Sử dụng AI để giám sát các vị trí không thể tiếp cận của hệ thống năng lượng hạt nhân
của Andrew Helregel, Đại học Illinois tại Urbana-Champaign
Miền tính toán và điều kiện biên. Tín dụng: npj Materials Degradation (2025). DOI: 10.1038/s41529-025-00557-y
Cho dù là cho xe cộ hay nhà ở của bạn, từ những mục đích sử dụng nhỏ đến lớn nhất, cuộc tranh luận về nhiên liệu hiệu quả và tiết kiệm chi phí nhất vẫn tiếp diễn. Hiện tại, cũng không thiếu các lựa chọn. Năng lượng hạt nhân cung cấp một giải pháp thay thế cho các lựa chọn năng lượng thông thường hơn nhưng đòi hỏi phải giám sát hệ thống chặt chẽ và các quy trình an toàn. Học máy có thể giúp theo dõi chặt chẽ các yếu tố chính của hệ thống hạt nhân dễ dàng hơn và phản hồi các vấn đề nhanh hơn.
Syed Bahauddin Alam, phó giáo sư tại Khoa Kỹ thuật hạt nhân, Plasma và Xạ trị (NPRE) thuộc Cao đẳng Kỹ thuật Grainger thuộc Đại học Illinois Urbana-Champaign, và nhóm của ông đã làm việc với các chuyên gia về trí tuệ nhân tạo và máy học thông qua Illinois Computes để phát triển một phương pháp mới để giám sát hệ thống năng lượng hạt nhân theo thời gian thực, có thể suy ra dự đoán nhanh hơn khoảng 1.400 lần so với mô phỏng Động lực học chất lưu tính toán (CFD) truyền thống. Các trợ lý nghiên cứu của NCSA và sinh viên tốt nghiệp NPRE Kazuma Kobayashi và Farid Ahmed đã hỗ trợ quá trình phát triển.
Được công bố trên npj Materials Degradation, nghiên cứu của Alam giới thiệu các cảm biến ảo do máy học điều khiển dựa trên các mô hình thay thế toán tử học sâu như một phương pháp bổ sung cho các cảm biến vật lý trong việc giám sát các chỉ số suy thoái quan trọng.
Các cảm biến vật lý truyền thống gặp phải những hạn chế, đặc biệt là khi đo các thông số quan trọng trong môi trường khó tiếp cận hoặc khắc nghiệt, thường dẫn đến phạm vi dữ liệu không đầy đủ. Hơn nữa, các phương pháp mô hình số dựa trên vật lý truyền thống, chẳng hạn như CFD, vẫn còn quá chậm để cung cấp các dự đoán thời gian thực trong các cơ sở điện hạt nhân.
Sơ đồ kiến trúc DeepONet dựa trên FNN được sử dụng trong nghiên cứu này. Nguồn: npj Materials Degradation (2025). DOI: 10.1038/s41529-025-00557-y
Thay vào đó, Deep Operator Neural Networks (DeepONet) mới, khi được đào tạo đúng cách trên các đơn vị xử lý đồ họa (GPU), có thể dự đoán ngay lập tức và chính xác các giải pháp đa vật lý hoàn chỉnh trên toàn bộ miền. DeepONet hoạt động như các cảm biến ảo thời gian thực và giải quyết những hạn chế này của các cảm biến vật lý hoặc dự đoán mô hình cổ điển, cụ thể là bằng cách dự đoán các thông số nhiệt-thủy lực chính trong nhánh nóng của lò phản ứng nước áp suất.
Vì các thành phần liên tục phải chịu nhiệt độ, áp suất và bức xạ khắc nghiệt, nên việc giám sát và kiểm tra thích hợp các thành phần đang hoạt động của lò phản ứng hạt nhân là điều cần thiết để đảm bảo an toàn và hiệu quả lâu dài. AI không thay thế sự giám sát của con người mà tạo ra những cách mới để giám sát và dự đoán khả năng hỏng hóc của các thành phần hệ thống.
"Nghiên cứu của chúng tôi giới thiệu một cách mới để giữ cho các hệ thống hạt nhân an toàn bằng cách sử dụng các kỹ thuật học máy tiên tiến để giám sát các điều kiện quan trọng theo thời gian thực", Alam cho biết. "Theo truyền thống, việc đo một số thông số nhất định bên trong lò phản ứng hạt nhân là vô cùng khó khăn vì chúng thường ở trong môi trường khó tiếp cận hoặc cực kỳ khắc nghiệt. Phương pháp tiếp cận của chúng tôi tận dụng các cảm biến ảo được hỗ trợ bởi các thuật toán để dự đoán các điều kiện nhiệt và lưu lượng quan trọng mà không cần cảm biến vật lý ở mọi nơi.
"Hãy nghĩ về nó như việc có một bản đồ ảo về cách lò phản ứng đang hoạt động, cung cấp cho chúng tôi phản hồi liên tục mà không cần phải đặt các thiết bị vật lý ở những nơi nguy hiểm. Điều này không chỉ tăng tốc quá trình giám sát mà còn làm cho nó chính xác và đáng tin cậy hơn đáng kể. Bằng cách này, chúng ta có thể phát hiện các vấn đề tiềm ẩn trước khi chúng trở nên nghiêm trọng, nâng cao cả tính an toàn và hiệu quả."
Thông qua chương trình Illinois Computes, Alam đã sử dụng các khoản phân bổ trên Delta của NCSA, thực hiện các phép tính để tạo dữ liệu trên các nút bộ xử lý trung tâm (CPU) và cho các tác vụ đào tạo và đánh giá trên một nút tính toán với GPU NVIDIA A100. Ông đã hợp tác với các chuyên gia của NCSA về điện toán khoa học do AI điều khiển và điện toán hiệu suất cao.
Tạo lưới trên miền. Tín dụng: npj Materials Degradation (2025). DOI: 10.1038/s41529-025-00557-y
"Việc hợp tác với Tiến sĩ Diab Abueidda và Tiến sĩ Seid Koric từ NCSA là điều cần thiết cho thành công của chúng tôi. Thông qua chương trình, chúng tôi đã tận dụng các tài nguyên siêu máy tính hiện đại của Delta, bao gồm một nút tính toán với GPU NVIDIA A100, để đào tạo và thử nghiệm các mô hình của chúng tôi một cách hiệu quả.
"Đội ngũ kỹ thuật của NCSA đã hỗ trợ vô giá trong suốt toàn bộ quá trình, chứng minh tác động to lớn của việc kết hợp AI với điện toán hiệu suất cao để thúc đẩy an toàn hạt nhân. Chúng tôi sẽ tiếp tục nỗ lực giải phóng sức mạnh của AI trong các hệ thống năng lượng phức tạp, mở rộng ranh giới của những gì có thể để tăng cường an toàn, hiệu quả và độ tin cậy", Alam cho biết.
"Trong dự án Illinois Computes này, chúng tôi đã tận dụng đầy đủ các nguồn tài nguyên điện toán hiệu suất cao độc đáo và chuyên môn đa ngành tại NCSA và Cao đẳng Kỹ thuật Grainger để thúc đẩy nghiên cứu kỹ thuật chuyển đổi và chuyển đổi tại Illinois", Seid Koric, phó giám đốc kỹ thuật cấp cao của Research Consulting tại NCSA và giáo sư nghiên cứu tại Khoa Khoa học và Kỹ thuật Cơ khí cho biết.
"Sự hợp tác này minh họa cho sự hiệp lực xuất hiện khi các phương pháp AI tiên tiến, các nguồn lực điện toán hiệu suất cao và chuyên môn trong lĩnh vực hội tụ", Abueidda, một nhà khoa học nghiên cứu tại NCSA cho biết.
"Làm việc cùng nhóm của Tiến sĩ Alam và các chuyên gia AI và HPC của NCSA, chúng tôi đã tận dụng các khả năng tiên tiến của Delta để thúc đẩy ranh giới của giám sát thời gian thực và phân tích dự đoán trong các hệ thống hạt nhân. Bằng cách hợp nhất các bộ kỹ năng chuyên môn của mình, chúng tôi đã đẩy nhanh quá trình nghiên cứu đồng thời nâng cao độ chính xác và độ tin cậy của các biện pháp an toàn quan trọng.
"Chúng tôi mong muốn tiếp tục phương pháp tiếp cận liên ngành này để thúc đẩy các giải pháp chuyển đổi cho các hệ thống năng lượng phức tạp. Cuối cùng, những đột phá này làm nổi bật lời hứa của khoa học tính toán trong việc giải quyết những thách thức cấp bách của năng lượng hạt nhân".
