Hybrid Two-Level Transport Method with Solution Decomposition in Macro and Micro Components

तकनीकी सारांश: मैक्रो और माइक्रो घटकों में समाधान अपघटन के साथ हाइब्रिड टू-लेवल ट्रांसपोर्ट विधि

समस्या विवरण
यह शोध पत्र एक-समूह स्थिर अवस्था बोल्ट्ज़मैन परिवहन समीकरण (one-group steady-state Boltzmann transport equation) को हल करने की कम्प्यूटेशनल चुनौती को संबोधित करता है। जबकि नियतात्मक विधियाँ (deterministic methods) मेश रिफाइनमेंट के साथ अभिसरण (convergence) प्रदान करती हैं लेकिन विविक्तकरण त्रुटियों (discretization errors) से ग्रस्त होती हैं, स्टोकेस्टिक मोंटे कार्लो (MC) विधियाँ केवल सांख्यिकीय शोर (statistical noise) पेश करती हैं जो कणों की संख्या के साथ घटता है, लेकिन विचरण (variance) के कारण कम्प्यूटेशनल रूप से महंगी हो सकती हैं। लेखक एक हाइब्रिड MC/नियतात्मक दृष्टिकोण विकसित करने का लक्ष्य रखते हैं जो समाधान को मैक्रो और माइक्रो घटकों में विभाजित करके कम्प्यूटेशनल दक्षता में सुधार करता है और विचरण को कम करता है।

कार्यप्रणाली
प्रस्तावित विधि, जिसे हाइब्रिड माइक्रो-मैक्रो ट्रांसपोर्ट (HMMT) विधि कहा जाता है, कोणीय फ्लक्स $\psi(x, \mu)$ को एक मैक्रो घटक $\Psi(x, \mu)$ और एक माइक्रो घटक $\delta\psi(x, \mu)$ में विभाजित करने पर आधारित है:
$$\psi(x, \mu) = \Psi(x, \mu) + \delta\psi(x, \mu)$$

• मैक्रो घटक (Macro Component): यह घटक समाधान की बड़े पैमाने की संरचना को कैप्चर करता है। इसे $P_1$ सन्निकटन (approximation) का उपयोग करके परिभाषित किया गया है, जहाँ कोणीय फ्लक्स को पहले दो कोणीय मोमेंट्स (स्केलर फ्लक्स $\phi$ और करंट $J$) से पुनर्गठित किया जाता है। ये मोमेंट्स लो-ऑर्डर क्वासी डिफ्यूजन (LOQD) समीकरणों, जिन्हें वेरिएबल एडिंगटन फैक्टर (VEF) समीकरण भी कहा जाता है, को हल करके प्राप्त किए जाते हैं। LOQD प्रणाली एडिंगटन कारकों और बाउंड्री कारकों द्वारा परिभाषित सटीक क्लोजर (closures) का उपयोग करती है।
• माइक्रो घटक (Micro Component): यह घटक मैक्रो समाधान से सूक्ष्म-स्तरीय विचलन का प्रतिनिधित्व करता है। यह एक परिवहन समीकरण द्वारा नियंत्रित होता है जिसमें मैक्रो घटक से प्राप्त स्रोत पद (source term) होता है। महत्वपूर्ण रूप से, माइक्रो समीकरण में कोई स्कैटरिंग टर्म नहीं होता है; इसे मोंटे कार्लो सिमुलेशन का उपयोग करके हल किया जाता है।
• पुनरावृत्ति समाधान योजना (Iterative Solution Scheme): इस प्रणाली को एक फिक्स्ड-पॉइंट इटरेशन स्कीम (एल्गोरिदम 1) के माध्यम से हल किया जाता है:
  1. LOQD समाधान: पिछले इटरेशन से क्लोजर फैक्टर्स ($E, C_L, C_R$) का उपयोग करते हुए, मैक्रो मोमेंट्स ($\phi, J$) को अपडेट करने और $\Psi$ को पुनर्गठित करने के लिए नियतात्मक LOQD समीकरणों को हल किया जाता है।
  2. MC समाधान: माइक्रो परिवहन समीकरण को MC का उपयोग करके हल किया जाता है। इस चरण के लिए स्रोत पद का निर्माण अपडेटेड मैक्रो समाधान से किया जाता है। MC सिमुलेशन में विघटन से उत्पन्न संभावित नकारात्मक स्रोत पदों को संभालने के लिए धनात्मक और ऋणात्मक दोनों भार (weights) वाले कणों का उपयोग किया जाता है।
  3. क्लोजर अपडेट: MC सिमुलेशन माइक्रो घटक के कोणीय मोमेंट्स ($\delta\phi, \delta J$) को टली (tally) करता है। इन्हें अगले इटरेशन के लिए अपडेटेड एडिंगटन और बाउंड्री फैक्टर्स की गणना करने के लिए मैक्रो मोमेंट्स के साथ जोड़ा जाता है।
  4. अभिसरण (Convergence): यह प्रक्रिया तब तक दोहराई जाती है जब तक कि स्केलर फ्लक्स निर्दिष्ट सहनशीलता (tolerance) के भीतर अभिसरित न हो जाए।

प्रमुख योगदान

• नवीन अपघटन (Novel Decomposition): यह शोध पत्र एक विशिष्ट हाइब्रिड फ्रेमवर्क पेश करता है जहाँ मैक्रो घटक को सख्ती से LOQD समीकरणों से प्राप्त $P_1$-सन्नमित मोमेंट्स द्वारा परिभाषित किया जाता है, जबकि माइक्रो घटक को एक गैर-स्कैटरिंग MC समस्या के रूप में माना जाता है।
• सटीक क्लोजर्स (Exact Closures): विधि लो-ऑर्डर समीकरणों के लिए सटीक क्लोजर्स का उपयोग करती है, जहाँ एडिंगटन कारकों को मैक्रो और माइक्रो घटकों के योग के आधार पर गतिशील रूप से गणना की जाती है।
• विचरण न्यूनीकरण तंत्र (Variance Reduction Mechanism): प्रमुख बड़े पैमाने के व्यवहार को नियतात्मक रूप से हल करके और MC का उपयोग केवल अवशिष्ट (residual) माइक्रो घटक के लिए करके, यह विधि शुद्ध MC सिमुलेशन में अंतर्निहित सांख्यिकीय शोर को कम करने का लक्ष्य रखती है।

संख्यात्मक परिणाम
विधि का परीक्षण एक विषम स्लैब समस्या (heterogeneous slab problem) पर किया गया जिसमें एक ऑप्टिकली थिक बैरियर शामिल था, जिसमें पारंपरिक IC (इम्प्लिसिट कैप्चर) वाले MC समाधान के विरुद्ध HMMT परिणामों की तुलना की गई।

• सटीकता (Accuracy): HMMT समाधान ने पारंपरिक MC समाधान की तुलना में उच्च सटीकता प्रदर्शित की, विशेष रूप से स्रोत क्षेत्र और ऑप्टिकली थिक बैरियर के पीछे के सबडोमेन में। HMMT के लिए सापेक्ष त्रुटि का $L_2$-नॉर्म 0.48 था, जबकि MC के लिए यह 1.3 था।
• विचरण न्यूनीकरण (Variance Reduction): स्रोत क्षेत्र और बैरियर के पीछे के क्षेत्र में बैच सापेक्ष विचरण (batch relative variance) में महत्वपूर्ण कमी आई। HMMT समाधान ने मानक MC दृष्टिकोण की तुलना में 2-नॉर्म में लगभग दो क्रम (orders of magnitude) कम विचरण प्रदर्शित किया।
• अभिसरण (Convergence): विधि ने कणों की संख्या ($N$) के संबंध में लगभग सैद्धांतिक अभिसरण दर ($O(N^{-1/2})$) और मेश आकार ($\Delta x$) के संबंध में $O(\Delta x)$ प्राप्त की। उच्च कण गणना पर, विविक्तकरण त्रुटि के कारण त्रुटि स्थिर (plateau) हो गई, जो सैद्धांतिक अपेक्षाओं के अनुरूप है।
• दक्षता (फिगर ऑफ मेरिट - FOM): HMMT विधि के लिए फिगर ऑफ मेरिट (FOM) पारंपरिक MC विधि की तुलना में 100 गुना से अधिक पाया गया। यह सुधार कम विचरण और कम रनटाइम दोनों के कारण है, क्योंकि HMMT विधि का MC भाग में कोई स्कैटरिंग इवेंट शामिल नहीं है, जो आमतौर पर परिवहन सिमुलेशन का सबसे महंगा हिस्सा होता है।

महत्व और दावे
लेखक दावा करते हैं कि HMMT विधि सफलतापूर्वक स्टोकैस्टिक संख्यात्मक समाधान के विचरण में कमी और मानक MC एल्गोरिदम (इम्प्लिसिट कैप्चर के साथ) की तुलना में महत्वपूर्ण दक्षता सुधार प्रदर्शित करती है। यह शोध पत्र स्थिर-अवस्था परिवहन समस्याओं के लिए एक नए हाइब्रिड दृष्टिकोण के रूप में इस कार्य को प्रस्तुत करता है। लेखक उल्लेख करते हैं कि भविष्य के अनुसंधान में विभिन्न परीक्षण समस्याओं पर विधि का विश्लेषण करना, मैक्रो घटक की विभिन्न परिभाषाओं की खोज करना, अन्य प्रकार के लो-ऑर्डर समीकरणों को लागू करना और उन्नत विविक्तकरण योजनाओं की जांच करना शामिल होगा। इस कार्य को सेंटर फॉर एडवांसिंग द रेडिएशन रेजिलिएंस ऑफ इलेक्ट्रॉनिक्स (CARRE) द्वारा सहायता प्राप्त की गई थी।