科研之友
微信
新浪微博
Facebook
分享链接
摘要
高放玻璃固化体在长时间深地质处置下与地下水接触，导致放射性核素浸出，因此其浸出行为的预测对提升高放核废物固化安全至关重要。本研究采用人工神经网络（ANN）、卷积神经网络（CNN）和时序卷积网络（TCN）三种机器学习模型结合ALTGLASS数据库，对玻璃固化体浸出行为预测模型进行训练和测试。研究结果表明，TCN和ANN模型分别对玻璃固化体中的部分元素表现出较好的预测准确性，而CNN对于玻璃固化体元素浸出行为预测适用性较差。对Cr、Si、Li、B、Al、Mg、Ca元素的浸出行为预测上，TCN模型表现出最高的准确性。K、Na、Fe和Mo元素浸出行为的预测，则是ANN模型预测吻合度最优。根据研究结果，TCN和ANN浸出模型结合能较好地预测玻璃固化体的浸出行为。本研究为高放玻璃固化体服役过程中化学稳定性的预测提供了新的技术方法。
- 单位
