یادگیری ماشینی راکتورهای هسته ای را ارتقا می دهد

به گزارش خبرگزاری مهر به نقل از اینترستینگ انجینرینگ، آنها کاربرد ماشین یادگیری در راکتور سریع خنک شده با سدیم (SFR) را نشان دادند که یک راکتور هسته ای نوین و مخصوص است. SFR نوعی از راکتور هسته ای است که از سدیم مایع به عنوان مایع خنک کننده برای هسته اش استفاده می کند. این کاربرد سبب می شود راکتور بدون تولید کربن و با جدا کردن اتم های سنگین، برق بسازد.

هرچند این راکتورها هم اکنون برای مقاصد تجاری در آمریکا به کار نمی روند اما کارشناسان بسیار خوش بین هستند که آنها پتانسیل بالایی برای تحول تولید برق و کمک به کاهش دورریز هسته ای دارند. SFR ها در آینده نزدیک راهی برای تولید انرژی پاک تر و ماندگارتر به حساب می آیند.

طبق بیانیه رسمی منتشر شده، یادگیری ماشینی با یک چالش بزرگ مرتبط با اطمینان از مایع خالص خنک کننده سدیم با دمای بالا روبرو است.

حفظ این خلوص برای جلوگیری از پوسیدگی و گرفتگی سیستم حیاتی است. محققان آزمایشگاه آرگون برای برطرف کردن این چالش ها یک سیستم یادگیری ماشینی سرنوشت ساز ابداع کرده اند.

"به گزارش خبرگزاری مهر به نقل از اینترستینگ انجینرینگ، آنها کاربرد ماشین یادگیری در راکتور سریع خنک شده با سدیم (SFR) را نشان دادند که یک راکتور هسته ای نوین و مخصوص است"السکاندر هیفتز مهندس هسته ای ارشد آرگون در یک بیانیه رسمی نوشته است: با به کارگیری قدرت یادگیری ماشینی برای نظارت مستمر و تشخیص ناهنجاری‌ها، می توان کنترل ابزار دقیق را بهتر کرد. این امر به پیشرفت کارایی و مقرون به صرفه بودن سیستم های انرژی هسته ای منجر می شود.

برای همین منظور محققان یک مدل یادگیری ماشینی ابداع کردند و حوزه های عملیاتی مختلفی را در نظر گرفتند. نخستین حوزه رصد مداوم سیستم خنک کننده بود.

در بیانیه محققان آمده است: این مدل طوری تجهیز شده تا داده های ۳۱ حسگر واحد METL در آزمایشگاه آرگون را تحلیل کند که متغیرهایی مانند دما، فشار و جریان مایع را می سنجد.

همچنین به عنوان یک بستر آموزشی برای مهندسان، تکنسین ها و حتی مدل های یادگیری ماشینی عمل می کند که همگی می توانند در بهره برداری و نگهداری این راکتورها سهیم باشند. ادغام یک سیستم کامل تقویت شده توسط یادگیری ماشینی می تواند نظارت را بهبود بخشد و خطر ناهنجاری هایی را کاهش دهد که عملکرد راکتور را مختل می کند.

همچنین محققان ظرفیت مدل برای ردیابی اختلالات عملیاتی را به سرعت و با دقت نشان دادند.

این پژوهش ارتقای قابل توجهی برای مدل های آینده فراهم می کند. البته محدودیت های قابل توجهی نیز دارد مانند احتمال انتشار هشدارهای اشتباه در نتیجه ناکارآمدی تصادفی حسگرها.