فیلم بیشتر »»
کد خبر ۹۱۵۴۵۵
تاریخ انتشار: ۲۱:۲۴ - ۱۴-۰۸-۱۴۰۲
کد ۹۱۵۴۵۵
انتشار: ۲۱:۲۴ - ۱۴-۰۸-۱۴۰۲

یادگیری ماشینی راکتورهای هسته ای را ارتقا می دهد

یادگیری ماشینی راکتورهای هسته ای را ارتقا می دهد
به گفته کارشناسان آزمایشگاه ملی آرگون وزارت انرژی آمریکا، فناوری یادگیری ماشینی پتانسیل تغییر در عملیات راکتورهای هسته ای‌ را دارد.

 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 به عنوان مایع خنک کننده برای هسته اش استفاده می کند.

این کاربرد سبب می شود راکتور بدون تولید کربن و با جدا کردن اتم های سنگین، برق بسازد.

به گزارش مهر، هرچند این راکتورها هم اکنون 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 منتشر شده، یادگیری ماشینی با یک چالش بزرگ مرتبط با اطمینان از مایع خالص خنک کننده سدیم با دمای بالا روبرو است.

حفظ این خلوص برای جلوگیری از پوسیدگی و گرفتگی سیستم حیاتی است. محققان آزمایشگاه آرگون برای برطرف کردن این چالش ها یک سیستم یادگیری ماشینی سرنوشت ساز ابداع کرده 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 ناهنجاری‌ها، می توان 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. نخستین حوزه رصد مداوم سیستم خنک کننده بود.

در بیانیه محققان آمده است: این مدل طوری تجهیز شده تا داده های ۳۱ حسگر واحد METL در آزمایشگاه آرگون را تحلیل کند که متغیرهایی مانند دما، فشار و جریان مایع را می سنجد.

همچنین به عنوان یک بستر آموزشی برای مهندسان، تکنسین ها و حتی مدل های 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 کاهش دهد که عملکرد راکتور را مختل می کند.

همچنین محققان ظرفیت مدل برای ردیابی اختلالات عملیاتی را به سرعت و با دقت نشان دادند.

این پژوهش ارتقای قابل توجهی برای مدل های آینده فراهم می کند. البته محدودیت های قابل توجهی نیز دارد مانند احتمال انتشار هشدارهای اشتباه در نتیجه ناکارآمدی تصادفی حسگرها.

برچسب ها: راکتور ، یادگیری
ارسال به دوستان
داستین هافمن بازیگر افسانه‌ای هالیوود: آمریکا دچار شکاف و دودستگی است چرا حسن خمینی قبل از پایان تلاوت آیات قرآن از جایگاه خارج شد؟ / آیه‌ای که برای خانواده امام خوانده شد چه بود؟ (+فیلم) فاضلاب دیتاسنتر متا آب شهر کوچکی در آمریکا را به باکتری‌های نادر آلوده کرد اوپک‌پلاس در آستانه تصویب دور دیگری از افزایش تولید نفت شرایط دریافت تسهیلات نیروگاه‌های خورشیدی خانگی اعلام شد کشف ارتشی بی‌پایان از سلول‌های مبارز با سرطان سردرگمی در بازار فلزات پایه / سایه تنگه هرمز و تعرفه‌های واشنگتن بر نیمه دوم سال از سرگیری تجارت ایران با قطر با بازگشایی بندر الرویس مجری صداوسیما درباره رهبر شهید: چندین بار «تجربه مرگ» داشته دولت ژاپن در حال بررسی کاهش سطح هشدار سفر به ایران است کشورهای با بیشترین و کمترین رشد مهاجرت دائمی از ۲۰۱۹ تا ۲۰۲۴ (+ اینفوگرافیک) بررسی مک بوک پرو M5 و تحلیل قیمت آن در بازار ایران نظر رهبر شهید درباره سینما دره مرگ؛ درباره داغ‌ترین نقطه آمریکای شمالی پیام مهم نماینده ولی‌فقیه در سپاه به فرماندهان، پاسداران و بسیجیان در مورد تفاهم نامه