摘要：为提高大规模燃料棒性能模拟的计算效率,以燃料棒温度预测为例,研究了燃料棒温度分布预测代理模型(简称“代理模型”)的构建方法。以燃料棒性能分析程序COPERNIC的计算结果作为数据源,采用k-means聚类算法筛选代表性的训练数据,训练了4个全连接前馈神经网络,分别能够考虑冷却剂流动传热及氧化膜生长影响的包壳外表面温度预测、包壳径向温度分布预测、燃料芯块和包壳间隙变化影响的燃料芯块外表面温度预测、燃料芯块径向温度分布预测。通过这些神经网络的组合,可以根据输入的燃料棒功率史快速预测出燃料棒不同时刻的温度分布。数值试验表明:构建的代理模型相比COPERNIC程序计算速度提升约204倍,同时具有较高精度。在整个数据集上,包壳温度和燃料芯块温度预测的平均偏差分别为0.07℃、0.44℃。