多个神经网络并行训练代替复杂的单一神经网络进行通量密度预测。对于有效增殖系数(k_(eff))搜索中出现的迭代次数多，收敛速度慢等问题，利用方程残差判断系统状态调整方程特征参数实现k_(eff)逐步搜索。在搜索过程中结合边界软约束和硬约束特点，使用边界硬约束扩展搜索范围，利用边界软约束逐步搜索，可以在无外部数据的前提下利用有限的迭代次数，实现高效快速的k_(eff)搜索。对上述方法采用了多个算例验证了可行性，计算结果表明，利用合理的训练程序，使用该方法获得数值解具有较好的精度。
关键词：神经网络;;机器学习;;PINN;;中子扩散方程;;有效增殖系数
