基于机器学习的燃料棒核素及燃耗预测
为提升核反应堆燃料棒的燃耗预测能力,采用机器学习方法,依据数值计算VVER-1000型反应堆得到的U41型燃料棒的核素含量及平均燃耗数据样本,通过岭回归、BP神经网络和卷积神经网络3种算法,建立不同平均燃耗与核素含量间的回归模型,并以均方误差(MSE)及R2作为评估标准评价模型,利用训练好的模型在测试集中对目标进行预测.结果表明:岭回归、BP神经网络及卷积神经网络等机器学习方法在预测核素含量及平均燃耗方面有较高准确性,与传统方法相比,降低了整个测量过程的复杂程度,提高了测量效率,可为人工智能算法在核工业领域的应用提供参考.
燃耗测量、钚同位素、机器学习、岭回归、神经网络
43
TL94
国家科技重大专项;国家重点研发计划
2022-11-07（万方平台首次上网日期，不代表论文的发表时间）
共7页
179-185
