نیروگاه های هسته ای ایالات متحده بیش از 20 درصد برق و نیمی از برق بدون کربن در ایالات متحده را تولید می کنند. تقاضای مبرم این کشور برای برق حتی بیشتر – به ویژه برق بدون کربن که به تغییرات آب و هوایی کمک نمی کند – باعث علاقه مندی به فناوری پیشرفته هسته ای شده است. همچنین سؤالات بسیاری وجود دارد که آیا صنعت انرژی هسته‌ای، که گاهی نگهداری و بهره‌برداری از آن گران‌تر از سایر صنایع انرژی پاک است، می‌تواند مدرن‌سازی شود و نتایج قانع‌کننده‌تری ارائه دهد.
الکس هایفتز، مهندس هسته ای ارشد در آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده (DOE) به تازگی فکر می کند. هوش مصنوعی و فراگیری ماشین ابزارها و تکنیک ها راه را برای بله هموار خواهند کرد.
هایفتز و تیمی از محققان از PUR-1، راکتور تحقیقاتی تمام دیجیتال NRC دانشگاه پردو، برای انجام یک سری آزمایش با استفاده از یک شبکه عصبی یادگیری انتقال آگاهانه فیزیکی (TL-PINN) استفاده کردند. شبکه های عصبی روش هایی در داخل هستند فراگیری ماشین که می توانند برای تشخیص الگوها در داده ها آموزش ببینند. با این حال، آنها در پیش بینی خارج از حوزه یادگیری خود خوب نیستند. محققانی مانند Heifetz معتقدند که PINN ها می توانند با ادغام شبکه های عصبی با معادلات دیفرانسیل برای حل مسائل پیچیده علمی یا مهندسی بر این نقص غلبه کنند. این به آنها کمک می کند تا سناریوهای جدید را برون یابی کنند و پیش بینی های دقیق تری انجام دهند.
در مقاله ای که در گزارش های علمی طبیعتتیم هایفتز مدلی از یک راکتور ماژولار کوچک (SMR) با عملیات خودکار ساخت و سپس استفاده کرد. فراگیری ماشین برای انجام کاری که صنعت هسته ای هرگز در یک نیروگاه هسته ای فعال تلاش نمی کند: آنها با داده ها و مدل های آموزشی آن دستکاری کردند.
هایفتز گفت: «ما روی مشکل عملکرد خاص الگوریتم تمرکز کردیم. هرچه داده های بیشتری داشته باشید، مدل شما از نظر دقت پیش بینی بهتر می شود. با فناوری‌ها و طراحی‌های جدیدتر، ممکن است همه داده‌ها را برای پیش‌بینی نداشته باشید. ما مفهوم یادگیری انتقال را به کار بردیم، که در آن شما PINN را با یک مجموعه داده مصنوعی دوباره آموزش می‌دهید و سپس به شباهت بین مجموعه‌های داده نگاه می‌کنید تا ببینید آیا می‌توانید برای پیش‌بینی دقیق به داده‌های مصنوعی تکیه کنید یا خیر.
بسیاری از مطالعات قبلی بر روی ایمنی و امنیت راکتورهای هسته‌ای متمرکز شده‌اند، اما این مطالعه به طور خاص به هزینه آن محدود می‌شود. هایفتز گفت که هدف کلی کاهش هزینه های عملیات و نگهداری و امکان توسعه و تجاری سازی SMR های کم هزینه است. راکتورهای ماژولار کوچک 300 مگاوات یا کمتر در مقایسه با راکتورهای فعلی که حدود 1000 مگاوات هستند (قدرت کافی برای تامین انرژی حدود 1000000 خانه) تولید می کنند.
بسیاری بر این باورند که SMR ها می توانند تاثیر آن را تا حد زیادی گسترش دهند انرژی هسته ای. آنها فضای کمتری را نسبت به رآکتورهای هسته ای موجود اشغال می کنند، برای ساخت، راه اندازی و نگهداری ارزان تر هستند و دارای ویژگی های پیشرفته ای مانند سنج های دیجیتال، دستگاه ها و حسگرهایی هستند که اکثر راکتورهای موجود در ابتدا نداشتند. آنها می توانند برای تامین برق در نقاط دورافتاده ایالات متحده، یا احتمالاً در ایستگاه های جاده ای آینده نگر که برق رسانی را انجام می دهند، استفاده شوند. حمل و نقل از راه دور قابل قبول تر است.
هایفتز گفت: «ساخت یک راکتور هسته ای جدید دشوار است، بنابراین ما نمی خواهیم راکتورهایی را که داریم ببندیم. چالش این است که یک رآکتور هسته‌ای 10 میلیارد دلاری را که در دهه 1950 ساخته شده است، بگیریم و – با حفظ تمام ویژگی‌های ایمنی آن – آن را مدرن‌تر، کارآمدتر و خودمختارتر کنیم، با اپراتورهای کمتر و زمان توقف کمتر. اما ما همچنین می‌خواهیم طرح‌های جدیدی مانند SMR را آزمایش کنیم که داده‌های کافی برای آنها وجود ندارد. با توسعه یک شبکه عصبی با اطلاعات فیزیکی که به زمان آموزشی زیادی نیاز ندارد، ممکن است بتوانیم هزینه آموزش مدل های جدید را کاهش دهیم.
این کار جدید بر اساس آن استوار است همکاری های قبلی بین دانشگاه آرگون و پردو این دو اخیراً قراردادی را منعقد کرده اند که به محققان خاصی اجازه می دهد تا وابستگی های خود را با هر دو موسسه به اشتراک بگذارند. زیر آن قرارداد انتصاب مشترک اصلیمحققان تعیین شده به امکانات و تخصص در آزمایشگاه ملی و دانشگاه پوردو دسترسی خواهند داشت.
آژانس پروژه های تحقیقاتی پیشرفته وزارت انرژی (ARPA-E) بودجه این تحقیق را به TL-PINN تأمین کرد. حمایت اضافی با کمک مالی امکان پذیر شد هوش مصنوعی آزمایشگاه سیستم ها در دانشگاه پردو توسط گلدمن ساکس گیز.
