贾丽霞，韩 煦，白 冰，王东杰 杨 文

(中国原子能科学研究院 反应堆工程技术研究部，北京 102413)

反应堆压力容器(RPV)作为压水堆核电站中唯一不可更换的关键核心设备，是防止核电站放射性泄漏的最主要屏障，其使用寿命决定了核电站的使用寿命。当前限制RPV钢服役的关键问题之一是辐照脆化，即辐照引起韧脆转变温度(DBTT)升高。研究RPV钢辐照脆化与合金成分的关系可帮助优化RPV钢材料设计、指导其他新材料研发。合金元素对脆化的影响已有一定认识，如Cu、Ni是RPV钢辐照脆化敏感性的关键因素，Mn和Si同样发挥着关键作用。但由于实验数据具有分散性，这些合金元素及其相互作用与辐照脆化的具体关系不清晰。

图1 数据集中各成分含量分布图Fig.1 Plots showing range of compositions within dataset

机器学习方法结合材料数据库，为材料设计研发及性能预测提供了全新思路和方法。Raccuglia等[1]从失败实验数据中学习，实现新材料预测，颠覆了材料研发。在RPV钢辐照性能方面，Castin等[2]利用人工神经网络的方法实现对RPV钢辐照硬化的预测，重点比较了两种不同机器学习方法的适用性。Mathew等[3]利用神经网络的方法构建了RPV钢辐照脆化预测模型，基于机器学习的模型与基于经验构建的模型相符合。在两种模型中，均未系统分析合金成分对辐照引起韧脆转变温度改变/屈服强度改变的影响。

本文利用机器学习中的深度神经网络方法，通过对已有辐照监督数据进行学习，建立辐照脆化与合金成分的关系，为RPV钢材料成分优化、新材料设计研发提供指导。……