人工智能与核反应堆材料选择

美国能源部阿贡国家实验室的研究人员正在开发一个基于人工智能的“工具包”，这将有助于更好地确定用于建造核反应堆的材料的特性。

“我们要做的是将材料的辐射损伤过程实现可视化，并把人的因素排除在外”，助理计算科学家Logan Ward说。“我们正在建立人工智能工具，帮助量化对该材料的实际观察结果，以此建立预测模型，告诉我们反应堆中正在发生什么。”

大多数核反应堆依赖于两种基本材料类型：核燃料，包括燃料棒，反应在其中进行;结构，即反应堆中容纳燃料的那些部分。

反应堆的裂变过程会随着时间的推移损害这两类材料，而其他裂变产物主要损害燃料。因此，反应堆材料的完整性会退化。

阿贡首席核工程师Abdellatif Yacout说：“这些材料面临的挑战在于，当核反应发生时，会有很多现象发生。有来自燃料的裂变产物造成的辐射损害，还有裂变气体，使材料变形。我们正试图了解所有这些共同产生的影响。”

选择理想的材料

不同的材料对中子和裂变产物的轰击有不同的反应，一些材料比其他材料更易遭受这种损害。例如，燃料变形更快，因为它们首当其冲地受到辐射的影响。研究人员正试图更快、更精确地定义这种易感性，以选择耐受性更前的材料，使其寿命达到从现在的数年延长到数十年。

确定一种材料在反应堆生命周期中的特性的一种方法是观察它在一段时间内的作用。然而，一种材料可能需要多年才能观察到辐射损伤。最后，花费大量的时间和费用可能会得到一个性能不足的产品。

为了缩短开发周期，研究人员正在使用阿贡的中压电子显微镜—串联设施(IVEM)和阿贡串联激光加速器系统中的模拟辐照工具。通过使用离子加速器而不是中子或裂变产物来模拟辐射损伤的效果，研究人员可以在几小时或几天内对材料造成相当于核反应堆中多年的损伤。

加速器与透射电子显微镜(TEM)相连，具有非常高的分辨率，可以将物体放大到原子尺度。当一种材料被离子辐照时，研究人员可以实时见证所发生的损害，并确定具体的损伤类型。

“当我们能够明确引发不同缺陷的原因以及它们在辐照下如何演变时，我们可以理解材料在核反应堆环境中的行为”，首席材料科学家和项目调查员Meimei Li指出。”但是像任何模拟工具一样，我怎么知道它产生的离子辐射数据能够代表反应堆中的中子损伤?”

一段时间以来，研究人员已经使用基于物理学的多尺度模型来比较两种不同类型的辐射条件下的损害。例如，该方法在应用于纯铁等简单材料时是准确的，但对于更复杂的材料就不太行了。

反应堆材料很复杂。不同的合金，如铀合金，被用于燃料，而奥氏体不锈钢只是反应堆环境中多种结构材料之一。

该团队正准备使用TEM图像和人工智能技术的组合，更快、更准确地预测反应堆中的中子损伤。

由IVEM设施的电子显微镜拍摄的显微照片，显示了材料的微观结构是如何随着辐照而演变的。

Ward解释说：“我们得到的这些图像看起来像大斑点的达尔马提亚图案，必须去确定这些斑点中哪些是我们试图模拟的缺陷，测量它们有多大，计算它们有多少，并确定它们在图像中的占比。”

这些数据告诉研究人员，多少辐射会产生一定量的损害。结合对物理学的理解，它为研究材料发生变化的过程和速率提供了窗口，并用来模拟反应堆中实际发生的情况。但这仍然需要很长的时间，而且必须针对许多不同的辐射条件和材料类型进行。

人工智能介入的地方

基于大量的人工工作基础数据，可以用来训练机器学习模型。通过数据输入和重复来学习。针对这些相同的显微照片，快速挑选出标志着特定类型缺陷的特征。这些信息帮助该团队分析IVEM中的离子辐射实验数据。

来自IVEM的视频包含了许多不同的材料中损伤演变的图像。再通过机器学习模型，将提供关于每个缺陷的大小、形状和位置的信息，以及随着时间推移跟踪它们的能力。

“一旦我们有了所有这些数据，我们使用另一种机器学习技术来拟合物理学模型。这能帮助我们研究了反应速率，例如缺陷移动的速度以及它们溶解或重新出现的速度。我们可以建立模型，用它来预测材料的性能。它将告诉我们多长时间内我们需要更换零件。”

这个更新的工具箱，结合了模拟、数据和人工智能，将提供关于现有材料和未来新材料的信息，帮助节省大量的研发时间和费用。更重要的是，它将确保这些材料足够稳定和强大，能够承受它们所面对的强烈辐射场，使核反应堆更安全、更经济、更持久。