Những tiến bộ trong học máy cho hoạt động điện hạt nhân mang lại một tương lai tươi sáng hơn cho năng lượng không có carbon

Những tiến bộ trong học máy cho hoạt động điện hạt nhân mang lại một tương lai tươi sáng hơn cho năng lượng không có carbon

    Trong sự kết hợp ấn tượng giữa công nghệ hạt nhân và học máy (ML), một nhóm các nhà khoa học tại Phòng thí nghiệm quốc gia Argonne của Bộ Năng lượng Hoa Kỳ (DOE) đã công bố một phát hiện quan trọng trong việc duy trì sự an toàn và hiệu quả trong một loại lò phản ứng hạt nhân thế hệ tiếp theo, được gọi là lò phản ứng nhanh làm mát bằng natri (SFR).

    Những tiến bộ trong học máy cho hoạt động điện hạt nhân mang lại một tương lai tươi sáng hơn cho năng lượng không có carbon

    Mô hình học máy của Argonne được trang bị để phân tích dữ liệu từ 31 cảm biến tại cơ sở Vòng kiểm tra kỹ thuật cơ chế (METL), đo các biến số như nhiệt độ chất lỏng, áp suất và tốc độ dòng chảy. Tín dụng: Phòng thí nghiệm quốc gia Argonne

    SFR là một loại lò phản ứng hạt nhân sử dụng natri lỏng để làm mát lõi của nó và tạo ra điện không chứa carbon một cách hiệu quả bằng cách tách các nguyên tử nặng. Mặc dù chúng chưa được sử dụng thương mại ở Mỹ nhưng nhiều người tin rằng những lò phản ứng này có thể cách mạng hóa việc sản xuất điện và giúp giảm chất thải hạt nhân. Tuy nhiên, chúng có những thách thức, chẳng hạn như duy trì độ tinh khiết của chất làm mát natri lỏng ở nhiệt độ cao. Khía cạnh đó rất quan trọng trong việc ngăn ngừa sự ăn mòn và tắc nghẽn trong hệ thống.

    Để giải quyết những thách thức này, các nhà khoa học của Argonne đã thiết kế một hệ thống ML mới, hệ thống này được trình bày chi tiết trong một bài báo gần đây trên  tạp chí Energies  .

    Alexander Heifetz, kỹ sư hạt nhân chính tại Argonne và đồng tác giả của bài báo cho biết: “Bằng cách khai thác sức mạnh của máy học để liên tục theo dõi và phát hiện sự bất thường, đã nâng cao trình độ tiên tiến trong điều khiển thiết bị đo đạc”. "Điều này sẽ tạo ra bước đột phá về hiệu quả và hiệu quả chi phí của các hệ thống năng lượng hạt nhân."

    Đầu tiên, nhóm tạo ra một mô hình ML để giám sát liên tục hệ thống làm mát. Mô hình này được trang bị để phân tích dữ liệu từ 31 cảm biến tại cơ sở Vòng thử nghiệm kỹ thuật cơ chế (METL) của Argonne nhằm đo các biến số như nhiệt độ chất lỏng, áp suất và tốc độ dòng chảy. Cơ sở METL là cơ sở thử nghiệm độc đáo được thiết kế để kiểm tra an toàn và chính xác các vật liệu và thành phần được đề xuất sử dụng trong các lò phản ứng này.

    Nó cũng đào tạo các kỹ sư và kỹ thuật viên (và bây giờ là các mô hình ML), những người có thể giúp vận hành và bảo trì chúng. Một hệ thống toàn diện được tăng cường ML có thể tạo điều kiện thuận lợi cho việc giám sát mạnh mẽ hơn và ngăn ngừa những bất thường có thể làm gián đoạn hoạt động của một lò phản ứng thực tế.

    Thứ hai, nhóm đã chứng minh khả năng của mô hình trong việc phát hiện những bất thường trong hoạt động một cách nhanh chóng và chính xác. Họ thử nghiệm điều này bằng cách mô phỏng hiện tượng bất thường thuộc loại mất chất làm mát, được biểu hiện bằng sự tăng đột ngột về nhiệt độ và tốc độ dòng chảy. Mô hình đã phát hiện sự bất thường trong vòng khoảng ba phút kể từ khi bắt đầu. Khả năng này nhấn mạnh tính hiệu quả của nó như một cơ chế an toàn.

    Cuối cùng, nghiên cứu hướng tới những cải tiến đáng kể cho các mô hình trong tương lai. Như hiện tại, mô hình sẽ gắn cờ bất kỳ mức tăng đột biến nào vượt quá ngưỡng xác định trước. Tuy nhiên, phương pháp này có thể dẫn đến cảnh báo sai do các đột biến ngẫu nhiên hoặc lỗi cảm biến. Không phải mọi đột biến đều là một sự bất thường. Nhóm dự định tinh chỉnh mô hình để phân biệt giữa những bất thường thực sự của quy trình và nhiễu đo lường ngẫu nhiên. Điều này bao gồm việc yêu cầu tín hiệu duy trì trên giá trị ngưỡng trong một khoảng thời gian nhất định trước khi nó bị coi là bất thường. Họ cũng sẽ kết hợp các mối tương quan về không gian và thời gian giữa các cảm biến vào việc tính toán tổn thất.

    Heifetz cho biết: “Mặc dù chúng tôi đang sử dụng các khả năng độc đáo của METL để phát triển và thử nghiệm các thuật toán của mình trong cơ sở nghiên cứu thử nghiệm kim loại lỏng, nhưng vẫn có tiềm năng thấy các ứng dụng trong các lò phản ứng tiên tiến”. "Điều đó có thể cung cấp nhiều năng lượng không có carbon hơn trong tương lai."

    Alexandra Akins, trợ lý nghiên cứu tại Argonne và đồng tác giả của bài báo, đồng ý. “Nghiên cứu của chúng tôi về phát hiện sự bất thường bằng cách sử dụng máy học giúp nâng cao triển vọng về năng lượng hạt nhân.”

    Zalo
    Hotline