New Procedure for the Evaluation of Fission Product Yields: Application to the Spontaneous Fission of $^{252}$Cf

Ce papier présente une nouvelle procédure d'évaluation des rendements de produits de fission indépendants et cumulatifs issus de la fission spontanée du $^{252}$Cf, en utilisant un filtre de Kalman bayésien pour intégrer les données expérimentales avec le modèle de désintégration des fragments de fission Hauser-Feshbach dans $\texttt{BeoH}$ afin de produire des valeurs moyennes, des corrélations complètes et des prédictions cohérentes pour les multiplicités de neutrons et de rayons $\gamma$ prompts et retardés.

L'essentiel

La Vue d'Ensemble : Prédire les Conséquences d'une Fission Nucléaire

Imaginez un ballon géant et instable (un atome lourd comme le Californium-252) qui éclate soudainement. Lorsqu'il éclate, il ne disparaît pas simplement ; il se brise en deux morceaux plus petits qui s'envolent (les fragments de fission) et projette un nuage de petites confettis (neutrons et rayons gamma).

Les scientifiques doivent savoir exactement ce que sont ces morceaux en vol, quelle est leur masse et ce qui leur arrive ensuite. Restent-ils tels quels, ou se transforment-ils lentement en d'autres éléments au fil du temps ? Ce document traite de la création d'un bien meilleur « code de règles » pour prédire ces résultats.

Le Problème : Deviner vs Savoir

Actuellement, les scientifiques ont deux façons de savoir ce qui se passe après l'éclatement du ballon :

1. Le Laboratoire : Ils font éclater les ballons lors d'expériences et comptent les morceaux. C'est précis mais désordonné et incomplet (ils ne peuvent pas attraper chaque morceau).
2. La Théorie : Ils utilisent des modèles mathématiques complexes pour simuler l'éclatement. C'est cohérent mais peut s'éloigner de la réalité si les mathématiques ne sont pas parfaites.

Les auteurs de ce document voulaient combiner le meilleur des deux mondes. Ils voulaient prendre leur modèle mathématique et « l'accorder » pour qu'il corresponde parfaitement aux expériences du monde réel, tout en déterminant l'incertitude de ces prédictions.

L'Outil : Le « Accordéur Intelligent » (Le Filtre de Kalman)

Les auteurs ont utilisé un outil mathématique appelé Filtre de Kalman Bayésien.

L'Analogie : Imaginez que vous essayez d'accorder un piano très complexe comportant des centaines de cordes.

• Vous avez un plan (le modèle informatique) qui vous dit comment les cordes devraient sonner.
• Vous avez un enregistrement d'un vrai piano joué (les données expérimentales).
• L'enregistrement sonne un peu faux par rapport au plan.

Au lieu de simplement deviner quelles cordes serrer, le Filtre de Kalman agit comme un accordéur sur-intelligent. Il examine le plan et l'enregistrement, calcule exactement combien serrer ou desserrer chaque corde (les paramètres du modèle) pour les faire correspondre, et vous indique exactement à quel point il est confiant dans cet ajustement.

Ce Qu'ils Ont Fait

1. La Configuration : Ils ont utilisé un code informatique appelé BeoH. Considérez BeoH comme un moteur de jeu vidéo haute vitesse qui simule l'« éclatement » de l'atome. Il calcule les morceaux initiaux, le jet de neutrons et la façon dont ces morceaux finissent par se stabiliser en éléments stables.
2. L'Accordage : Ils ont fourni au Filtre de Kalman de vraies données expérimentales (issues d'une base de données appelée EXFOR) et la bibliothèque officielle actuelle de données nucléaires (ENDF/B-VIII.0).
3. Le Résultat : Le filtre a ajusté les « boutons » de la simulation BeoH. Il a modifié des éléments tels que :
   • L'énergie avec laquelle les morceaux s'éloignent.
   • La façon dont l'énergie est partagée entre les deux morceaux.
   • La probabilité que les morceaux tournent ou vacillent.

En ajustant ces boutons, ils ont fait correspondre la simulation informatique aux données du monde réel beaucoup mieux qu'auparavant.

La Carte de « Covariance » : Savoir ce que vous Ignorez

L'une des parties les plus importantes de ce document est la création de matrices de covariance.

L'Analogie : Imaginez que vous faites un gâteau. Si vous ajoutez trop de sucre, le gâteau pourrait être trop sucré. Mais si vous ajoutez aussi trop de farine, l'excès de farine pourrait annuler le sucre, et le gâteau aura un goût normal.

• Erreur Standard : « Je suis incertain à 10 % concernant le sucre. »
• Covariance : « Je suis incertain à 10 % concernant le sucre, et je suis incertain à 10 % concernant la farine, mais je sais que si je me trompe sur le sucre, il est aussi probable que je me trompe sur la farine d'une manière spécifique car ils sont liés. »

Les auteurs ont créé une immense carte montrant comment les erreurs dans une prédiction sont liées aux erreurs dans une autre. Si leur modèle est légèrement faux pour prédire la quantité d'un élément spécifique, cette carte vous indique exactement comment cette erreur affecte la prédiction de tous les autres éléments. Ceci est crucial pour la sécurité et l'ingénierie car cela vous indique le « pire scénario » de la façon dont l'ensemble du tableau pourrait être erroné.

Les Résultats

• Meilleures Correspondances : Lorsqu'ils ont accordé le modèle pour qu'il corresponde aux expériences réelles, les résultats ressemblaient beaucoup à la bibliothèque officielle gouvernementale (ENDF), mais avec une fondation mathématique plus rigoureuse.
• Succès Inattendu : Même s'ils n'ont accordé le modèle que pour correspondre aux éléments « finaux » (Rendements Cumulatifs), le modèle est également devenu meilleur pour prédire des choses pour lesquelles ils ne l'avaient pas accordé, comme le nombre de neutrons libérés immédiatement après la fission. C'est comme accorder une radio pour obtenir une station claire, et soudainement le volume et les basses s'améliorent automatiquement.
• Le Problème de la « Vallée » : Le modèle peine encore un peu à prédire parfaitement les fissions symétriques très rares (où le ballon se brise en deux moitiés presque égales), mais il est beaucoup meilleur pour les fissions courantes.

Résumé

Ce document présente une nouvelle et plus intelligente façon de mettre à jour le « manuel d'instructions » pour la fission nucléaire. Au lieu de simplement deviner ou de s'appuyer sur de vieilles données, ils ont utilisé un « accordéur » mathématique pour aligner leurs simulations informatiques sur les expériences du monde réel. Le résultat est une prédiction plus précise des fragments nucléaires et une carte détaillée de l'incertitude de ces prédictions, ce qui aide les scientifiques à comprendre le cycle du combustible nucléaire et le comportement des matériaux nucléaires avec plus de confiance.

Résumé technique

1. Énoncé du problème

Une connaissance précise des Rendements de Fission Indépendants (IFY) et des Rendements de Fission Cumulatifs (CFY) est cruciale pour les applications du cycle du combustible nucléaire et la dynamique fondamentale de la fission. Cependant, les bibliothèques de données nucléaires évaluées existantes (telles que ENDF/B-VIII.1) présentent plusieurs limitations :

• Incohérence : Les évaluations actuelles reposent souvent sur des systématises de données expérimentales (par exemple, England-Rider) plutôt que sur une modélisation physique cohérente, ce qui entraîne des incohérences potentielles entre les rendements de fission et d'autres observables (comme les multiplicités de neutrons prompts).
• Absence de covariances : La plupart des bibliothèques ne disposent pas de matrices de covariance complètes pour les rendements de fission, rendant difficile la quantification des incertitudes dans les applications en aval.
• Grilles d'énergie statiques : Les évaluations sont souvent limitées à des énergies de neutrons incidents spécifiques, manquant d'une description continue dépendante de l'énergie.
• Discordances de données : Les données expérimentales contiennent souvent des valeurs aberrantes ou des incohérences qui ne sont pas systématiquement résolues dans les évaluations actuelles.

Les auteurs proposent une nouvelle procédure d'évaluation qui intègre la modélisation des réactions nucléaires avec des données expérimentales pour produire des valeurs moyennes cohérentes et des matrices de covariance complètes pour les produits de fission.

2. Méthodologie

Les auteurs ont développé un cadre combinant le code de désintégration déterministe de fragments de fission BeoH avec une technique d'optimisation par filtre de Kalman Bayésien.

A. Le modèle physique : BeoH

BeoH modélise la désexcitation des fragments de fission depuis le point de scission jusqu'à l'état fondamental.

• Conditions initiales : Il construit la distribution initiale des fragments de fission (masse $A$, charge $Z$, Énergie Cinétique Totale $TKE$, spin $J$, parité $\pi$) en utilisant une distribution de masse multi-gaussienne et les systématises de Wahl pour la charge.
• Émission prompte : Il utilise la théorie statistique de Hauser-Feshbach pour calculer l'émission de neutrons et de rayons $\gamma$ prompts.
• Émission retardée : Il calcule les rendements cumulatifs en suivant la désintégration $\beta$ et l'émission de neutrons retardés par $\beta$ en utilisant des données de désintégration évaluées (ENDF/B-VIII.0).
• Paramètres clés : Le modèle repose sur des paramètres régissant la distribution de masse ($Y(A)$), l'échelle de la distribution de charge ($f_Z, f_N$), l'énergie cinétique totale ($TKE$) et le partage de l'énergie d'excitation entre les fragments légers et lourds ($R_T(A)$).

B. L'optimisation : Filtre de Kalman Bayésien

Pour optimiser les paramètres de BeoH, les auteurs utilisent un filtre de Kalman, en supposant des relations linéaires entre les paramètres et les sorties du modèle (validées par des exécutions itératives du modèle complet).

• Entrées : Le filtre ajuste le modèle à deux ensembles de données distincts :
  1. Les rendements expérimentaux de produits de fission cumulatifs (provenant d'EXFOR) et la multiplicité de neutrons prompts ($\nu_p$).
  2. Les valeurs évaluées de la bibliothèque ENDF/B-VIII.0.
• Processus :
  • Les matrices de sensibilité ($C$) sont calculées en perturbant les paramètres du modèle de 1 %.
  • Le filtre met à jour le vecteur de paramètres ($x$) pour minimiser la différence entre la sortie du modèle et les données cibles, pondérée par les covariances expérimentales et a priori.
  • Optimisation multi-étapes : Pour éviter que les noyaux à faible rendement ne biaisent l'ajustement, l'optimisation procède par étapes, en commençant par les noyaux à haut rendement (>5 %) et en ajoutant progressivement les noyaux à plus faible rendement jusqu'à un seuil de 0,2 %.
• Génération de covariances : Le filtre produit non seulement des valeurs moyennes mises à jour, mais aussi une matrice de covariance complète pour les rendements, dérivée de la matrice de covariance des paramètres ($P$) et de la matrice de sensibilité ($C$).

3. Contributions principales

• Cadre d'évaluation unifié : Une procédure novatrice qui évalue simultanément les rendements de fission et les contraint avec des observables auxiliaires (neutrons prompts, rayons $\gamma$), assurant une cohérence physique.
• Matrices de covariance complètes : La génération de matrices de covariance complètes pour les Rendements de Fission Indépendants et Cumulatifs, incluant les corrélations inter-énergies et inter-nucléides, qui font largement défaut dans les bibliothèques actuelles.
• Validation de l'approximation linéaire : Les auteurs ont testé rigoureusement l'approximation linéaire inhérente au filtre de Kalman en comparant les résultats du filtre aux calculs BeoH non linéaires complets, trouvant un excellent accord ($\delta_{KB} < 1\%$ pour la plupart des cas).
• Application au 252Cf : Une réévaluation complète de la fission spontanée du $^{252}\text{Cf}$, servant de référence pour la méthode.

4. Résultats

L'étude a réalisé deux optimisations parallèles : l'une contre les données expérimentales EXFOR et l'autre contre les données évaluées ENDF/B-VIII.0.

• Ajustements des paramètres :
  • L'optimisation a entraîné des modifications modestes des paramètres de distribution de masse (majoritairement <10 %).
  • Des ajustements significatifs ont été observés dans les paramètres de partage de l'énergie d'excitation ($R_T$) et le facteur d'échelle de la coupure de spin ($f$), en particulier pour les régions de masse où les données expérimentales étaient rares ou contradictoires.
  • L'Énergie Cinétique Totale ($TKE$) a été contrainte à des valeurs physiques en incluant $\nu_p$ dans l'ajustement.
• Comparaisons des rendements :
  • Accord : Les calculs BeoH optimisés ont montré un bon accord avec les données expérimentales et la bibliothèque ENDF/B-VIII.0.
  • Discordances : Dans les régions à données rares (région de masse symétrique et ailes), les deux optimisations ont divergé, mettant en évidence l'impact de la source de données a priori.
  • Valeurs aberrantes : La procédure a réussi à identifier et gérer les incohérences, telles que la grande discordance pour $^{115}\text{Sn}$ dans l'ajustement ENDF (où BeoH était d'un ordre de grandeur inférieur), bien que ce cas spécifique ait manqué de données expérimentales pour résolution.
• Cohérence avec d'autres observables :
  • Bien que seuls les CFY et $\nu_p$ aient été explicitement ajustés, le modèle résultant a maintenu un accord raisonnable avec les multiplicités de neutrons retardés ($\nu_d$) et les multiplicités de rayons $\gamma$ prompts, démontrant la cohérence interne du modèle.
• Incertitudes et corrélations :
  • Les incertitudes résultantes pour les rendements optimisés ont généralement été réduites par rapport à la dispersion des données expérimentales brutes, en particulier dans les régions de haute masse.
  • Les matrices de corrélation ont révélé de fortes corrélations positives entre les chaînes de masses voisines et des corrélations structurées au sein des chaînes isotopiques, pilotées par les contraintes physiques du modèle de Hauser-Feshbach.

5. Importance

Ce travail représente un changement de paradigme dans l'évaluation des données nucléaires :

1. Des systématises à la physique : Il s'éloigne des systématises purement empiriques vers une évaluation basée sur la physique où les rendements sont dérivés d'un modèle de désintégration cohérent contraint par les données.
2. Quantification des incertitudes : En fournissant des matrices de covariance complètes, cette méthode permet une propagation plus précise des incertitudes dans les simulations de physique des réacteurs, la sûreté critique et les garanties nucléaires.
3. Évolutivité : Bien que démontrée sur le $^{252}\text{Cf}$, les auteurs notent que la méthodologie est directement applicable à la fission induite par neutrons (par exemple, $^{235}\text{U}$, $^{239}\text{Pu}$) jusqu'à 20 MeV, y compris les canaux de fission à plusieurs chances.
4. Impact futur : La capacité à générer des rendements cohérents et dépendants de l'énergie avec des covariances comble une lacune majeure dans les bibliothèques de données nucléaires actuelles, ouvrant la voie à la prochaine génération de fichiers de données nucléaires évaluées (ENDF).

En conclusion, l'article démontre avec succès que la combinaison de la modélisation de Hauser-Feshbach avec le filtrage de Kalman Bayésien produit une évaluation robuste, cohérente et quantifiée des incertitudes des rendements de produits de fission, offrant une alternative supérieure aux méthodes d'évaluation traditionnelles.