机器学习算法在燃料棒温度性能预测中的应用

摘要

为对燃料棒温度性能进行有效预测,分别基于k近邻、决策树和AdaBoost机器学习算法建立预测模型.利用燃料棒性能分析软件JASMINE的输入参数和计算结果以及数据的特征工程构建模型的训练和测试数据集.采用包含芯块与包壳类型、轴向高度、局部功率、包壳腐蚀厚度和堆芯入口温度6个特征参数的训练数据集对模型进行训练.采用测试数据集对包壳外表面温度和芯块中心温度进行预测.结果表明,基于AdaBoost算法建立的模型对包壳外表面温度和芯块中心温度的预测结果的均方误差分别为0.605℃和8.347℃,平均绝对误差分别为0.273℃和3.814℃.对比预测值与目标值,AdaBoost算法对包壳外表面温度预测的最大偏差为3℃,芯块中心温度的预测偏差大部分小于10℃.基于AdaBoost算法建立的模型对燃料棒温度性能具有较高的预测精度.