האצה, פיתוח ותפעול של כורים מתקדמים: בינה מלאכותית נכנסת לתחומי גרעין
פרופ׳ דיקן פרייס מ-MIT בוחן כיצד למידת מכונה יכולה לצמצם דרמטית את עלויות החישוב במודלי Multiphysics של כורים מתקדמים, ולסייע בתכנון, ניתוח בטיחות ויכולת שליטה יעילה יותר בכורים קטנים ומיקרו-כורים.
תחום ההנדסה הגרעינית ניצב בפני רגע של הזדמנות: מצד אחד, העולם מחפש מקורות חשמל נטולי פחמן בקנה מידה גדול; מצד שני, תכנון ותפעול כורים חדשים נשען על סימולציות מורכבות ויקרות מאוד מבחינה חישובית. באקלים הזה, פרופ׳ דיקן פרייס, מרצה בכיר בחוג למדעי והנדסה גרעינית (NSE) ב-MIT וראש קתדרת Atlantic Richfield לקריירה בפיתוח בתחום האנרגיה, מציע כיוון משלים: שימוש בבינה מלאכותית ולמידת מכונה כדי להאיץ מודלים פיזיקליים של כורים, בלי לוותר על מסגרות הבטיחות הקיימות.
פרייס מזכיר כי בארצות הברית פועלים כיום 94 כורים שמספקים יחד כמעט 20% מהחשמל במדינה. לדבריו, זהו הישג תשתיתי מרשים, אך לא בהכרח מספיק מול יעדי האקלים והצורך להפחית תלות בדלקי מאובנים. כאן נכנסים לתמונה כורים מתקדמים בקנה מידה קטן יותר, כמו SMR (כורים מודולריים קטנים, בערך 20 עד 300 מגה-ואט) וגם מיקרו-כורים (כ-1 עד 20 מגה-ואט), שמבטיחים גמישות, פריסה הדרגתית ועלויות תפעול שונות מאלו של כורים גדולים.
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
בלב עבודתו של פרייס עומד תחום בשם Multiphysics Modeling, שמנסה לתאר את הכור כמערכת של תהליכים פיזיקליים משתלבים: במקום לנתח כל תהליך בנפרד, הסימולציה מחברת בין נויטרוניקה (דינמיקה של ניטרונים הגורמים לביקוע שמייצר אנרגיה) לבין תרמו-הידראוליקה (הזרימה והקירור שמסלקים חום). הקשר הזה קריטי, משום שטמפרטורת הדלק משפיעה על הסתברות הביקוע: ככל שהדלק חם יותר, כך תגובת השרשרת עשויה להשתנות. לכן, מי שמבקש לשנות הספק או להבין תרחישי פעולה שונים חייב להבין היטב את יחסי הגומלין בין הטמפרטורה להתנהגות הניטרונים.
הבעיה היא שסימולציות Multiphysics, במיוחד עבור כורים מתקדמים חדשים, עלולות לדרוש משאבי מחשוב אדירים, לעיתים ברמת מחשבי-על, משום שהן נשענות על פתרון משוואות דיפרנציאליות לא ליניאריות מצומדות. פרייס בוחן כיצד למידת מכונה יכולה לזהות דפוסים וקורלציות בתוך נתונים, ולבנות מודלים שמסוגלים להעריך, למשל, את טמפרטורת הדלק או אפילו התפלגות טמפרטורה תלת-ממדית בליבת הכור מתוך נתונים כמו רמת ההספק, וזאת בלי לפתור בכל פעם מחדש את מערכת המשוואות המורכבת.
חשוב לפרייס להדגיש את גבולות השימוש- הוא רואה ב-AI כלי שמסייע בשלבי תכנון והערכת ביצועים, תוך הישענות על מסגרות בטיחות שפותחו במשך עשרות שנים. במילים אחרות, ה-AI אינו אמור להיות “המוח” שמחליף מנגנונים בטיחותיים, אלא שכבה אנליטית שמקטינה אי-ודאות ומאפשרת החלטות תכנון מוקדמות מושכלות יותר. בטווח הארוך, כאשר הטכנולוגיה תבשיל, ייתכן שניתן יהיה להשתמש בה גם לצורך קבלת החלטות בקרה חכמות יותר שיתרמו להפעלה בטוחה וכלכלית יותר.
מעבר למחקר עצמו, הכתבה מציגה גם היבט של בניית קהילה והכשרת כוח אדם. פרייס מציין שחוג ההנדסה הגרעינית הוא יחסית קטן, ולכן יש חשיבות להרחבת הדור הבא של מומחים. כחלק מזה הוא לימד קורס תכנון יחד עם קרטיס סמיץת', פרופסור מהפרקטיקה ב-NSE, והדגיש את המוטיבציה והיכולת של סטודנטים ב-MIT. בהקשר רחב יותר, זהו מסר לתעשייה: אם העולם אכן נכנס לתקופת “רנסנס גרעיני”, לא מדובר רק בטכנולוגיה חדשה, אלא גם ביכולת להעמיד כלים חישוביים והון אנושי שיאפשרו תוכן, רישוי והפעלה בקצב שמתאים לצרכי האקלים והאנרגיה של העשורים הקרובים.