机器学习是一门研究机器获取新知识和新技能,并识别现有知识的学问。机器学习因为它强大的拟合能力,鲁棒性被广泛的应用于经济,工程等领域,其常用于数据挖掘,计算机视觉,自然语言处理,医学诊断等方面,有着极强的预测以及分类功能。因此,本次研究为了研究核电站在海洋条件下棒束组件临界热流密度(的热工水力特性,以及建立液态铅铋合金中的氧浓度预测机制,在已有的实验数据基础之上,本文通过建立神经网络,支持向量机,随机森林,深度学习等模型对海洋条件下的CHF点以及液态铅铋合金中的氧浓度进行了预测。其中,本次研究中的海洋条件,主要是通过震荡波形来用计算机模拟海洋条件,再通过基于实验数据的临界热流密度查询程序来构建原始训练数据。经过研究发现,随着数据量的增加,数据维度的健全,机器学习算法能够很好的预测液态金属中的氧浓度以及海洋条件下的临界热流密度。尤其通过算法集成技术,将多个简单的算法集成,利用集成算法进行数据预测,能够得到更好的效果。本次论的这项工作,为次临界加速系统中一回路液态铅铋的固态氧控,以及海洋条件下的反应堆安全运行提供了一个新的思路,同时为未来探索人工智能控制的核动力装置,以及发展人工智能技术在核反应堆系统中的应用做出了一点探索性的工作。