برای تامین برق و گرما؛
یادگیری ماشینی راکتورهای هسته ای را ارتقا می دهد
به گزارش برتریها، به قول کارشناسان لابراتوار ملی آرگون وزارت انرژی آمریکا، فناوری یادگیری ماشینی پتانسیل تغییر در عملیات راکتورهای هسته ای را دارد.
به گزارش برتریها به نقل از اینترستینگ انجینرینگ، آنها کاربرد ماشین یادگیری در راکتور سریع خنک شده با سدیم (SFR) را نشان دادند که یک راکتور هسته ای نوین و مخصوص است. SFR نوعی از راکتور هسته ای است که از سدیم مایع بعنوان مایع خنک کننده برای هسته اش استفاده می نماید. این کاربرد سبب می شود راکتور بدون تولید کربن و با جدا کردن اتم های سنگین، برق بسازد. هرچند این راکتورها الان برای مقاصد تجاری در آمریکا به کار نمی روند اما کارشناسان بسیار خوش بین هستند که آنها پتانسیل بالایی برای تحول تولید برق و کمک به کاهش دورریز هسته ای دارند. SFR ها در آینده نزدیک راهی برای تولید انرژی پاک تر و ماندگارتر به حساب می آیند. طبق بیانیه رسمی انتشار یافته، یادگیری ماشینی با یک چالش بزرگ در رابطه با اطمینان از مایع خالص خنک کننده سدیم با دمای بالا روبرو است. حفظ این خلوص برای پیشگیری از پوسیدگی و گرفتگی سیستم حیاتی می باشد. محققان لابراتوار آرگون برای مرتفع ساختن این چالش ها یک سیستم یادگیری ماشینی سرنوشت ساز ابداع نموده اند. السکاندر هیفتز مهندس هسته ای ارشد آرگون در یک بیانیه رسمی نوشته است: با به کارگیری قدرت یادگیری ماشینی برای نظارت مستمر و تشخیص ناهنجاری ها، میتوان کنترل ابزار دقیق را بهتر کرد. این امر به پیشرفت کارایی و مقرون به صرفه بودن سیستم های انرژی هسته ای منجر می شود. برای همین منظور محققان یک مدل یادگیری ماشینی ابداع کردند و حوزه های عملیاتی مختلفی را در نظر گرفتند. اولین حوزه رصد مداوم سیستم خنک کننده بود. در بیانیه محققان آمده است: این مدل طوری تجهیز شده تا داده های ۳۱ سنسور واحد METL در لابراتوار آرگون را تحلیل کند که متغیرهایی مانند دما، فشار و جریان مایع را می سنجد. همینطور بعنوان یک بستر آموزشی برای مهندسان، تکنسین ها و حتی مدلهای یادگیری ماشینی عمل می کند که همگی می توانند در بهره برداری و نگهداری این راکتورها سهیم باشند. ادغام یک سیستم کامل تقویت شده توسط یادگیری ماشینی می تواند نظارت را بهبود بخشد و خطر ناهنجاری هایی را کم کند که عملکرد راکتور را مختل می کند. همینطور محققان ظرفیت مدل برای ردیابی اختلالات عملیاتی را به سرعت و با دقت نشان دادند. این پژوهش ارتقای قابل توجهی برای مدلهای آینده فراهم می آورد. البته محدودیت های قابل توجهی هم دارد مانند احتمال انتشار هشدارهای اشتباه در نتیجه ناکارآمدی تصادفی حسگرها.
منبع: برتریها
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد یادگیری ماشینی راکتورهای هسته ای را ارتقا می دهد