| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 目录 | 第10-14页 |
| 插图索引 | 第14-15页 |
| 表格索引 | 第15-16页 |
| 第一章 绪论 | 第16-21页 |
| 1.1 课题背景及意义 | 第16-17页 |
| 1.1.1 核电与核安全 | 第16页 |
| 1.1.2 核事故应急响应 | 第16-17页 |
| 1.1.3 气载放射性核素扩散 | 第17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 各国核应急支持系统中的核素扩散模块介绍 | 第17-18页 |
| 1.2.2 核素扩散反演模型研究进展 | 第18-19页 |
| 1.3 本文主要研究内容介绍 | 第19-21页 |
| 第二章 pysjtupuf 的实现与使用说明 | 第21-33页 |
| 2.1 拉格朗日扩散模型介绍 | 第21-27页 |
| 2.1.1 基本原理 | 第21-23页 |
| 2.1.2 单个烟团内的浓度分布 | 第23页 |
| 2.1.3 烟团释放 | 第23页 |
| 2.1.4 烟团移动 | 第23-24页 |
| 2.1.5 干湿沉积 | 第24-25页 |
| 2.1.6 风场的插值计算 | 第25-27页 |
| 2.1.7 烟团Υ剂量率计算 | 第27页 |
| 2.2 模型开发与使用 | 第27-30页 |
| 2.2.1 程序模块组成 | 第28页 |
| 2.2.2 程序执行流程 | 第28页 |
| 2.2.3 程序参数输入文件格式 | 第28-30页 |
| 2.3 pysjtupuf 的不足与展望 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 遗传算法及其在源项反演中的应用 | 第33-46页 |
| 3.1 基本原理 | 第34-39页 |
| 3.1.1 基本概念 | 第34-35页 |
| 3.1.2 计算流程 | 第35-36页 |
| 3.1.3 关键参数 | 第36页 |
| 3.1.4 择优策略 | 第36-38页 |
| 3.1.5 遗传算法优势 | 第38-39页 |
| 3.2 研究现状 | 第39-44页 |
| 3.2.1 遗传算法与受体模型结合 | 第39-40页 |
| 3.2.2 使用遗传算法耦合受体模型和扩散模型 | 第40-41页 |
| 3.2.3 在风场估计方面的应用 | 第41-43页 |
| 3.2.4 在探测器布置方面的应用 | 第43-44页 |
| 3.2.5 计算效率优化 | 第44页 |
| 3.3 本章小结 | 第44-46页 |
| 第四章 遗传算法修正扩散系数的适应度函数选择研究 | 第46-57页 |
| 4.1 研究方法 | 第46-49页 |
| 4.1.1 Pasquill-Giford 扩散系数介绍 | 第46-47页 |
| 4.1.2 PG 系数修正 | 第47-49页 |
| 4.2 候选适应度函数分析 | 第49-51页 |
| 4.3 数值模拟 | 第51-54页 |
| 4.3.1 扩散模型参数设置 | 第51-52页 |
| 4.3.2 观测点设定 | 第52页 |
| 4.3.3 遗传算法参数设置 | 第52-54页 |
| 4.3.4 PG 系数修正 | 第54页 |
| 4.4 数值模拟结果分析 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 扩散系数修正对扩散模型预测能力的影响研究 | 第57-68页 |
| 5.1 Kincaid 实验数据 | 第57-59页 |
| 5.2 验证方法 | 第59-61页 |
| 5.3 验证结果 | 第61-67页 |
| 5.3.1 分析统计量说明 | 第62-63页 |
| 5.3.2 结果分析 | 第63-67页 |
| 5.4 本章小结 | 第67-68页 |
| 第六章 全文总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 创新点 | 第69页 |
| 6.3 研究展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的学术论文目录 | 第75-76页 |
| 攻读学位期间参与的项目 | 第76页 |