This study has been aimed at testing an unconventional way of storing and reproducing temperature dependent cross-section data with the ultimate goal of improving computational times of large scale Monte Carlo calculations . Artificial neural networks(ANNs) have been trained, using ACE-format cross-section data, to provide a continuous cross-section output based on any energy and temperature input within the trained region. The study has been focused on the absorption and scattering cross-section of $^{238}$U due to the complexity and importance of that particular isotope. Based on current results, final file sizes are projected to end up in the 5 to 7 megabyte range for absorption and scattering respectively. Cross-sections reproduced using ANNs generally show relative errors of less than 0.1%, in particular for scattering and in the resonance peaks for absorption. Between absorption resonances the relative error is generally less than 1.0% but reaches up to 5.0% in a few cases.
본 연구는 계산 부담이 큰 몬테칼로 방법에서 온도 의존적 단면적 정보를 효과적으로 저장하고 재생산할 수 있는 새로운 방법에 대한 타당성을 확인하였다. 인공 신경망 (ANN) 방법을 이용하여 주어진 ACE 포맷 핵단면적 데이터를 훈련을 하면 훈련된 범위 내에서 모든 에너지와 온도에 상응하는 핵단면적을 생산할 수 있다. 본 연구는 노심 해석에서 매우 중요하고 복잡한 공명 효과를 보이고 있는 우라늄 238의 흡수 단면적과 산란 단면적에 대해서 분석을 진행하였다. 연구 결과 5~7 Mb 크기의 파일에 흡수 단면적과 산란 단면적의 모든 정보를 담을 수 있었다. 기존 단면적과 비교했을 때 인공 신경망을 통해서 재생산된 산란 단면적과 공명 영역에서의 흡수 단면적은 상대 오차가 0.1% 보다 낮게 나타났고, 에너지가 높은 흡수 단면적에서는 1 $\sim$ 5%의 상대 오차를 보이기도 하였다.
