基于GPR-SVR协同训练的乏燃料衰变热预测研究

来源：核动力工程杂志2025年第2期北京时间：

作者：刘子豪, 刘彤, 温欣, 李懿, 王蓓琪

单位：上海交通大学核科学与工程学院，上海，200240；

摘要：在压水堆核电厂中，乏燃料组件的衰变热是堆芯余热的主要来源，准确预测衰变热对于反应堆冷却系统的设计和安全分析至关重要，但传统核素衰变模拟程序计算成本高，而机器学习模型由于数据不足可能存在过拟合问题。本文基于高斯过程回归（GPR）和支持向量回归（SVR）方法建立了协同训练的基础模型，生成了高质量的乏燃料衰变热虚拟数据，并与核电厂实测数据组成了混合数据集，采用混合数据集训练极限学习机（ELM）模型，对乏燃料衰变热进行了预测。结果表明，与常规的机器学习模型相比，协同训练显著提升了衰变热预测的稳定性和准确性。经过混合数据集训练后，ELM模型的预测稳定性提高了39.9%，衰变热预测结果的均方根误差（RMSE）比传统核素衰变模拟程序低25.7%。本研究提出的方法可为解决核工程领域存在的小数据集问题提供新思路。

关键词：衰变热预测, 虚拟数据, 协同训练, 乏燃料, 高斯过程回归（GPR）, 支持向量回归（SVR）

基金资助：国家核技术开发科研项目（HNKF202314-48）；中核集团“领创科研”项目（CNNC-LCKY-202242）