IMPLEMENTAO E QUALIFICAO DO MCNP 5 ATRAVS DA INTERCOMPARAO COM O BENCHMARK PARA O CLCULO DOS SISTEMAS CRTICOS GODIVA E JEZEBEL

Rafael G. Lara e Jos R. Maiorino

Centro de Engenharia, Modelagem e Cincias Sociais Aplicadas Universidade Federal do ABC Av. dos Estados, 5001 Santo Andr, SP rafael.lara@aluno.ufabc.edu.br joserubens.maiorino@ufabc.edu.br

ABSTRACT
Com a finalidade de implementar o cdigo MCNP 5 na Universidade Federal do ABC, este trabalho, que parte de uma iniciao cientfica, objetivou o clculo dos parmetros definidos no NEA-JEFF 16, que consiste basicamente na intercomparao por vrias instituies dos parmetros integrais, principalmente Keff dos experimentos crticos GODIVA e JEZEBEL. Os resultados encontrados mostraram-se bastante satisfatrios, assim, por exemplo, foi obtido para Keff o valor de 0.99548 0.00196, que est de acordo com o resultado experimental para a GODIVA, 1,0000,001, bem como de acordo com os calculados pelos participantes do Benchmark. Para a JEZEBEL os valores tambm foram adequados. O MCNP se mostrou vantajoso nos clculos devido capacidade de resoluo de problemas que possuem clculos complicados. Para problemas de geometria mais complicada e resultados mais precisos necessria a utilizao de um supercomputador, que ser realizada na continuao deste trabalho com a finalidade de disponibilizar esta ferramenta para uso comum.

1. INTRODUO
O Mtodo de Monte Carlo um mtodo numrico com bases matemticas a partir das cadeias de Markov da teoria das probabilidades [1]. A aplicao mais direta e intuitiva deste mtodo no transporte de partculas. O artigo clssico de Metropolis e Ulam [2] apresenta pela primeira vez este mtodo, enquanto que uma reviso histrica da criao do mtodo e de suas aplicaes desde os primrdios da engenharia nuclear pode ser encontrada em Metropolis [3], como apresentado em Carluccio [4]. Cdigos baseados no Mtodo de Monte Carlo so amplamente utilizados em vrias aplicaes da fsica de reatores, como a anlise de criticalidade, problemas de blindagem e detectores de radiao, na fsica mdica, para o planejamento de doses em radioterapia e at mesmo em sistemas aeroespaciais sujeitos radiao, alm de vrias outras aplicaes. Apesar da vantagem que este mtodo oferece para a obteno de resultados em geometrias complexas e interaes fsicas variadas ele um processo custoso computacionalmente, sendo portanto a capacidade de processamento um fator limitante da aplicao do Mtodo de Monte Carlo [4]. O aumento do poder de processamento ao

longo dos anos e a difuso de supercomputadores nos centros de pesquisa (e.g. UFABC) permite, e portanto, tem aumentado a utilizao do Mtodo de Monte Carlo [5]. Existem cdigos Monte Carlo que utilizam o tratamento multigrupo para energia e os que utilizam um tratamento contnuo. Dois dos principais cdigos, MCNP (proposto neste trabalho) e KENO [6], em suas verses mais atuais disponibilizam ao usurio os dois tipos de tratamento. Uma reviso dos cdigos Monte Carlo disponveis pode ser encontrada em Kirk [7]. A grande vantagem do MCNP a capacidade de modelar em 3-D com um altssimo grau de detalhe qualquer sistema fsico. A geometria do sistema descrita por clulas, as quais so definidas por superfcies (planos, cubos, cnicas, torus etc), e atravs de lgebra Booleana podem modelar qualquer geometria. Estas clulas so preenchidas por materiais cujos dados nucleares so fornecidas por bibliotecas de dados nucleares tais como a ENDF/B (Evaluated Nuclear Data File), que integram o cdigo, podendo ser instaladas juntamente com este. Este trabalho parte de uma iniciao cientfica que visa a implementao e a qualificao do cdigo MCNP no supercomputador da UFABC, de maneira que possa ser disponibilizada uma ferramenta de simulao de ltima gerao para clculos precisos de reatores nucleares e sistemas sujeitos radiao. A implementao desta ferramenta ter aplicaes multidisciplinares, abrangendo diversas reas da engenharia (nuclear, aeroespacial, biomdica), fsica das radiaes entre outras.

2. METODOLOGIA
Como uma continuao de um trabalho prvio de familiarizao com o Mtodo de Monte Carlo e a fsica de reatores [8] foram iniciadas as atividades com o MCNP. Inicialmente foi obtido o manual do programa (MCNPX Users Manual) [9] e realizados os estudos sobre seu funcionamento. Como os problemas propostos eram simples, o MCNP foi instalado em um computador comum, que atendia de maneira satisfatria a necessidade de processamento. A instalao do MCNP no supercomputador da UFABC ser feita posteriormente, em problemas mais complexos, utilizando os compiladores disponveis. Durante as pesquisas foram aprendidos diversos conceitos do MCNP e estes so apresentados a seguir na ordem cronolgica em que foram estudados e testados na resoluo dos problemas. Com os conceitos enunciados foi possvel solucionar os problemas que esto contidos no benchmark e tambm mostrados a seguir.

2.1. Funcionamento Bsico:

O funcionamento do MCNP atravs de arquivos de input e output, ou seja, deve-se criar um arquivo input que define o problema e os dados de sada esperados. Este arquivo deve seguir uma estrutura especfica para a correta interpretao pelo MCNP [9]. Os resultados so gerados em forma de um arquivo output que pode mostrar todas as etapas do clculo realizado. Um tpico problema definido no MCNP atravs da juno das superfcies de materiais pr definidos atravs de lgebra booleana.

2.2. Arquivos Input:

So estes os arquivos que definem a geometria do problema, os materiais presentes no sistema em questo, os parmetros de fonte e os parmetros que sero calculados. Para a criao da geometria deve-se definir clulas delimitadas por uma ou mais superfcies. Estas clulas podem conter material ou estarem vazias. O input consiste de trs partes principais que so: Clulas (cell cards), superfcies (surface cards) e dados (data cards).

2.3. Title Cards:

Contm normalmente informaes do problema, pode ser usada para identificao dos arquivos input.

2.4. Cell Cards:

Aparece logo aps o ttulo e utilizada para definir o formato e a composio das regies do problema. escrita como: j m d geom params, onde:

j = nmero da clula; m = nmero do material; d = densidade do material na clula; geom = lista das superfcies e operadores que compe a clula; param = especificaes opcionais.

2.5. Surface Cards:

Determina as superfcies, e escrito como: j a list, onde:

j = nmero da superfcie; a = Tipo da superfcies (esfera, plano, cilindro, etc); list = nmeros que descrevem a superfcie (comprimento, raio, etc).

2.6. Data Cards:

Define o formato da resposta, e estruturado como: kcode nsrck rkk ikz kct, onde:

kcode = clculo da criticalidade (fornece o K efetivo); nsrck = nmero de nutrons por ciclo (grandes valores otimizam o clculo)[10]; rkk = chute inicial para o k efetivo; ikz = nmero de ciclos que so pulados antes de se iniciar o clculo (isso evita erro por contaminao de estatsticas iniciais)[10]; kct = nmero total de ciclos.

superfcies atravs de lgebra booleana. A seguir so apresentados os problemas solucionados no MCNP.

2.7. Material Cards: 4.9. GODIVA:

Define os materiais que compe as superfcies. Eles so obtidos atravs de cdigos especficos para localizao na biblioteca do MCNP. O primeiro problema realizado no MCNP consistiu no reator GODIVA, que foi um

reator do LANL que que era composto por uma esfera de urnio enriquecido sem 2.8. GODIVA: nenhuma proteo exterior (MORRIS et al, 1961). Foram obtidas informaes sobre as O primeiro problema realizado no MCNP consistiu no reator GODIVA, que foi um reator do caractersticas deste reator e ento foi desenvolvido um arquivo input com estes dados. LANL que era composto por uma esfera de urnio enriquecido sem nenhuma proteo Este arquivo sobre suas funes e mostradodeste na figura 2: e ento foi exterior [11]. possui Foram comentrios obtidas informaes sobre as caractersticas reator desenvolvido um arquivo input com estes dados. Este arquivo possui comentrios sobre suas funes e mostrado na figura 1.

4.10. JEZEBEL:

Figura 1. Input para o reator do tipo GODIVA.

Figura 2. Input para o reator do tipo Godiva.

2.9. JEZEBEL:
Os resultados completos obtidos no output para a Godiva so mostrados no A JEZEBEL descrita ee calculada no Benchmark consistia de obtidos uma esfera homognea de plutnio e glio, da mesma maneira que a Godiva, foram seus dados, como de Apndice B. plutnio e glio, e da mesma maneira que a GODIVA, foram obtidos seus dados, como raio e composio para a criao do arquivo input, que mostrado na figura 3. raio e composio para a criao do arquivo input, que mostrado na figura 2.
11

A Jezebel descrita e calculada no Benchmark consistia de uma esfera homognea

Figura 2. Input para oo reator tipo JEZEBEL. Figura 3. Input para reator do do tipo Jezebel.
Os resultados completos obtidos no output para este problema esto contidos no Apndice C. Com os valores obtidos para estes problemas, foi possvel fazer uma inter

3. RESULTADOS E DISCUSSO
A instalao do MCNP em um computador convencional permitiu a simulao dos problemas propostos de maneira satisfatria, ou seja, neste caso no foi um fator limitante. Entretanto, sabe-se que para futuras simulaes com geometria mais complexa o supercomputador ser necessrio. As estruturas de input funcionaram de maneira correta gerando resultados esperados. A Tabela 1 apresenta os valores de Keff (parmetro de criticalidade) obtidos no benchmark atravs de diversos mtodos.
Tabela 1. Valores de Keff para GODIVA e JEZEBEL

Fonte: Nuclear Energy Agency - NEA (1999) Os resultados obtidos na simulao deste trabalho e que so apresentados de Os resultados obtidos na simulao deste trabalho os seguintes: maneira completa no Apndice B para a GODIVA eforam Apndice C para a JEZEBEL foram os seguintes: GODIVA: Keff = 0.99548 + 0.00196 JEZEBEL: Keff = 0.99725 + 0.00059 GODIVA: Keff = 0.99548 + 0.00196 Estes resultados esto prximos aos obtidos no benchmark e considerando as margens de erro dos mtodos, em sua grande JEZEBEL: Keff = 0.99725 + 0.00059 maioria os resultados esto de acordo. Em algumas excees os valores foram diferentes, mas vale lembrar que os resultados presentes na literatura tambm so aproximaes sujeitas variaes e erros. Estes resultados esto prximos aos obtidos no benchmark e considerando as margens de erro dos mtodos, em sua grande maioria os resultados esto de acordo. Em algumas excees os valores foram diferentes, mas vale lembrar que os resultados

A continuao deste trabalho se dar aps a instalao do MCNP no supercomputador. da UFABC. Assim ser possvel alm da realizao de problemas mais complexos j mencionados, o aumento no nmero de ciclos dos problemas calculados e uma possvel melhora nas respostas, como sugere a Lei dos Grandes Nmeros [13].

4. CONCLUSO
A implementao do MCNP traz diversas vantagens, entre elas: - Aplicao do MCNP na simulao dos mais variados problemas, que podem ser tratados nos cursos da UFABC, como Engenharias Aeroespacial, Energia e Biomdica; - Resoluo de problemas com mais rapidez devido ao poder de processamento; - Aumento da gama de softwares disponveis para a comunidade acadmica; - Disseminao do conhecimento sobre o Mtodo de Monte Carlo. A fundamentao terica obtida no trabalho anterior e pesquisas sobre fsica de reatores foram essenciais para o entendimento dos processos envolvidos nas simulaes realizadas. A leitura do manual de usurio do MCNP contribuiu para a implementao dos problemas de maneira correta. Os resultados obtidos esto de acordo com o benchmark e sugerem que a utilizao do MCNP pode ser uma opo no clculo de problemas complexos. O MCNP mostrou-se muito til no clculo de problemas que podem ter solues complicadas, inclusive na questo da definio de geometrias. Inicialmente um computador comum foi suficiente para o clculo dos problemas, pois no foi necessrio o uso de muito processamento, porm ao se aumentar o nmero de ciclos fica evidente uma demora no clculo e espera-se que para problemas de geometria mais complicada, seja necessrio um processamento mais rpido.

5. REFERNCIAS
1. GILKS W., RICHARDSON S., SPIEGELHALTER D., Markov chain Monte Carlo in practice. Chapman & Hall/CRC, 1996 2. METROPOLIS N., ULAM S., The Monte Carlo method, Journal of the American Statistical Association, 1949, vol. 44, p. 335 3. METROPOLIS N., The beginning of the Monte Carlo method, Los Alamos Science, 1987, vol. 15. 4. CARLUCCIO T., Implementao e qualificao de metodologia de clculos neutrnicos em reatores subcrticos acionados por fonte externa de nutrons e aplicaes, 2011, 351 p. Tese (Doutorado em Tecnologia Nuclear) - IPEN-USP, So Paulo. 5. ANDERSON H., Metropolis, Monte Carlo, and the MANIAC, Los Alamos Science, 1986, vol. 14, p. 96

6. DUNN M., GREENE N., PETRIE L., POINT KENO, Va: Continuous-energy Monte Carlo Code for Transport Applications, 2004. 7. KIRK B., Overview of Monte Carlo Radiation Transport Codes, Radiation Measurements, 2010. 8. LARA R. G., Aplicao do Mtodo de Monte Carlo na Simulao do Transporte de Nutrons e Gamas, Universidade Federal do ABC, 2012, Iniciao Cientfica (orientador: Prof. Dr. Jos Rubens Maiorino). 9. PELOWITZ D. B., MCNPX Users Manual, V. 2.5.0, April 2005. 10. BEVINGTON, P. R., Data Reduction and Error Analysis for the Physical Science, McGraw- Hill Co.1969 11. MORRIS J. ENGELKE; BEMIS JR., EDWIN A.; SAYEG, J. A., LA-2569 Neutron tissue dose rate survey for the Godiva II critical assembly, Los Alamos Scientific Laboratory, 1961. 12. NUCLEAR ENERGY AGENCY - NEA, Intercomparison of Calculations for GODIVA and JEZEBEL, JEFF Report 16, 1999 13. VON NEUMANN, J.RICHTMY, R. ULAM,S.. Statistical methods in neutron diffusion, Los Alamos Scientific Report, vol.151, 1947