Штучний інтелект допоможе розробити нові матеріали, стійкі до радіації, для ядерної енергетики.
В оболонках тепловиділяючих елементів у ядерних реакторах під час експлуатації виникають дефекти. Однією з основних проблем є радіаційне розширення, тобто поступове збільшення обсягу матеріалу під впливом опромінення, що погіршує його міцність і довговічність. Для оболонок тепловиділяючих елементів сучасних реакторів на швидких нейтронах використовують аустенітну жаростійку сталь. Вона повинна зберігати свої механічні властивості при високих дозах випромінювання, при цьому допустима деформація обмежується кількома відсотками.
Існує два «класичних» підходи для прогнозування радіаційного розширення. Перший — емпіричні моделі. Вони надійні, але не універсальні, оскільки обмежені конкретними матеріалами та умовами. Другий метод — багатошарове моделювання, що враховує фізичні процеси на різних рівнях, від атомного до макроскопічного. Він поки що недостатньо точний для прогнозів у реальних умовах.
«Перспективним методом є машинне навчання. Штучний інтелект може передбачити поведінку матеріалу, спираючись на склад сталі та умови опромінення», — зазначив експерт лабораторії «Моделювання та розробка нових матеріалів» НИТУ МІСІС Павло Коротаєв.
Завдяки цьому методу дослідники спрогнозували повний профіль розширення під час опромінення швидкими нейтронами залежно від дози радіації, температури в реакторі та складу сталі.
«Раніше повний “купол” розширення за допомогою машинного навчання ніхто не прогнозував. Щоб навчити нашу модель, ми розглянули десятки матеріалів, які можуть розширюватися до 50 відсотків. В результаті ми можемо прогнозувати розширення з високою точністю. Це допомогло з’ясувати, як різні легуючі матеріали впливають на радіаційну стійкість. Наприклад, такі елементи, як нікель, титан, фосфор, кремній і вуглець, зменшують розширення, але до певного межі», — додав Павло Коротаєв.
У майбутньому вчені планують розширити можливості моделі в області прогнозування.
Деталі дослідження опубліковані в науковому журналі Computational Materials Science (Q1). Робота виконана за підтримки Російського наукового фонду.