پژوهشگران آزمایشگاه ملی آرگون، وابسته به وزارت انرژی آمریکا، در حال بهکارگیری معماری ترنسفورمر ChatGPT در راکتورهای هستهای هستند.
معماری ترنسفورمر که بهعنوان پایه بسیاری از سامانههای هوش مصنوعی مولد از جمله ChatGPT شناخته میشود، این بار برای هدفی متفاوت مورد استفاده قرار گرفته است. پژوهشگران آرگون این فناوری را به خدمت گرفتهاند تا حرکت سیالات و نحوه انتقال گرما در سامانههای تولید انرژی هستهای را با دقت بیشتری مدلسازی کنند.
بهکارگیری ترنسفورمر در شبیهسازی راکتورهای هستهای
#اعضای این پروژه در حال افزودن معماریهای ترنسفورمر به نرمافزار System Analysis Module یا SAM هستند؛ ابزاری که برای تحلیل و شبیهسازی راکتورهای هستهای نسل جدید به کار میرود. هدف اصلی این اقدام، ارتقای مدلسازی آشفتگی جریان است؛ روشی که امکان پیشبینی رفتار پیچیده سیالات و تأثیر آن بر بخشهای مختلف راکتور را فراهم میکند.
پژوهشگران امیدوارند با ترکیب مدلهای مبتنی بر ترنسفورمر و شبیهسازی آشفتگی، به نتایجی دست یابند که هم سرعت بالاتری نسبت به روشهای مرسوم داشته باشد و هم دقت بیشتری ارائه کند. در صورت موفقیت، این فناوری میتواند شبیهسازی کامل نیروگاههای هستهای، شامل راکتور، سامانههای خنککننده و سایر تجهیزات پشتیبان را امکانپذیر سازد.
ترنسفورمر چگونه آشفتگی جریان را تحلیل میکند؟
#در راکتورهای هستهای، شناخت دقیق نحوه حرکت سیالات اهمیت زیادی دارد، زیرا این سیالات گرما را در بخشهای مختلف جابهجا کرده و با اجزای گوناگون نیروگاه در تعامل هستند. مدلسازی آشفتگی به دانشمندان کمک میکند رفتار پیچیده این جریانها را پیشبینی کنند، اما انجام چنین محاسباتی معمولاً به توان پردازشی بسیار بالایی نیاز دارد.
روش توسعهیافته در آزمایشگاه آرگون با تکیه بر معماری ترنسفورمر، ارتباط میان دادههای فیزیکی مختلف مانند موقعیت، سرعت و الگوهای جریان سیال را بررسی میکند. این مدل تاکنون توانسته است مقاومت در برابر جریان سیال و انتقال حرارت را با دقت بالایی بازسازی نماید؛ دو ویژگی مهمی که نقش اساسی در شبیهسازی قابل اعتماد آشفتگی دارند.
روی هو، مهندس ارشد هستهای و مدیر بخش تحلیل ایمنی و مهندسی هستهای آزمایشگاه آرگون، در اینباره گفت که با کمک هوش مصنوعی میتوان به همان میزان دقتی دست یافت که روشهای پیچیده محاسباتی ارائه میکنند، اما سرعت اجرا در حد روشهای ساده باقی میماند. به گفته او، این فناوری ترکیبی از دقت و سرعت را در اختیار پژوهشگران قرار میدهد.
بر اساس اعلام آزمایشگاه آرگون، مدلهای مبتنی بر هوش مصنوعی قادر هستند نتایج شبیهسازی را تقریباً بهصورت لحظهای تولید نمایند، در حالی که همچنان دقت روشهای محاسباتی پیشرفته را حفظ میکنند. این قابلیت به محققان اجازه میدهد شبیهسازیهای واقعگرایانهتری انجام دهند، بدون آنکه با زمان پردازش طولانی یا نیاز به منابع محاسباتی سنگین روبهرو شوند.
بهبود این شیوه مدلسازی میتواند در طراحی راکتورها، ارزیابی عملکرد آنها و افزایش سطح ایمنی نقش مهمی ایفا کند. همچنین مهندسان خواهند توانست بررسی کنند که تغییرات رفتار سیالات چه تأثیری بر کل سامانه هستهای و عملکرد اجزای مختلف آن میگذارد.
گام بعدی؛ استفاده از دوقلوهای دیجیتال در نیروگاههای هستهای
#مرحله بعدی این پروژه، بهکارگیری مدل توسعهیافته برای شبیهسازی کل نیروگاههای هستهای است. این شبیهسازیها علاوه بر راکتور، بخشهایی مانند سامانههای خنککننده، تجهیزات ایمنی، بخشهای کمکی و سایر زیرساختهای پشتیبان را نیز در بر خواهد گرفت.
گروه تحقیقاتی همچنین روی فناوری دوقلوی دیجیتال کار میکند؛ نسخهای مجازی از یک سامانه واقعی که میتواند بهصورت بلادرنگ فعالیت کرده و همزمان با دریافت اطلاعات جدید بهروزرسانی شود. پژوهشگران آرگون اعلام کردهاند که از نخستین گروههایی هستند که استفاده از معماری ترنسفورمر را برای توسعه دوقلوهای دیجیتال در سامانههای هستهای بررسی میکنند.
دوقلوهای دیجیتال در آینده این امکان را فراهم خواهند کرد که مهندسان، تأسیسات هستهای را همزمان با دریافت دادههای واقعی زیر نظر داشته باشند و شرایط آنها را شبیهسازی کنند. ترکیب این فناوری با مدلهای شبیهسازی سریعتر میتواند ابزار ارزشمندی برای ارزیابی عملکرد نیروگاهها و شناسایی مشکلات احتمالی پیش از تبدیل شدن به بحران باشد.
پژوهشگران در ادامه این طرح، توسعه بیشتر مدلهای مبتنی بر ترنسفورمر، افزایش دقت و انعطافپذیری آنها و همچنین افزودن قابلیتهای جدید مبتنی بر هوش مصنوعی به فرایند شبیهسازی نرمافزار SAM را در دستور کار قرار خواهند داد.
این پروژه با حمایت برنامه مدلسازی و شبیهسازی پیشرفته انرژی هستهای یا NEAMS که زیر نظر وزارت انرژی ایالات متحده فعالیت میکند، در حال اجرا است.
