| 博士生自认为的论文创新点 | 第5-6页 |
| 摘要 | 第6-8页 |
| Abstract | 第8-10页 |
| 第1章 绪论 | 第14-30页 |
| 1.1 研究背景与意义 | 第14-16页 |
| 1.1.1 研究背景 | 第14-15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究进展 | 第16-28页 |
| 1.2.1 核素扩散迁移的物理机理研究进展 | 第16-22页 |
| 1.2.2 核素浓度预测研究进展 | 第22-26页 |
| 1.2.3 神经网络预测模型的研究进展 | 第26-28页 |
| 1.3 研究内容 | 第28-29页 |
| 1.4 技术路线 | 第29-30页 |
| 第2章 放射性液态流出物扩散迁移模型 | 第30-44页 |
| 2.1 引言 | 第30页 |
| 2.2 水动力学模型 | 第30-33页 |
| 2.2.1 水量平衡方程 | 第30-31页 |
| 2.2.2 质量守恒定律 | 第31-32页 |
| 2.2.3 动量守恒定律 | 第32页 |
| 2.2.4 能量守恒定律 | 第32-33页 |
| 2.3 放射性核素在水体中扩散迁移的物理模型 | 第33-38页 |
| 2.3.1 溶解态核素扩散迁移模型 | 第33-36页 |
| 2.3.2 吸附态核素与泥沙的交互行为模型 | 第36-38页 |
| 2.4 水动力学控制方程的求解方法 | 第38-42页 |
| 2.4.1 离散方法与离散格式 | 第38-39页 |
| 2.4.2 离散方程的求解算法 | 第39-42页 |
| 2.5 本章小结 | 第42-44页 |
| 第3章 核电事故条件下扩散迁移模型应用研究 | 第44-74页 |
| 3.1 引言 | 第44页 |
| 3.2 基本概况 | 第44-47页 |
| 3.2.1 咸宁核电站 | 第44-45页 |
| 3.2.2 受纳水体富水水库 | 第45-47页 |
| 3.3 水动力学模型建立 | 第47-54页 |
| 3.3.1 研究区域的网格划分 | 第47-48页 |
| 3.3.2 模型选择 | 第48-50页 |
| 3.3.3 水文状况与边界条件 | 第50-54页 |
| 3.4 流场模拟与检验 | 第54-59页 |
| 3.4.1 实测资料 | 第54-55页 |
| 3.4.2 求解算法与控制标准选择 | 第55-56页 |
| 3.4.3 计算结果与讨论 | 第56-59页 |
| 3.5 事故源项设定 | 第59-62页 |
| 3.5.1 事故泄漏点 | 第59-60页 |
| 3.5.2 假想事故组合 | 第60-61页 |
| 3.5.3 污染物源项的边界条件设置 | 第61-62页 |
| 3.6 模拟结果与分析 | 第62-66页 |
| 3.6.1 假想事故条件下核素扩散的分布情况 | 第62-63页 |
| 3.6.2 计算结果分析 | 第63-66页 |
| 3.7 辐射剂量影响 | 第66-72页 |
| 3.7.1 受纳水体的辐射剂量 | 第67-69页 |
| 3.7.2 鱼类的辐射剂量 | 第69-70页 |
| 3.7.3 人体的辐射剂量 | 第70-72页 |
| 3.8 本章小结 | 第72-74页 |
| 第4章 一类机理神经网络模型的建模与求解算法 | 第74-86页 |
| 4.1 引言 | 第74页 |
| 4.2 前馈(黑箱)网络模型 | 第74-76页 |
| 4.3 先验前馈网络模型 | 第76-77页 |
| 4.4 机理神经网络 | 第77-79页 |
| 4.5 先验与机理神经网络模型求解算法 | 第79-84页 |
| 4.5.1 先验知识的耦合方法 | 第79-80页 |
| 4.5.2 权阈值的更新方法 | 第80-84页 |
| 4.6 本章小结 | 第84-86页 |
| 第5章 机理神经网络模型的算例研究 | 第86-99页 |
| 5.1 引言 | 第86页 |
| 5.2 基于Chen混沌系统的机理神经网络算例验证 | 第86-90页 |
| 5.2.1 Chen混沌系统 | 第86页 |
| 5.2.2 基于Chen混沌系统的机理神经网络模型建模 | 第86-87页 |
| 5.2.3 基于Chen混沌系统的机理神经网络模型求解与验证 | 第87-90页 |
| 5.3 基于Mackey-Glass系统的机理神经网络算例验证 | 第90-93页 |
| 5.3.1 Mackey-Glass混沌系统 | 第90-91页 |
| 5.3.2 基于Mackey-Glass混沌系统的机理神经网络模型建模 | 第91页 |
| 5.3.3 基于Mackey-Glass混沌系统的机理神经网络模型求解与验证 | 第91-93页 |
| 5.4 对先验知识作用造成影响的各类因素 | 第93-98页 |
| 5.4.1 网络复杂程度对先验知识作用的影响 | 第93-95页 |
| 5.4.2 训练样本数量对先验知识作用的影响 | 第95-96页 |
| 5.4.3 学习精度对先验知识作用的影响 | 第96-98页 |
| 5.5 本章小结 | 第98-99页 |
| 第6章 核电事故条件下机理神经网络模型应用研究 | 第99-117页 |
| 6.1 引言 | 第99页 |
| 6.2 模型样本 | 第99-100页 |
| 6.3 先验前馈网络的预测性能研究 | 第100-110页 |
| 6.3.1 网络结构 | 第100-101页 |
| 6.3.2 先验知识 | 第101-103页 |
| 6.3.3 计算结果分析 | 第103-110页 |
| 6.4 先验前馈网络在长序列预报中的性能研究 | 第110-115页 |
| 6.4.1 网络结构 | 第110-111页 |
| 6.4.2 计算结果分析 | 第111-115页 |
| 6.5 本章小结 | 第115-117页 |
| 第7章 结论与展望 | 第117-120页 |
| 7.1 结论 | 第117-118页 |
| 7.2 展望 | 第118-120页 |
| 参考文献 | 第120-132页 |
| 附录 | 第132-135页 |
| 致谢 | 第135-136页 |
