摘要：准确地预测临界热流密度(CHF)对于反应堆的安全和运行十分重要。针对现有人工神经网络(ANNs)预测方法所存在的缺点,提出一种基于高斯过程回归(GPR)的CHF预测方法。首先对获取的当地条件下CHF数据进行预处理,将数据划分为训练集和测试集;然后,利用训练数据对GPR模型进行训练,并得到最优超参数;再利用训练好的GPR模型对CHF进行预测,并将结果与径向基神经网络(RBFNN)进行比较,同时分析了重要参数对CHF的影响趋势。结果表明,与RBFNN相比,GPR模型的预测结果具有更高的预测精度和更小的误差,且与对应的实验值吻合较好,其参数趋势符合通用的趋势变化规律。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社