Исследование
ИИ решает 75-летнюю проблему: оптимизация витрификации ядерных отходов в Хэнфорде
Ученые из Лаборатории Тихоокеанского Северо-Запада использовали машинное обучение для оптимизации формул стекла для иммобилизации радиоактивных отходов. Этот прорыв может сэкономить сотни миллионов долларов и сократить сроки проекта на годы.
Патрик Т ·
Более семи десятилетий объект Хэнфорд в штате Вашингтон хранил одни из самых химически сложных радиоактивных отходов в мире. Во времена Манхэттенского проекта и Холодной войны операторы на Хэнфорде производили огромные количества отходов от производства плутония, которые затем хранились в массивных подземных резервуарах. Более 50 миллионов галлонов этих отходов остаются на объекте, являясь наследием ядерной оружейной программы США, которая превратилась в один из самых сложных экологических проектов страны.
Отходы исключительно сложны. Почти все элементы периодической таблицы присутствуют в отходах из резервуаров Хэнфорда, создавая химическую смесь колоссальной сложности. Состав различается не только от резервуара к резервуару, но и внутри каждого резервуара, а также по мере перемещения отходов во время их обработки. На протяжении десятилетий ученые и инженеры пытались найти эффективный способ стабилизировать эти отходы — преобразовать их в форму для долгосрочного и безопасного хранения.
Традиционным подходом является витрификация: нагревание отходов с добавками для образования стекла до 2 100 градусов по Фаренгейту и заливка расплавленной смеси в стальные контейнеры высотой 7 футов. Полученное стекло стабильно и может безопасно храниться тысячи лет. Но сложность заключается в оптимизации. Отходы должны быть смешаны с точно подобранной комбинацией добавок, чтобы полученное стекло соответствовало требованиям прочности, правильно текло через перерабатывающий завод и обеспечивало максимальное включение отходов в каждый контейнер.
Прорыв в области машинного обучения
Здесь в дело вступает искусственный интеллект. Ученые из Тихоокеанской северо-западной национальной лаборатории Министерства энергетики США (PNNL) разработали модели машинного обучения, которые могут предсказывать оптимальные формулы стекла для сложных отходов из Хэнфорда. Модели обучались на десятилетиях экспериментальных данных и способны быстро оценивать тысячи возможных комбинаций свойств отходов и добавок, чтобы определить формулы, которые максимизируют загрузку отходов — процент отходов, включенных в конечное стекло — при этом гарантируя, что стекло соответствует всем техническим требованиям.
Результаты оказались впечатляющими. Используя традиционные подходы, исходный алгоритм команды PNNL, разработанный в 2012 году, был намеренно консервативным, принимая меньшие количества отходов, смешанных с добавками, чтобы снизить вариативность и упростить процесс обработки. Новые модели на основе ИИ могут увеличивать загрузку отходов примерно на 1 процент для каждых 20 процентов отходов, уже входящих в рецепт. На протяжении всей жизни проекта по витрификации это улучшение может сократить количество производимых стеклянных брикетов на 5 процентов — казалось бы, скромное улучшение, которое приводит к огромной экономии средств и снижению воздействия на окружающую среду.
Ожидается, что проект по витрификации на площадке Хэнфорд будет продолжаться десятилетиями и обойдется в десятки миллиардов долларов. Любое сокращение числа произведенных стеклянных контейнеров напрямую приводит к снижению эксплуатационных расходов, уменьшению площади полигона для отходов и ускорению завершения проекта. Сокращение производства стеклянных поленьев на 5 процентов может сэкономить сотни миллионов долларов и десятилетия эксплуатационного времени.
Модели могут учиться на собственных ошибках. Мы заменили традиционное математическое уравнение моделью машинного обучения, которая проверяла все комбинации элементов, измеренных в образцах отходов из резервуаров Хэнфорда. Это десятилетия данных, которые модель использовала для обучения, а затем для предсказания того, какие рецептуры будут работать.
Сяонан Лу, материаловед, PNNL