Les progrès de l’apprentissage automatique pour les processus nucléaires annoncent un avenir meilleur pour l’énergie sans carbone

Dans une combinaison impressionnante de technologie nucléaire et d’apprentissage automatique (ML), une équipe de scientifiques du Laboratoire nationwide d’Argonne du Département américain de l’énergie (DOE) a dévoilé une découverte importante dans le maintien de l. a. sécurité et de l’efficacité d’un sort de réacteur nucléaire de nouvelle génération. Connu sous le nom de réacteur rapide refroidi au sodium (SFR).

Un SFR est un sort de réacteur nucléaire qui utilise du sodium liquide pour refroidir son cœur et produit efficacement de l’électricité sans carbone en divisant les atomes lourds. Bien qu’ils n’aient pas encore été utilisés commercialement aux États-Unis, nombreux sont ceux qui pensent que ces réacteurs pourraient révolutionner l. a. manufacturing d’énergie et contribuer à réduire les déchets nucléaires. Cependant, ils comportent des défis, tels que le maintien de l. a. pureté du réfrigérant sodium liquide à haute température. Cet side est the most important pour prévenir l. a. corrosion et le colmatage du système.

Pour relever ces défis, les scientifiques d’Argonne ont conçu un nouveau système d’apprentissage automatique, récemment détaillé Énergies Article vedette dans le mag.

“En exploitant l. a. puissance de l’apprentissage automatique pour surveiller et détecter en permanence les anomalies, nous faisons progresser l’état de l’artwork en matière de contrôle des tools”, a déclaré Alexander Heifetz, ingénieur nucléaire fundamental à Argonne et co-auteur de l’article. “Cela conduira à une percée dans l’efficacité et l. a. rentabilité des systèmes d’énergie nucléaire.”

Tout d’abord, l’équipe a créé un modèle d’apprentissage automatique pour surveiller en permanence le système de refroidissement. Le modèle est équipé pour analyser les données de 31 capteurs de l’set up Mechanisms Engineering Take a look at Loop (METL) d’Argonne qui mesurent des variables telles que les températures, les pressions et les débits des fluides. L’set up METL est une set up expérimentale distinctive conçue pour tester en toute sécurité et avec précision les matériaux et composants proposés pour une utilisation dans ces réacteurs.

Il forme également des ingénieurs et des techniciens (et désormais des modèles d’apprentissage automatique) qui peuvent aider à son fonctionnement et à sa repairs. Un système complet amélioré par l’apprentissage automatique pourrait faciliter une surveillance et une prévention plus robustes des anomalies susceptibles de perturber le fonctionnement du réacteur lui-même.

Deuxièmement, l’équipe a démontré l. a. capacité du modèle à détecter rapidement et précisément les anomalies opérationnelles. Ils ont testé cela en simulant une anomalie de sort perte de liquide de refroidissement, caractérisée par une augmentation soudaine de l. a. température et du débit. Le modèle a détecté l’anomalie environ trois mins après son apparition. Cette capacité a confirmé son efficacité en tant que mécanisme de sécurité.

Enfin, l. a. recherche suggère des améliorations significatives pour les futurs modèles. Actuellement, le modèle indique tout pic dépassant un seuil prédéterminé. Cependant, cette méthode peut conduire à de fausses alarmes dues à des pics occasionnels ou à des erreurs de capteur. Tous les pics ne constituent pas une anomalie. L’équipe prévoit d’améliorer le modèle pour faire l. a. difference entre les véritables anomalies de processus et le bruit de mesure aléatoire. Il s’agit d’exiger que le sign reste au-dessus d’une valeur seuil pendant une certaine période avant d’être considéré comme une anomalie. Ils intégreront également des corrélations spatiales et temporelles entre les capteurs dans le calcul des pertes.

“Bien que nous utilisions les capacités uniques de METL pour développer et tester nos algorithmes dans une set up de recherche expérimentale sur métaux liquides, il est conceivable de voir des programs dans des réacteurs avancés”, a déclaré Heifetz. « Cela pourrait fournir davantage d’énergie sans carbone à l’avenir. »

Alexandra Akins, assistante de recherche à Argonne et co-auteur de l’article, est du même avis. “Nos recherches sur l. a. détection des anomalies à l’aide de l’apprentissage automatique font progresser l. a. promesse de l’énergie nucléaire.”