基于机器学习的淬冷沸腾最小膜态沸腾温度预测和灵敏度分析研究
来源：核动力工程杂志2024年第4期北京时间：
作者：张军权, 邓坚, 罗彦, 卢涛
单位：1.北京化工大学机电工程学院，北京，100029；2.中国核动力研究设计院核反应堆系统设计技术重点实验室，成都，610213；
摘要：淬冷沸腾广泛应用于核反应堆失水事故后燃料棒的冷却过程中，最小膜态沸腾温度（<i>T</i><sub>min</sub>）的确定对核反应堆的安全运行至关重要。本文基于文献的实验数据，选用了3种典型机器学习模型：随机森林（RF）、人工神经网络（ANN）和极端梯度提升（XGBoost），对淬冷沸腾<i>T</i><sub>min</sub>进行预测和影响因素灵敏度分析研究。结果表明，机器学习方式能够有效提高淬冷沸腾<i>T</i><sub>min</sub>预测的准确性，其预测性能相较于传统的经验关联式有大幅提升，其中RF模型预测效果最优，决定系数<i>R</i><sup>2</sup>为0.9770；通过结合RF模型和Sobol’全局灵敏度方法，得到对淬冷沸腾<i>T</i><sub>min</sub>影响最大的参数为冷却剂过冷度，其次为初始壁温，长径比、压力、热物性对其影响较小。本文研究成果将为提高核反应堆的安全性提供理论指导。
关键词：淬冷沸腾, 最小膜态沸腾温度, 机器学习, 全局灵敏度
基金资助：国家自然科学基金（52176052，U2067210）
