Od konca 40. rokov 20. storočia vedci z Národného laboratória amerického ministerstva energetiky v Argonne skúmajú nové konštrukčné vyhotovenia jadrových reaktorov a vyvíjajú metódy na analýzu ich bezpečnosti a prevádzky. Teraz integrujú desaťročné vedomosti s najnovšími metódami a nástrojmi umelej inteligencie (UI). Týmto spôsobom môžu lepšie porozumieť mechanizmom, ktorými sa riadia jadrové reaktory, ktoré môžu konštruktéri a analytici reaktorov použiť na zlepšenie ich konštrukcie, prevádzky a bezpečnosti.
Modelovanie jadrových javov
Strojové učenie pomáha systémom učiť sa automaticky na základe dátových modelov a umožňuje lepšie vyhľadávanie, rozhodnutia alebo predpovede. Jadrový inžinier Acacia Brunett a ďalší vedci divízie nukleárnej vedy a techniky v Argonne používajú metódy strojového učenia na vytváranie rýchlo bežiacich modelov rôznych tepelno-hydraulických procesov vyskytujúcich sa v jadrovom reaktore. Skúmajú správanie zahŕňajúce miešanie a prúdenie chladiacich tekutín, ako aj tepelné rozvrstvenie, ktoré opisuje zmeny teploty objavujúce sa v tekutinách zadržiavaných vo veľkých nádobách pri nízkom prietoku. Predpovedanie správania týchto zložitých procesov nie je vo väčšine prípadov možné bez výrazného výpočtového zaťaženia. Avšak predpovedaním správania možno ovplyvniť bezpečnosť a prevádzku jadrového reaktora.
Napríklad teplota v nádobe sa môže líšiť v rôznych výškach hladiny, tento stav môže viesť k tepelnej únave, čo môže znamenať degradáciu komponentov v reaktore. Tým sa skracuje celková životnosť komponentu alebo reaktora ako celku. Mohlo by to tiež oslabiť bezpečnostné prvky určitých druhov pokrokových reaktorov. Pomocou metód na skúmanie týchto javov môžu vedci vytvoriť rámec na rýchlejšiu a komplexnejšiu tvorbu a analýzu.
Kvantifikácia neistoty
Jadroví inžinieri skúmajú aj spôsoby použitia strojového učenia na rýchlejšie meranie neistoty, ktorá odhaľuje, aké spoľahlivé sú ich predikcie. Prediktívne simulácie obsahujú určitú mieru neistoty, ktorej vlastnosti alebo charakteristiky nie sú presne známe. Medzi príklady môžu patriť materiálové vlastnosti vyrábaných komponentov, ako je hrúbka, vyžarovacia schopnosť alebo niektoré iné fyzikálne javy. Preto je dôležité pochopiť, čo a aké sú tieto neistoty, čo je zvyčajne veľmi náročný proces. Ten vyžaduje čas na vykonanie stoviek až tisícov opakovaných analýz a v niektorých prípadoch niekoľkých simulácií s vysokou presnosťou, ktoré so sebou nesú vysoké výpočtové zaťaženie. A. Brunett a ďalší skúmajú spôsoby, ako vytvoriť a používať modely strojového učenia, aby bola táto analýza efektívnejšia a skrátila celkový čas potrebný na vyčíslenie neistoty a optimalizáciu návrhu.
Pri strojovom učení vedci analyzujú veľké množstvo výpočtových údajov a identifikujú kľúčové komponenty, ktoré opisujú základné správanie systému. Napríklad správanie moderného reaktora bolo charakterizované pomocou miliónov údajových bodov. No vďaka novej metóde môže byť systém namiesto toho reprezentovaný niekoľkými tisíckami dátových bodov. Charakterizovanie reakcie systému tak môže skrátiť celkový čas analýzy a zároveň priamo kvantifikovať nepresnosti.
Tradičný verzus integrovaný prístup
Jadroví odborníci tradične využívajú teóriu a pozorovanie na vytváranie modelov jadrových procesov a na vykonávanie simulácií s vysokou presnosťou. Potom porovnajú výsledky simulácie s pozorovaniami v reálnom svete, zodpovedajúcim spôsobom upravia svoj model a znova spustia simulácie, až kým ich model presne nepredpovedá správanie v reálnom svete.
Výskumníci môžu namiesto toho pomocou strojového učenia vytvárať relatívne presné modely oveľa rýchlejšie. Na rozdiel od tradičného prístupu môžu nástroje strojového učenia s relatívne vysokou presnosťou predpovedať správanie prvkov, javov alebo trendov kritických z hľadiska bezpečnosti, na ktoré by analytik inak mohol zabudnúť.
Simulácie s vysokou presnosťou pomáhajú vypočítať mikrodetaily o rôznych jadrových javoch a potom vygenerovať tréningové údaje na vývoj modelov strojového učenia. Tieto modely môžu presne odhadnúť parametre, ktoré definujú tieto mikrodetaily, ako je napríklad prenos hmoty a energie.
Integrácia na úrovni systému
Po vývoji týchto modelov ich A. Brunett a ďalší integrujú priamo do pokročilých nástrojov, kde skúmajú bezpečnosť reaktorov vyvinutých v Argonne a ďalej testujú. Modely strojového učenia môžu nahradiť súčasné modely zabudované v systémovom programe, čo by zlepšilo prediktívne schopnosti softvéru a riešilo známe obmedzenia v softvéri. S týmito nástrojmi môžu vedci pokračovať v zlepšovaní konštrukčných návrhov a bezpečnosti technológií novej generácie a umožniť ďalší rozvoj jadrovej energetiky v USA.
Zdroj: Koka, J.: Argonne uses artificial intelligence to improve the safety and design of advanced nuclear reactors. Argonne National Laboratory. [online]. Publikované 25. 3. 2020. Citované 10. 6. 2020. Dostupné na: https://www.anl.gov/article/argonne-uses-artificial-intelligence-to-improve-the-safety-and-design-of-advanced-nuclear-reactors.