核电运行机器学习的进步为无碳能源带来了更光明的未来

美国能源部(DOE)阿贡国家实验室的一组科学家将核技术与机器学习(ML)令人印象深刻地结合起来，公布了在维持下一代核反应堆安全性和效率方面的一项重大发现，称为钠冷快堆(SFR)。

SFR是一种核反应堆，它使用液态钠来冷却其核心，并通过分裂重原子有效地产生无碳电力。虽然它们尚未在美国投入商业使用，但许多人相信这些反应堆可以彻底改变电力生产并有助于减少核废料。然而，它们也面临着挑战，例如保持高温液态钠冷却剂的纯度。这对于防止系统腐蚀和堵塞至关重要。

为了应对这些挑战，阿贡国家实验室的科学家设计了一种新的机器学习系统，最近的一篇《能源》杂志专题文章对此进行了详细介绍。

阿贡国家实验室首席核工程师、本文合著者亚历山大·海菲茨(AlexanderHeifetz)表示：“通过利用机器学习的力量来持续监控和检测异常，可以提高仪器控制的技术水平。”“这将为核能系统的效率和成本效益带来突破。”

首先，团队创建了一个机器学习模型来持续监控冷却系统。该模型能够分析来自阿贡机构工程测试回路(METL)设施的31个传感器的数据，这些传感器测量流体温度、压力和流速等变量。METL设施是一个独特的实验设施，旨在安全、准确地测试拟用于这些反应堆的材料和组件。

它还培训可以帮助操作和维护它们的工程师和技术人员(现在是机器学习模型)。通过机器学习增强的综合系统可以促进更强大的监控并防止可能破坏实际反应堆功能的异常情况。

其次，该团队展示了该模型快速准确地检测操作异常的能力。他们通过模拟冷却剂损失型异常来对此进行测试，这种异常的特点是温度和流量突然飙升。该模型在异常发生后大约三分钟内检测到异常。这种能力强调了其作为安全机制的有效性。

最后，研究指出未来模型的重大改进。目前，该模型会标记任何超过预定阈值的尖峰。然而，这种方法可能会由于偶然的尖峰或传感器错误而导致误报。并非每个峰值都是异常。该团队计划完善该模型，以区分真正的过程异常和随机测量噪声。这包括要求信号在被视为异常之前保持在阈值之上一段时间。他们还将传感器之间的空间和时间相关性纳入损失计算中。

Heifetz表示：“虽然我们正在利用METL的独特功能在液态金属实验研究设施中开发和测试我们的算法，但仍有可能在先进反应堆中看到应用。”“这可以在未来提供更多的无碳能源。”

阿贡国家实验室的研究助理、这篇文章的合著者亚历山德拉·阿金斯(AlexandraAkins)对此表示同意。“我们利用机器学习进行异常检测的研究增强了核能的前景。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！