随着反应堆工程技术的不断发展,对于反应堆物理计算的要求不断提高,传统的中子扩散方程求解存在计算时间长以及所需存储空间较大等问题。因此,对于如何快速、准确的获得扩散方程结果的研究具有重要意义。现代计算机技术和性能在不断地改进和发展以及现代人工智能迅猛的发展,计算机的性能足够维持现代人工智能研究所迫切需要的高性能算力需求,人工智能也得到了快速的发展,其中深度学习已成为了解决一些实际问题的重要手段。在核反应堆堆芯物理分析,对于扩散方程求解方面,由于其结构复杂及多系统耦合等特点,传统的数值计算方法存在的计算时间长,储存空间要求较大的缺陷。鉴于传统方法的这些不足之处,本文提出一种深度学习模型进行扩散方程求解,首先采用传统数值分析方法进行堆芯数值模拟,采用差分法,通过原迭代方法以及超松弛迭代,计算大量核反应堆堆芯数值模拟数据,建立样本数据集,之后分别采用BP神经网络以及卷积神经网络来构建能够反应堆堆芯结构与堆芯参数之间映射关系的深度学习模型,对有效增值系数采用了BP神经网络及卷积神经网络进行预测,对中子通量密度采用单通道及多通道卷积神经网络建立预测模型。本文中均采用Python作为编程语言,Tensor Flow作为深度学习框架进行实验,最终得到替代数值计算方法的深度学习模型来预测具体堆型的堆芯参数。结果表明:在有效增值系数预测方面,卷积神经网络与BP神经网络预测模型预测MSE分别为2.54×10-4、8.14×10-4,BP与卷积神经网络预测模型对测试集样本的预测平均相对误差分别为4.23×10-2、2.08×10-2。因此,对比来看卷积神经网络的预测精度要优于BP神经网络。在中子通量密度预测方面,多通道卷积神经与单通道卷积神经网络预测模型MSE分别为6.09×10-6、7.33×10-6,因此,对比来看多通道卷积神经网络的预测精度与单通道卷积神经网络处于同一数量级,相差不大,但多通道卷积神经网络在堆芯参数预测方面通用性更强。不论BP还是卷积神经网络在对堆芯参数预测时,单样本预测时间均在0.25毫秒左右,相较于传统数值模拟方法,在保持其精度的同时,预测效率得到很大提升。