基于高斯過程回歸的臨界熱流密度預測

摘要：準確地預測臨界熱流密度(CHF)對于反應堆的安全和運行十分重要。針對現有人工神經網絡(ANNs)預測方法所存在的缺點,提出一種基于高斯過程回歸(GPR)的CHF預測方法。首先對獲取的當地條件下CHF數據進行預處理,將數據劃分為訓練集和測試集;然后,利用訓練數據對GPR模型進行訓練,并得到最優超參數;再利用訓練好的GPR模型對CHF進行預測,并將結果與徑向基神經網絡(RBFNN)進行比較,同時分析了重要參數對CHF的影響趨勢。結果表明,與RBFNN相比,GPR模型的預測結果具有更高的預測精度和更小的誤差,且與對應的實驗值吻合較好,其參數趨勢符合通用的趨勢變化規律。