Горячая соль, чистая энергия: как искусственный интеллект может улучшить современные ядерные реакторы

 

Новое исследование показывает, что технология, разработанная в Аргонне, может помочь сузить круг кандидатов на получение расплавленных солей.

Ученые ведут поиск новых материалов для создания атомных электростанций следующего поколения. В недавнем исследовании исследователи из Аргоннской национальной лаборатории Министерства энергетики США (DOE) показали, как искусственный интеллект может помочь точно определить правильные типы расплавленных солей, ключевых компонентов для современных ядерных реакторов.

 

Способность поглощать и накапливать тепло делает расплавленную соль важной для чистой энергетики и национальных климатических целей. Расплавленные соли могут служить как охлаждающей жидкостью, так и топливом в ядерных энергетических реакторах, которые вырабатывают электроэнергию без выделения парниковых газов. Они также могут накапливать большое количество энергии, которая все больше требуется в электрической сети с изменяющимися источниками, такими как энергия ветра и солнца.

Если вы разогреете соль на кухонном столе до 801 °C (1474 ° F), она расплавится, и у вас получится расплавленная соль. Однако для производства и хранения энергии подойдет не только любая соль. Ученые исследуют различные комбинации солей, чтобы получить точные свойства, необходимые для эффективного охлаждения и заправки топливом ядерного энергетического реактора в течение десятилетий. Эти свойства включают, среди прочего, более низкие температуры плавления, правильную консистенцию и способность поглощать большое количество тепла.

Какие чертежи расплавленной соли обеспечат желаемые характеристики ядерного реактора? Потенциальные вариации почти бесконечны. Целью исследования было определить, может ли компьютерное моделирование, основанное на машинном обучении, направлять и уточнять реальные эксперименты в Advanced Photon Source (APS), пользовательском центре Министерства науки США в Аргонне. Результаты были недавно опубликованы в журнале Physical Review B.

"Мы использовали экспериментальные результаты APS для проверки нашего моделирования. В то же время результаты моделирования предоставили нам более подробную информацию о том, какие соли следует изучать дальше. Они работают друг с другом", - сказал Цзичэн Го, инженер-химик из Аргонна и ведущий автор статьи. "Это позволяет нам изучать несколько композиций одновременно".

Исследователи используют мощные рентгеновские лучи в APS, чтобы лучше понять конкретные смеси солей, внимательно изучая их структуру. Но время и затраты, связанные с экспериментами в реальном мире, делают желательным сузить круг кандидатов, которые проходят проверку.

"Возможный состав расплавленных солей огромен", - сказал Натан Хойт, исследователь из Аргонны и соавтор статьи. "Таким образом, было бы невозможно попытаться получить экспериментальные данные для каждого возможного состава".

На линии луча 6-ID-D установки метод, называемый высокоэнергетической рентгеновской дифракцией, фиксирует паттерны, генерируемые при рассеянии рентгеновских лучей на образце расплавленной соли.

"APS уникален для таких типов измерений", - сказал Крис Бенмор, старший физик APS и соавтор статьи. "Рентгеновские лучи высокой энергии, которые он генерирует, очень хороши для изучения структуры расплавленных жидкостей, стекол и аморфных материалов в целом".

Машинное обучение включает в себя обучение компьютера анализу ситуации на основе существующих данных. Но в данном случае у исследователей не было большого количества подтвержденных примеров, чтобы показать модель. Основываясь на предыдущем моделировании, в котором изучались термостойкие материалы, исследователи использовали так называемое активное обучение для создания переносимой модели для анализа расплавленных солей.

Вместо того, чтобы приспосабливаться к одному или двум конкретным составам смеси расплавленной соли, переносимая модель может быть применена к смесям по всему пространству композиции. Другими словами, модель делает прогнозы, основанные на принципах, а не на наборе предопределенных ответов. Моделирование машинного обучения проводилось с использованием высокопроизводительных вычислительных ресурсов в Argonne Leadership Computing Facility (ALCF), пользовательском центре Управления науки Министерства образования США, и с использованием кластера Bebop в Центре ресурсов лабораторных вычислений Аргонна.

"Мы не обучали модель примерам этого состава sweet spot, где вы получаете правильную температуру плавления", - сказал Ганеш Сивараман, специалист по вычислительной технике из Аргонны и автор статьи. "Нашей модели удалось предсказать это приятное место даже без соответствующего обучения".

Теперь, когда исследователи показали, что этот подход может работать, следующим шагом является работа с еще более сложными данными.

"Реактор на расплавленной соли - довольно динамичная среда. Условия меняются со временем, и иногда в соль могут попадать примеси", - сказал Го. "Мы хотим ввести небольшое количество этих примесей, чтобы посмотреть, может ли модель предсказать, как это влияет на общую структуру расплавленных солей и их свойства".

Соавторами с Го, Хойтом, Сивараманом и Бенмором являются Логан Уорд, Яду Бабуджи, Марк Уильямсон и Иэн Фостер из Аргонны и Николас Джексон из Университета Иллинойса Урбана-Шампейн.

Категория: Наука и Техника | Добавил: fantast (16.12.2022)
Просмотров: 36 | Рейтинг: 0.0/0