Hvordan maskinlæring kan forudsige og forhindre forstyrrelser i reaktorer

Robert Granetz har været forsker i MIT's Plasma Science and Fusion Center i mere end 40 år. Han holdt for nylig en tale ved MIT Energy Initiative (MITEI) om brug af maskinlæring til at udvikle et advarselssystem i realtid for forestående afbrydelser i fusionsreaktorer. En specialist i magnetohydrodynamiske ustabilitet og forstyrrelser, Granetz diskuterede, hvordan forskning på dette område bringer os et skridt tættere på at skabe en stabil, net-energiproducerende fusionsenhed.

Sp:Hvad adskiller plasma fra andre materielle tilstande? Hvad er udfordringerne ved at arbejde med plasma som energikilde?

A:I en gas ved normale temperaturer, de negativt ladede elektroner og positivt ladede kerner er tæt bundet til atomer eller molekyler, som er elektrisk neutrale. Derfor, der er ingen kræfter mellem partikler, medmindre de rent faktisk støder sammen. (Tyngdekraften virker mellem alle masser, men tyngdekraften er alt for svag til at være relevant.)

Når gaspartikler støder sammen, kollisionerne involverer kun et par partikler ad gangen, og kollisionens kinematik er meget enkel, ligesom kollisioner med billardkugler. Så vi kan let beregne gassers adfærd. Imidlertid, ved de høje temperaturer, vi har brug for til fusion, termisk energi for hvert atom eller molekyle er meget, meget større end bindingsenergien, der holder elektronerne og kernerne sammen, så de neutrale partikler bryder op i deres bestanddele, dvs. elektroner og kerner, som vi kalder "plasmatilstanden".

Derfor, i et plasma, alle partikler er ladet, og der er langtrækkende elektriske og magnetiske kræfter, der virker mellem partiklerne. En enkelt elektron eller ion påvirker bevægelsen af ​​omkring en milliard andre elektroner og ioner samtidigt, og alle de milliarder andre partikler påvirker samtidig hver anden individuel partikel. Ud over, elektroner og kerner har ekstremt forskellige masser, så deres hastigheder er meget forskellige. Også, da alle partikler er ladet, de kan interagere stærkt med elektromagnetisk stråling. Alle disse komplicerende egenskaber betyder, at i praksis vi kan ikke nøjagtigt beregne plasmas detaljerede adfærd ud fra fysikens grundlæggende ligninger.

Q:I forbindelse med fusionsreaktorer, hvad er en afbrydelse?

A:Til dato, tokamak-konceptet for en steady-state fusionsreaktor overgår alle andre begreber med hensyn til energibegrænsning. Tokamak er afhængig af at føre en stor strøm - af størrelsesordenen millioner ampere - gennem plasmaet for at producere magnetfeltstrukturen, der kræves for at opnå god energibegrænsning. Imidlertid, denne store plasmastrøm er noget ustabil, og er underlagt pludselig opsigelse, normalt med meget lidt advarsel. Når der opstår en afbrydelse, den betydelige termiske og magnetiske energi indeholdt i plasmaet frigives pludselig meget hurtigt, hvilket kan føre til skadelige termiske og elektromagnetiske belastninger på reaktorstrukturen.

Hele målet med fusionsenergi er at udvikle store kraftværker til at generere elektrisk strøm på nettet, og erstatte nutidens fossilkraftværker, og endda erstatte fission atomkraftværker. Men hvis et fusionskraftværk udsættes for forstyrrelser, dets elproduktion ville pludselig slukke. Selvom de mest skadelige konsekvenser kan undgås, det kan være timer eller dage, før planten kan komme sig og komme online igen, kun for at blive genstand for en anden afbrydelse på et senere tidspunkt. Intet værktøj ville ønske at bruge fusionsenergi, hvis det var tilfældet. Hvis vi vil stole på tokamak -konceptet for fusionsreaktorer, vi skal undgå eller afbøde forstyrrelser.

Sp .:Hvordan kan maskinlæring løse dette problem?

A:Tegnene på, at en afbrydelse er nært forestående, er ofte ganske subtile. Fusionsforskere måler løbende et antal karakteristiske plasmaparametre under en plasmaudladning, og vi har grund til at tro, både fra empiriske eksperimentelle beviser og fra teoretisk forståelse, at nogle af disse målte plasmaparametre kan give indikationer på, at en afbrydelse er ved at forekomme. Men disse oplysninger er ikke ligetil at fortolke, ikke kun med hensyn til forekomsten af ​​en forestående afbrydelse, men også med hensyn til tidspunktet for en forestående afbrydelse.

I et forsøg på at løse dette problem, mit team - som består af mig selv, postdoc Cristina Rea, kandidatstuderende Kevin Montes og Alex Tinguely, og et dusin forskere ved andre amerikanske og internationale laboratorier - har opbygget store databaser med målte parametre, som vi mener er relevante for afbrydelser, fra flere års eksperimenter på flere forskellige tokamaks rundt om i verden. Vi anvender nu maskinlæringsteknikker til disse data for at se, om vi kan skelne mellem mønstre, der præcist ville forudsige, om en afbrydelse vil forekomme på et bestemt tidspunkt i den nærmeste fremtid. Når man beskæftiger sig med store, komplicerede datasæt, maskinlæring kan være en kraftfuld måde at finde subtile mønstre i dataene, der undgår menneskelig indsats.

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT -forskning, innovation og undervisning.