Искусственный интеллект способствует разработке новых радиационно-устойчивых материалов для ядерной энергетики.

В оболочках тепловыделяющих элементов ядерных реакторов в процессе эксплуатации возникают дефекты. Одной из главных проблем является радиационное распухание, которое представляет собой постепенное увеличение объема материала под воздействием облучения, что негативно сказывается на его прочности и долговечности. Для оболочек тепловыделяющих элементов современных реакторов на быстрых нейтронах используется аустенитная жаропрочная сталь. Она должна сохранять свои механические свойства при высоких уровнях радиации, при этом допустимая деформация не должна превышать нескольких процентов.

Существует два «классических» подхода для прогнозирования радиационного распухания. Первый — это эмпирические модели. Они являются надежными, но не универсальными, так как ограничены конкретными материалами и условиями. Второй метод — многомасштабное моделирование, которое учитывает физические процессы на различных уровнях, от атомного до макроскопического. Однако он пока недостаточно точен для прогнозов в реальных условиях.

«Перспективным методом является машинное обучение. Искусственный интеллект способен предсказать поведение материала, основываясь на составе стали и условиях облучения», — отметил эксперт лаборатории «Моделирование и разработка новых материалов» НИТУ МИСИС Павел Коротаев.

С помощью этого метода исследователи смогли спрогнозировать полный профиль распухания при облучении быстрыми нейтронами в зависимости от радиационной дозы, температуры в реакторе и состава стали.

«Ранее полный “купол” распухания никто не предсказывал с помощью машинного обучения. Для обучения нашей модели мы изучили десятки материалов, которые могут распухать до 50 процентов. В результате мы достигли высокой точности в предсказаниях распухания. Это дало возможность выяснить, как различные легирующие элементы влияют на радиационную стойкость. Например, такие элементы, как никель, титан, фосфор, кремний и углерод, снижают распухание, но только до определённого предела», — добавил Павел Коротаев.

В будущем ученые намерены расширить функциональность модели в области прогнозирования.

Подробности исследования опубликованы в научном журнале Computational Materials Science (Q1). Работа была выполнена при поддержке Российского научного фонда.