Muối nóng, năng lượng sạch: Trí tuệ nhân tạo có thể tăng cường các lò phản ứng hạt nhân tiên tiến như thế nào

Muối nóng, năng lượng sạch: Trí tuệ nhân tạo có thể tăng cường các lò phản ứng hạt nhân tiên tiến như thế nào

    Muối nóng, năng lượng sạch: Trí tuệ nhân tạo có thể tăng cường các lò phản ứng hạt nhân tiên tiến như thế nào

    Hot salt, clean energy: How artificial intelligence can enhance advanced nuclear reactors

    Các nhà nghiên cứu đang tìm kiếm các đặc tính lý tưởng của muối nóng chảy, có thể dùng làm chất làm mát và nhiên liệu trong các lò phản ứng hạt nhân tiên tiến. Ảnh: Phòng thí nghiệm quốc gia Argonne


    Một công nghệ được phát triển tại Argonne có thể giúp thu hẹp lĩnh vực ứng cử viên cho muối nóng chảy, một nghiên cứu mới cho thấy.

    Các nhà khoa học đang tìm kiếm những vật liệu mới để thúc đẩy thế hệ nhà máy điện hạt nhân tiếp theo. Trong một nghiên cứu gần đây, các nhà nghiên cứu tại Phòng thí nghiệm quốc gia Argonne thuộc Bộ Năng lượng Hoa Kỳ (DOE) đã chỉ ra cách trí tuệ nhân tạo có thể giúp xác định đúng loại muối nóng chảy, một thành phần chính của các lò phản ứng hạt nhân tiên tiến.

    Khả năng hấp thụ và lưu trữ nhiệt làm cho muối nóng chảy trở nên quan trọng đối với năng lượng sạch và các mục tiêu khí hậu quốc gia. Muối nóng chảy có thể dùng làm chất làm mát và nhiên liệu trong các lò phản ứng năng lượng hạt nhân tạo ra điện mà không thải ra khí nhà kính. Chúng cũng có thể lưu trữ một lượng lớn năng lượng, ngày càng cần thiết trên lưới điện với các nguồn dao động như năng lượng gió và mặt trời.

    Nếu bạn làm nóng muối trên bàn bếp đến 801 C (1.474 F), nó sẽ tan chảy và bạn sẽ có muối nóng chảy. Tuy nhiên, để tạo ra và lưu trữ năng lượng, không phải bất kỳ loại muối nào cũng có thể làm được. Các nhà khoa học đang khám phá các tổ hợp muối khác nhau để có được các đặc tính chính xác cần thiết để làm mát và cung cấp nhiên liệu cho lò phản ứng năng lượng hạt nhân một cách hiệu quả trong nhiều thập kỷ. Những đặc tính này bao gồm nhiệt độ nóng chảy thấp hơn, tính nhất quán phù hợp và khả năng hấp thụ lượng nhiệt cao, trong số những đặc tính khác.

    Những bản thiết kế muối nóng chảy nào sẽ mang lại những đặc điểm mong muốn cho một lò phản ứng hạt nhân? Các biến thể tiềm năng là gần như vô tận. Nghiên cứu bắt đầu nhằm xác định xem mô phỏng máy tính do máy học điều khiển có thể hướng dẫn và tinh chỉnh các thử nghiệm trong thế giới thực tại Nguồn Photon Nâng cao (APS), một cơ sở người dùng của Văn phòng Khoa học DOE tại Argonne hay không. Kết quả gần đây đã được công bố trên tạp chí Physical Review B.

    "Chúng tôi đã sử dụng kết quả thử nghiệm từ APS để xác thực mô phỏng của mình. Đồng thời, kết quả mô phỏng cung cấp cho chúng tôi thêm thông tin chi tiết về loại muối nào cần nghiên cứu thêm. Chúng tương tác với nhau", Jicheng Guo, kỹ sư hóa học tại Argonne cho biết. tác giả chính của bài báo. "Điều này cho phép chúng tôi nghiên cứu nhiều tác phẩm cùng một lúc."

    Các nhà nghiên cứu sử dụng tia X mạnh tại APS để hiểu rõ hơn về các hỗn hợp muối cụ thể bằng cách xem xét kỹ cấu trúc của chúng. Nhưng thời gian và chi phí liên quan đến các thí nghiệm trong thế giới thực khiến chúng ta mong muốn thu hẹp lĩnh vực ứng cử viên trải qua kiểm tra.

    Nathan Hoyt, nhà nghiên cứu Argonne và đồng tác giả của bài báo cho biết: “Không gian thành phần có thể có của muối nóng chảy là rất lớn. "Vì vậy, sẽ không thể cố gắng lấy dữ liệu thử nghiệm cho mọi thành phần có thể."

    Tại chùm tia 6-ID-D của cơ sở, một kỹ thuật được gọi là nhiễu xạ tia X năng lượng cao ghi lại các mẫu được tạo ra khi các chùm tia X phân tán ra khỏi một mẫu muối nóng chảy.

    Chris Benmore, nhà vật lý cấp cao tại APS và đồng tác giả của bài báo cho biết: “APS là duy nhất cho các loại phép đo này. "Các tia X năng lượng cao mà nó tạo ra rất tốt để xem xét cấu trúc của chất lỏng nóng chảy, thủy tinh và vật liệu vô định hình nói chung."

    Học máy liên quan đến việc đào tạo máy tính để phân tích tình huống dựa trên dữ liệu hiện có. Nhưng trong trường hợp này, các nhà nghiên cứu không có nhiều ví dụ hợp lệ để đưa ra mô hình. Dựa trên mô hình trước đây khám phá các vật liệu chịu nhiệt, các nhà nghiên cứu đã sử dụng cái được gọi là học tích cực để tạo ra một mô hình có thể chuyển đổi để phân tích muối nóng chảy.

    Thay vì được trang bị cho một hoặc hai thành phần hỗn hợp muối nóng chảy cụ thể, mô hình có thể chuyển đổi có thể được áp dụng cho các hỗn hợp trong không gian thành phần. Mô hình đưa ra dự đoán dựa trên các nguyên tắc; nói cách khác, thay vì dựa trên một tập hợp các câu trả lời được xác định trước. Các mô phỏng máy học được chạy bằng tài nguyên điện toán hiệu năng cao tại Cơ sở Điện toán Lãnh đạo Argonne (ALCF), một cơ sở người dùng của Văn phòng Khoa học DOE và sử dụng cụm Bebop tại Trung tâm Tài nguyên Điện toán Phòng thí nghiệm của Argonne.

    Ganesh Sivaraman, một nhà khoa học máy tính Argonne và là tác giả tương ứng của bài báo cho biết: “Chúng tôi đã không đào tạo mô hình bằng các ví dụ về thành phần điểm ngọt ngào đó, nơi bạn có được điểm nóng chảy phù hợp. "Mô hình của chúng tôi đã xoay sở để dự đoán điểm hấp dẫn đó, ngay cả khi không có đầu vào đào tạo tương ứng."

    Bây giờ các nhà nghiên cứu đã chỉ ra rằng phương pháp này có thể hoạt động, bước tiếp theo là làm việc với dữ liệu thậm chí còn phức tạp hơn.

    Guo cho biết: "Lò phản ứng muối nóng chảy là một môi trường khá năng động. Các điều kiện thay đổi theo thời gian và đôi khi tạp chất có thể xâm nhập vào muối". "Chúng tôi muốn giới thiệu một lượng nhỏ các tạp chất này để xem liệu mô hình có thể dự đoán nó ảnh hưởng như thế nào đến cấu trúc tổng thể của muối nóng chảy và tính chất của chúng."

    Đồng tác giả với Guo, Hoyt, Sivaraman và Benmore là Logan Ward, Yadu Babuji, Mark Williamson và Ian Foster của Argonne và Nicholas Jackson của Đại học Illinois Urbana-Champaign.

    Zalo
    Hotline