Νέο Μοντέλο Πρόβλεψης από το MIT Ενισχύει την Αξιοπιστία των Εργοστασίων Πυρηνικής Σύντηξης

Επιστήμονες στο MIT ανέπτυξαν μια νέα μέθοδο πρόβλεψης που θα μπορούσε να βελτιώσει δραστικά την ασφάλεια και την αξιοπιστία των αντιδραστήρων πυρηνικής σύντηξης τύπου tokamak. Η προσέγγιση αυτή συνδυάζει την τεχνητή νοημοσύνη (συγκεκριμένα, τη μηχανική μάθηση) με μοντέλα βασισμένα στη φυσική, με στόχο την αποφυγή δαπανηρών διαταραχών κατά τη διαδικασία απενεργοποίησης (rampdown) αυτών των πολύπλοκων μηχανών.

Οι tokamaks, οι οποίοι συχνά περιγράφονται ως «ο ήλιος σε ένα κουτί», χρησιμοποιούν πανίσχυρα μαγνητικά πεδία για να περιορίσουν και να θερμάνουν ένα πλάσμα σε θερμοκρασίες που ξεπερνούν τα 100 εκατομμύρια βαθμούς Κελσίου, θερμότερες κι από τον πυρήνα του Ήλιου. Ο στόχος είναι η πρόκληση σύντηξης των ατόμων, απελευθερώνοντας τεράστια ποσά καθαρής ενέργειας. Ενώ η λειτουργία τους είναι μια τεράστια πρόκληση, εξίσου κρίσιμη είναι και η διαδικασία ασφαλούς τερματισμού της λειτουργίας τους.

Μία από τις μεγαλύτερες προκλήσεις είναι η διαχείριση του πλάσματος κατά τη φάση της «επιβράδυνσης» (rampdown), όταν δηλαδή το ρεύμα του πλάσματος, που κινείται με ταχύτητες έως και 100 χιλιόμετρα το δευτερόλεπτο, πρέπει να μειωθεί με ελεγχόμενο τρόπο. Εάν το πλάσμα γίνει ασταθές κατά τη διαδικασία αυτή, μπορεί να προκληθεί μια «διαταραχή» (disruption), η οποία απελευθερώνει απότομα την ενέργεια του πλάσματος, προκαλώντας φθορές και ουλές στα εσωτερικά τοιχώματα του αντιδραστήρα. Σε πειραματικές μηχανές μικρής κλίμακας, οι ζημιές είναι συνήθως διαχειρίσιμες, αλλά σε μελλοντικά εργοστάσια παραγωγής ενέργειας εμπορικής κλίμακας, τέτοιες διαταραχές θα ήταν καταστροφικές και οικονομικά ασύμφορες, απαιτώντας χρονοβόρες επισκευές.

Η νέα μέθοδος που αναπτύχθηκε από ερευνητές του Κέντρου Επιστήμης Πλάσματος και Σύντηξης (PSFC) και του Εργαστηρίου Πληροφοριακών Συστημάτων και Αποφάσεων (LIDS) του MIT, αντιμετωπίζει ακριβώς αυτό το πρόβλημα. Αντί να βασιστεί αποκλειστικά σε μοντέλα μηχανικής μάθησης, τα οποία θα απαιτούσαν «μια απίστευτη ποσότητα δεδομένων» για να εκπαιδευτούν λόγω της πολυπλοκότητας της φυσικής του πλάσματος, η ομάδα υιοθέτησε μια υβριδική προσέγγιση.

Συνδύασαν ένα νευρωνικό δίκτυο με ένα υπάρχον μοντέλο που προσομοιώνει τη δυναμική του πλάσματος σύμφωνα με τους θεμελιώδεις κανόνες της φυσικής. Αυτός ο συνδυασμός επιτρέπει στο μοντέλο να μαθαίνει γρήγορα πώς εξελίσσεται το πλάσμα καθώς απενεργοποιείται, επιτυγχάνοντας υψηλή ακρίβεια με σχετικά μικρό όγκο δεδομένων.

Οι ερευνητές εκπαίδευσαν και δοκίμασαν το μοντέλο τους χρησιμοποιώντας δεδομένα από το πειραματικό tokamak TCV στη Λωζάνη της Ελβετίας. Διαπίστωσαν ότι το μοντέλο χρειαζόταν μόλις μερικές εκατοντάδες «παλμούς» (πειραματικές διαδρομές) χαμηλής απόδοσης και ελάχιστους παλμούς υψηλής απόδοσης για να εκπαιδευτεί και να επικυρωθεί. Αυτή η αποδοτικότητα δεδομένων είναι κρίσιμη, δεδομένου του υψηλού κόστους κάθε πειράματος σε έναν αντιδραστήρα σύντηξης.

Το μοντέλο, που δημοσιεύτηκε στο περιοδικό Nature Communications, μπόρεσε να προβλέψει με ακρίβεια την εξέλιξη του πλάσματος υπό διαφορετικές συνθήκες αρχικής λειτουργίας. Επιπλέον, η ομάδα ανέπτυξε έναν αλγόριθμο που μεταφράζει τις προβλέψεις του μοντέλου σε πρακτικές «τροχιές» διαχείρισης, δηλαδή σε αυτόματες οδηγίες που μπορεί να εκτελέσει ο ελεγκτής του tokamak (π.χ. προσαρμόζοντας τα μαγνητικά πεδία ή τη θερμοκρασία) για να διατηρήσει τη σταθερότητα του πλάσματος.

Οι δοκιμές στο TCV έδειξαν ότι ο αλγόριθμος παρήγαγε τροχιές που απενεργοποίησαν με ασφάλεια το πλάσμα, σε ορισμένες περιπτώσεις ταχύτερα και χωρίς τις διαταραχές που παρατηρούνταν σε πειράματα χωρίς τη νέα μέθοδο.

«Για να γίνει η σύντηξη μια χρήσιμη πηγή ενέργειας, θα πρέπει να είναι αξιόπιστη», δήλωσε ο επικεφαλής συγγραφέας Allen Wang. «Αυτό που κάναμε εδώ είναι η αρχή αυτού που είναι ακόμα ένα μακρύ ταξίδι, αλλά νομίζω ότι έχουμε κάνει μια καλή πρόοδο». Η έρευνα υποστηρίχθηκε εν μέρει από την Commonwealth Fusion Systems (CFS), μια spin-out εταιρεία του MIT που στοχεύει στην κατασκευή του πρώτου συμπαγούς εργοστασίου σύντηξης εμπορικής κλίμακας, SPARC.

Original: MIT