ویرگول
ورودثبت نام
Amerandish | عامراندیش
Amerandish | عامراندیش
خواندن ۴ دقیقه·۴ سال پیش

هوش مصنوعی کمک می‌کند که فرآیندهای تولید انرژی هسته‌ای ارزان‌تر و ساده‌تر شود!

محققان نشان دادند که می‌­توان از یادگیری تقویتی عمیق برای طراحی راکتورهای هسته‌­ای کارآمد استفاده کرد.

در آمریکا انرژی هسته‌­ای بیشتر از مجموع انرژی خورشیدی و بادی، برق بدون ­کربن فراهم می‌کند و این امر باعث می‌­شود که نقش اساسی در مبارزه با تغییرات اقلیمی داشته باشد. اما ناوگان انرژی هسته­‌ای ایالات متحده در حال منسوخ­ شدن است و اپراتورها تحت فشار هستند تا عملیاتشان را با هدف رقابت با نیروگاه‌­های زغال سنگ و گاز ساده‌­تر کنند. یکی از منابع اصلی که می‌توان از طریق آن هزینه‌­ها را کم کرد هسته راکتور است که در آن انرژی تولید می‌­شود. اگر میله‌­های سوختی که واکنش‌­ها را ایجاد می‌­کنند در حالت ایده‌­آل قرار گرفته باشند سوخت کمتری مصرف می­‌کنند و هزینه تعمیر و نگهداری نیز کم می‌شود. طی دهه‌­ها آزمایش و خطا، مهندسان هسته­‌ای آموخته‌­اند که طرح­‌های بهتری را برای افزایش طول عمر میله‌­های سوخت گران قیمت طراحی کنند. اکنون هوش­ مصنوعی آماده است تا به آن‌ها کمک کند.

محققان MIT و Exelon نشان دادند که با تبدیل فرایند طراحی به بازی، یک سیستم هوش مصنوعی می‌تواند به نحوی آموزش داده ­شود که ده‌­ها پیکربندی بهینه تولید کند. این پیکربندی­‌های بهینه باعث می‌شوند عمر هر میله سوخت حدود ۵ درصد بیشتر شود و یک نیروگاه معمولی سالانه ۳ میلیون دلار صرفه جویی کند. یک سیستم هوش مصنوعی همچنین قادر است سریع‌تر از انسان راه حل‌­های بهینه را پیدا کند و به سرعت طراحی‌­ها را در یک محیط امن و شبیه سازی شده اصلاح کند. نتایج این تحقیق در ماه جاری در مجله Nuclear Engineering and Design منتشر شده­ است.

کوروش شیروان­، استادیار گروه علوم و مهندسی هسته­‌ای دانشگاه MIT می­‌گوید: “این فناوری می‌­تواند در هر راکتور هسته‌­ای در جهان پیاده‌­سازی شود. با بهبود اقتصادی انرژی هسته‌­ای که ۲۰ درصد برق تولید ­شده در ایالات متحده را تأمین می­‌کند، می­‌توانیم رشد جهانی انتشار کربن را محدود کنیم و استعدادهای جوان را به بخش انرژی‌­های پاک جذب کنیم.”

در یک راکتور معمولی میله‌­های سوخت با سطوح بالای اورانیوم و اکسید گادولینیوم مانند قطعات شطرنج روی یک شبکه قرار می‌­گیرند. اورانیوم واکنش‌­ها را را‌ه‌­اندازی می‌کند و عنصر کمیاب گادولینیوم سرعت آن‌ها را کم می­‌کند. در یک طرح ایده‌­آل، این تکانه های رقابتی برای پیشبرد واکنش­‌های بهینه متعادل می‌شوند. مهندسان از الگوریتم­‌های قدیمی برای بهبود طرح­‌های ساخته شده توسط انسان استفاده می‌­کنند. اما در یک مجموعه استاندارد ۱۰۰ میله‌­ای ممکن است تعداد گزینه­‌هایی که برای ارزیابی وجود دارد رقم نجومی داشته باشد. در نتیجه مهندسان تاکنون در این زمینه موفقیت زیادی نداشته‌­اند.

محققان فکر کردند که یادگیری تقویتی عمیق می­‌تواند روند غربالگری را سریع‌تر کند. یادگیری تقویتی عمیق یک تکنیک هوش مصنوعی است که به تخصص فوق ­بشری در بازی‌­هایی مانند شطرنج و Go رسیده است. یادگیری تقویتی عمیق ترکیبی از شبکه‌های عصبی عمیق و یادگیری تقویتی است. شبکه­ عصبی عمیق در بیرون کشیدن الگوها از میان انبوهی از داده­‌ها به ما کمک می­‌کند. یادگیری تقویتی، یادگیری را به یک سیگنال پاداش پیوند می­‌دهد. این سیگنال پاداش چیزی شبیه بردن بازی در Go یا رسیدن به یک امتیاز بالا در SuperMario است.

در این‌جا، محققان به عامل (Agent) خود آموزش دادند تا مجموعه‌­ای از محدودیت‌­ها را به میله‌­های سوخت اعمال کند و با هر حرکت مطلوب امتیاز بیشتری کسب­ کند. هر محدودیت یا قانونی که توسط محققان انتخاب می‌شود نشان‌­دهنده دهه‌­ها دانش تخصصی است که ریشه در قوانین علم فیزیک دارد. به عنوان مثال عامل می‌تواند با قرار دادن میله‌­هایی که اورانیوم کمی دارند در لبه­‌های مجموعه و در نتیجه کاهش سرعت واکنش­‌های آن‌جا امتیاز کسب کند. یا با گسترش میله‌­های سمی گادولینیوم برای حفظ سطح سوختگی امتیاز کسب کند. همچنین عامل می‌تواند با محدود کردن تعداد میله­‌های سمی بین ۱۶ تا ۱۸ عدد میله، به امتیاز دست پیدا کند.

Majdi Radaideh نویسنده ارشد این تحقیق می­‌گوید: “پس از این‌که ما در این تحقیق محدودیت­‌ها را به هم متصل کردیم شبکه­‌های عصبی شروع به انجام اقدامات بسیار خوبی کردند. آن‌ها وقتشان را برای فرآیندهای تصادفی تلف نکردند. تماشای این‌که آن‌ها یاد می­‌گرفتند که مثل یک انسان بازی کنند بسیار سرگرم کننده بود. ” از طریق یادگیری تقویتی، هوش مصنوعی یاد گرفته است که مثل یک انسان و یا حتی بهتر از یک انسان بازی‌­های پیچیده را انجام دهد. اما توانایی‌­هایش در دنیای واقعی تقریباً آزمایش ­نشده باقی مانده است. در این مقاله، محققان نشان می­‌دهند که یادگیری تقویتی کاربردهای بالقوه قدرتمندی دارد.

Joshua Joseph یکی از نویسندگان این تحقیق و دانشمند محقق در MIT می­‌گوید: “این مطالعه یک نمونه هیجان انگیز از انتقال تکنیک هوش مصنوعی که پیش از این در انجام بازی‌های رومیزی و بازی‌های ویدیویی استفاده می‌شد، به دنیای واقعی و برای کمک به ما در حل مشکلات عملی جهان است.” Exelon اکنون در حال آزمایش یک نسخه بتا از سیستم هوش مصنوعی در یک محیط مجازی است، که این محیط مجازی درون یک راکتور آب جوش و حدود ۲۰۰ طرح از داخل یک راکتور آب تحت فشار را شبیه سازی کرده است. Exelon دارای ۲۱ راکتور هسته‌­ای در سراسر ایالات متحده است. سخنگوی شرکت گفته است این سیستم می­‌تواند ظرف یک یا دو سال برای پیاده­‌سازی آماده شود.

هوش مصنوعیانرژی هسته‌اینوآوریفناوریتکنولوژی
« شرکت دانش‌بنیان عامراندیش هوشمند » _ هوشمندسازی کسب و کارها و ارتقای توانمندی آن‌ها در محیط رقابتی‌ مبتنی بر هوش مصنوعی
شاید از این پست‌ها خوشتان بیاید