在球床高温气冷堆的衰变热去除过程中，球之间的颗粒尺度辐射传热对于传统方法的建模和数值模拟来说是复杂的。人工智能为解决稠密颗粒动力学问题提供了一个新的途径。开发了一个机器学习模型来预测大规模核卵石床中所有可能的卵石对之间的遮挡因子。通过球体位置的随机生成和视图因子的CUDA并行热射线追踪方法获得视图因子数据集。采用XGBoost软件的梯度提升决策树（GBDT）方法对2~10个球体的回归模型进行训练。结果表明，通过添加更多的树，而不是对每棵树进行更深入的处理以达到大于0.999的R2分数，在不过度拟合的情况下，模型性能将大大提高。在工程应用中，将训练好的XGboost模型应用于大型核卵石床衰变热去除过程中的视景因子预测。从瞬态数值结果来看，仅在有热辐射的情况下，其最高温度1520°C大约需要10小时，但仍低于设计上限。