随着核能发电的发展,核电站的安全性和高效性受到了越来越多的重视。核燃料棒作为核反应堆的核心组件,对其破损情况的及时监测对核电的安全、高效生产至关重要。基于传统化学取样方法诊断和定位破损燃料组件和燃料棒是十分困难的,且探测成本普遍较高,取样周期一般较长,不能及时发现堆内的核燃料组件和燃料棒破损情况,也不能做到连续监测破损状况。本课题结合人工神经网络技术,基于核电站的实时监控系统所反馈的核电站监控参数,选取一定特征,建立合适的神经网络模型,完成核燃料破损的预测。神经网络方法具有高准确率、高稳定性的特点,在传统的探测的基础上,可以完成对核燃料棒破损的预测,具有低破坏性、成本低、实时性好等特点。利用神经网络的这些优点,通过对网络模型的设计和优化,提出一种基于人工神经网络的破损预测方法。首先研究针对核反应堆在线监测系统所得到的数据进行数据预处理,可以用来分析核燃料棒破损情况的数据有很多,但相关性大小不一。其中一类特征,即一回路中冷却剂中的放射性物质的含量,可以直接地反映燃料棒的破损情况,与核燃料棒破损具有高度相关性;另一类重要的核电站重要参数,包括通道运行状态参数和堆芯运行状态参数,是由核电站中安装的传感器所实时反馈的核电站状态参数。本文采用了基于前人研究的物理化学原理和基于机器学习特征工程的特征提取方案。核反应过程涉及大量非线性和不确定性问题,很难通过确定的数学或物理表达进行描述和建模,人工神经网络能自主学习并存储复杂的输入-输出的映射关系。本文通过构建BP神经网络,卷积神经网络和循环神经网络模型,从不同的数据处理角度建立输入与输出数据之间的映射,通过调整网络结构和相关参数,使用不同优化策略进行优化,最终完成对核燃料棒破损的预测。仿真结果表明,本课题建立的基于逻辑回归的BP神经网络模型、卷积神经网络模型和循环神经网络模型对核燃料棒破损具有很好的预测性能和稳定性,在减少了对核反应堆破坏性探测和检测的基础上,能得到较好的预测效果,基于传统方法大大提升了预测性能和准确率,预测正确率基本上能达到95%以上,并且对破损和未破损的核燃料棒均有较好的预测效果。