美国的核电站产生了超过20%的电力，占美国无碳电力的一半。国家对更多电力的迫切需求——特别是对不会导致气候变化的无碳电力的需求——正在激发人们对先进核技术的兴趣。这也导致许多人质疑，有时被认为比其他清洁能源行业维护和运营成本更高的核电行业，能否实现自身的现代化，并呈现出更令人信服的底线。
美国能源部阿贡国家实验室首席核工程师亚历克斯·海菲兹认为，新的人工智能和机器学习工具和技术将为“是”铺平道路。
海菲兹和一组研究人员使用普渡大学核管理委员会委托的PUR-1全数字研究反应堆，使用具有迁移学习功能的物理信息神经网络(TL-PINN)进行了一系列实验。神经网络是机器学习中的一种方法，可以通过训练来识别数据中的模式。然而，他们并不擅长在他们的训练领域之外做出预测。像海菲兹这样的研究人员认为，pinn可以通过将神经网络与微分方程融合来解决复杂的科学或工程问题，从而克服这一缺点。这将有助于他们推断新的情况，并做出更准确的预测。
在发表在《自然科学报告》(Nature’s Scientific Reports)上的研究中，海菲兹的团队创建了一个自动化操作的小型模块化反应堆(SMR)模型，然后利用机器学习完成了核工业在运行中的核电站中永远不会尝试的事情:他们对数据和训练模型进行了修改。
“我们专注于算法性能的具体问题，”海菲兹说。“你拥有的数据越多，你的模型在预测准确性方面就越好。随着新技术和新设计的出现，您可能没有足够的数据来进行预测。我们应用了迁移学习的概念，在这个概念中，你用一个合成数据集重新训练pin神经网络，然后你看看数据集之间的相似性，看看你是否可以依靠合成数据做出准确的预测。”
以前的许多研究都集中在核反应堆的安全性和安全性上，但这项研究将目光集中在成本上。hefetz说，总体目标是降低运营和维护成本，使低成本smr的开发和商业化成为可能。小型模块化反应堆产生300兆瓦或更少的电力，而目前的反应堆额定功率约为1000兆瓦(足够为大约100万户家庭提供电力)。
许多人认为小型反应堆可以极大地扩大核能的影响。它们比现有的核反应堆占用的空间更小，建造、运行和维护成本更低，并且具有现代功能，如数字仪表、设备和传感器，这些是大多数现有反应堆最初没有的。它们可以用来为美国偏远地区提供电力，或者可能用于未来的驿站，使长途卡车的电气化更加可行。
海菲兹说:“建造一个新的核反应堆很困难，所以我们不想关闭现有的反应堆。”“我们面临的挑战是，在保留其所有安全特性的同时，将一座建于20世纪50年代、耗资100亿美元的核反应堆改造得更现代化、更高效、更自主，操作人员更少，关闭时间更短。但是，我们也想测试新的设计，比如smr，因为没有足够的数据。通过开发一个不需要太多时间来训练的物理信息神经网络，也许我们可以降低训练新模型的成本。”
更多信息:Konstantinos Prantikos等人，基于域相似性度量的核反应堆瞬态预测的物理信息神经网络迁移学习(TL-PINN)，科学报告(2023)。DOI: 10.1038/s41598-023-43325-1期刊信息:由Argonne国家实验室提供的科学报告引文:如果美国核电站可以更便宜(2024,1月26日)2024年1月30日检索自https://techxplore.com/news/2024-01-american-nuclear-power-expensive.html本文档受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
