马季， 郝琛， 谢晓芹， 生义

(1.哈尔滨工程大学 核安全与仿真技术国防重点学科实验室，黑龙江 哈尔滨 150001； 2.哈尔滨工程大学 计算机科学与技术学院，黑龙江 哈尔滨 150001)

针对某些堆芯关键参数(如功率分布)的不确定性分析需要采用抽样统计的方法，不可避免地需要进行大量重复计算，使得分析过程面临计算量巨大、耗时很长的问题，需要得到精确不确定性分析结果的同时减少计算量。作为人工智能的核心，机器学习在近几年来得到了迅速的发展，众多成果已用到反应堆工程计算领域，其中以机器学习预测模型替代数值求解过程[1-3]及经验模型预测[4-5]的应用最广泛。其优势在于通过分析输入数据与输出参数的关系训练机器学习模型，训练后的模型在给定输入参数后可快速得到目标输出参数。当实际计算过程所需的计算代价较大时，采用训练完备的机器学习预测模型替代传统计算过程，可以获得精度和效率的双重收益。采用高保真技术的反应堆精细化中子输运计算由于能群、计算网格划分更加精细，需要较长的计算时间，基于抽样统计方法使用此计算工具开展针对堆芯关键参数的不确定性分析必然会耗费不可接受的计算时间。因此采用机器学习预测模型替代精细化中子输运计算以实现进一步不确定性分析是解决上述问题的一种可行方案。

本文开展了通过训练机器学习模型替代精细化中子输运计算的方法研究及分析，以实现对堆芯关键参数的准确、快速预测。……