もしアメリカの原子力発電所のコストが安くなったらどうなるだろうか

米国の原子力発電所は、米国内の電力の 20% 以上、カーボンフリー電力の半分を生成しています。 さらなる電力、特に気候変動に寄与しないカーボンフリー電力に対する国民の切実な需要が、先進的な原子力技術への関心を高めている。 また、他のクリーン エネルギー産業よりも維持および運営に費用がかかると言われることもある原子力産業が、自らを近代化し、より説得力のある収益をもたらすことができるのかと多くの人が疑問を抱くようになりました。

米国エネルギー省（DOE）アルゴンヌ国立研究所の主任原子力技術者であるアレックス・ハイフェッツ氏は、新しい人工知能と機械学習のツールと技術が「イエス」への道を切り開くと考えている。

ハイフェッツ氏と研究者チームは、パデュー大学の NRC 委託によるオールデジタル研究である PUR-1 を使用しました。 反応器、物理学に基づいた情報を使用して一連の実験を実施します。 ニューラルネットワーク 転移学習 (TL-PINN) を使用します。 ニューラル ネットワークは、データ内のパターンを認識するようにトレーニングできる機械学習の手法です。 ただし、トレーニング領域の外で予測を行うのは得意ではありません。 ハイフェッツのような研究者は、PINN がニューラル ネットワークと 微分方程式 複雑な科学的または工学的問題を解決するため。 これは、新しいシナリオを推定し、より正確な予測を行うのに役立ちます。

に掲載された作品の中で、 自然の 科学レポートハイフェッツ氏のチームは、自動運転を備えた小型モジュール型原子炉 (SMR) のモデルを作成し、機械学習を使用して何かを実行しました。 原子力産業 手術では決して試みないだろう 原子力発電所：彼らはそのデータとトレーニングモデルをいじりました。

「私たちはアルゴリズムのパフォーマンスという特定の問題に焦点を当てました」とハイフェッツ氏は語った。 「データが増えれば増えるほど、モデルの予測精度は向上します。新しいテクノロジーや設計では、予測を行うためにすべてのデータが手元にない可能性があります。私たちは転移学習の概念を適用しました。 PINN を合成データ セットと比較し、データ セット間の類似性を調べて、合成データを信頼して正確な予測を行えるかどうかを確認します。」

これまでの多くの研究は原子炉の安全性とセキュリティに焦点を当ててきましたが、この研究では特にコストに焦点を絞りました。 ハイフェッツ氏によると、全体的な目的は運用と保守のコストを削減し、低コストのSMRの開発と商品化を可能にすることだという。 小型モジュール式原子炉は、定格電力が約 1,000 メガワット (約 100 万世帯に電力を供給するのに十分な電力) である現在の原子炉と比較して、300 メガワット以下の電力を生成します。

多くの人は、SMR が原子力エネルギーの影響を大幅に拡大する可能性があると考えています。 既存の原子炉よりも占有スペースが小さく、建設、運転、維持費が安く、既存の原子炉のほとんどには元々備わっていなかったデジタルゲージ、装置、センサーなどの最新の機能が備わっています。 これらは、米国の遠隔地や、場合によっては電化を実現する未来の中継所に電力を供給するために使用できます。 長距離トラック輸送がより現実的になる。

ハイフェッツ氏は「新しい原子炉を建設するのは難しいので、私たちは今ある原子炉を停止したくない」と語った。 「課題は、1950 年代に建設された 100 億ドルの原子炉を、そのすべての安全機能を維持しながら、より近代的で効率的かつ自律型にし、操作員を減らし、停止時間を短縮することです。しかし、私たちはまた、 「十分なデータがない SMR などの新しい設計をテストするために使用されます。トレーニングに多くの時間を必要としない物理学に基づいたニューラル ネットワークを開発することで、新しいモデルのトレーニングのコストを削減できるかもしれません。」