Multi-physics model of an eVinci-like heat-pipe micro-reactor

This work presents the development of a multi-physics model of a graphite-moderated, 15 MWth TRISO-fueled micro-reactor, representative of the eVinci concept. The study integrates neutronic, thermal-hydraulic, and design analyses with a focus on the optimization of the radial power distribution. Monte Carlo simulations, performed using the Serpent 2 code, were employed to characterize the neutronic behavior of the core and to assess the impact of geometrical, material, and enrichment variations. The optimization of the power profile was addressed through data-driven methods, in particular by training a neural network to predict and flatten the power distribution as a function of the fuel packing fraction. The model successfully identified configurations that minimize local power peaks while preserving long term operation. Additional studies were carried out on the implementation of burnable poisons to achieve long-term reactivity control and on preliminary thermal–hydraulic coupling aspects to estimate temperature distribution. The results demonstrate that combining Monte Carlo simulations with machine learning techniques provides an efficient framework for reactor design and optimization, reducing computational cost while maintaining high physical accuracy.

Il presente lavoro descrive lo sviluppo di un modello multi-fisico di un microreattore da 15 MWth moderato in grafite e alimentato con combustibile TRISO, rappresentativo del concetto eVinci. Lo studio integra analisi neutroniche, termiche e progettuali, con particolare attenzione all’ottimizzazione della distribuzione radiale di potenza. Le simulazioni Monte Carlo, eseguite con il codice Serpent 2, sono state impiegate per caratterizzare il comportamento neutronico del nocciolo e valutare l’influenza di variazioni geometriche, di materiale e di arricchimento. L’ottimizzazione del profilo di potenza è stata affrontata tramite metodi data-driven, in particolare attraverso l’addestramento di una rete neurale in grado di predire e appiattire la distribuzione di potenza in funzione della packing fraction del combustibile. Il modello ha individuato configurazioni capaci di minimizzare i picchi locali di potenza mantenendo al contempo un lungo ciclo operativo. Ulteriori analisi hanno riguardato l’introduzione di veleni combustibili per il controllo a lungo termine della reattività e una valutazione preliminare dell’accoppiamento termo–idraulico per stimare la distribuzione del profilo di temperatura. I risultati dimostrano che la combinazione di simulazioni Monte Carlo e tecniche di machine learning costituisce un approccio efficiente per la progettazione e l’ottimizzazione dei reattori, riducendo il costo computazionale e mantenendo alti livelli di accuratezza fisica.