Исследования
ИИ решает 75-летнюю проблему: оптимизация витрификации ядерных отходов на Ханфорде
Учёные Тихоокеанской Северо-Западной национальной лаборатории использовали машинное обучение для оптимизации формул стекла для иммобилизации радиоактивных отходов. Этот прорыв может сэкономить сотни миллионов долларов и сократить сроки реализации проекта на годы.
Патрик Т ·
Более семи десятилетий объект Хэнфорд в штате Вашингтон хранит одни из самых химически сложных радиоактивных отходов в мире. Во время Манхэттенского проекта и Холодной войны на Хэнфорде производились огромные количества отходов производства плутония, которые затем хранились в массивных подземных резервуарах. Более 50 миллионов галлонов этих отходов остаются на объекте, являясь наследием ядерной программы США, которая превратилась в один из самых сложных проектов по экологической очистке в стране.
Отходы исключительно сложны. Почти все элементы периодической таблицы присутствуют в отходах из резервуаров Хэнфорда, создавая химическую смесь колоссальной сложности. Состав варьируется не только от резервуара к резервуару, но и внутри каждого резервуара, а также в процессе перемещения отходов во время их обработки. На протяжении десятилетий ученые и инженеры пытались найти эффективный способ стабилизации этих отходов — превращения их в стабильную форму для долгосрочного хранения.
Традиционным подходом была витрификация: нагревание отходов с добавками, образующими стекло, до 2 100 градусов по Фаренгейту и заливание расплавленной смеси в стальные контейнеры высотой 7 футов. Получающееся стекло является стабильным и может безопасно храниться тысячи лет. Но сложность заключается в оптимизации. Отходы должны быть смешаны с точно подобранной комбинацией добавок, чтобы получающееся стекло соответствовало требованиям к прочности, правильно текло через очистные сооружения и максимально использовало количество отходов в каждом контейнере.
Прорыв в машинном обучении
И вот здесь в историю вступает искусственный интеллект. Учёные из Тихоокеанской северо-западной национальной лаборатории Министерства энергетики США (PNNL) разработали модели машинного обучения, которые могут предсказывать оптимальные составы стекла для сложных отходов из Хэнфорда. Модели обучались на десятилетиях экспериментальных данных и могут быстро оценивать тысячи потенциальных комбинаций свойств отходов и добавок, чтобы определить составы, которые максимизируют загрузку отходов — процент отходов, включённых в конечное стекло, — при этом обеспечивая соответствие стекла всем техническим требованиям.
Результаты были поразительными. Используя традиционные подходы, исходный алгоритм команды PNNL, разработанный в 2012 году, был намеренно консервативным, принимая меньшее количество отходов, смешанных с добавками, чтобы уменьшить вариативность и упростить процесс обработки. Новые модели, управляемые искусственным интеллектом, могут увеличить загрузку отходов примерно на 1 процент для каждых 20 процентов отходов, уже используемых в рецептуре. В течение всего срока проекта по вритрификации это улучшение может сократить количество производимых стеклянных блоков на 5 процентов — казалось бы, скромное улучшение, которое приводит к огромной экономии затрат и снижению воздействия на окружающую среду.
Ожидается, что проект по витрификации на объекте Хэнфорд будет осуществляться в течение десятилетий и стоить десятки миллиардов долларов. Каждое сокращение количества произведённых стеклянных контейнеров напрямую приводит к снижению эксплуатационных расходов, уменьшению площади полигона для захоронения и ускорению завершения проекта. Сокращение производства стеклянных капсул на 5 процентов может сэкономить сотни миллионов долларов и десятки лет эксплуатационного времени.
Модели могут учиться на собственных ошибках. Мы заменили традиционное математическое уравнение моделью машинного обучения, которая пробовала все комбинации элементов, измеренных в образцах отходов из резервуаров Хэнфорда. Модель использовала десятилетия данных, чтобы учиться, а затем прогнозировать, какие рецепты будут работать.
Сяonan Лу, специалист по материалам, PNNL