![تولید نهال و پایههای رویشی باکیفیت و زودرس از طریق کشتبافت](/files/fa/news/1403/5/24/617783_575.jpg)
نمایش قدرت هوش مصنوعی در همجوشی هستهای
![هسته ای](/c-files/2021/04/05/0/923236.jpeg)
به گزارش خبرنگار گروه علم و فناوری خبرگزاری آنا، در واکنشهای همجوشی هستهای، گرما و برق تولید میشود. در چنین فرایندی، دو هسته اتم سبکتر ترکیب میشوند تا یک هسته سنگین شکل گیرد. طی این پروسه، انرژی زیادی آزاد میشود. فعل و انفعلات شیمیایی سطح خورشید به همین سبب ایجاد شده است(ترکیب اتمهای هیدروژن). با این وجود نمیتوان بیمحابا این انرژی را رها کرد به همین علت راکتورها را میسازند. راکتورهای همجوشی برای کنترل و مهار این انرژی طراحی شدهاند.
فرایندهای همجوشی در محیطی کوچک با دمای بالا اتفاق میافتد تا پلاسمایی ایجاد شود که در آن همجوشی رخ دهد. راکتورهای همجوشی از ایزوتوپهای هیدروژن استفاده میکنند زیرا واکنشپذیری بالایی دارند.
چالش اصلی
ایجاد نیروی متناسب برای همجوشی(مهندسی سیستم به گونهای که پلاسما در دما و چگالی بالا قرار گیرد تا واکنش طولانی مدت رخ دهد) همیشه یک چالش بوده است و انجام همجوشی کنترلشده امری دشوار تلقی میشود. حال به نظر میرسد فناوریهای مبتنی بر راکتور همجوشی هستهای، به روشی ایمن و پایدار که پاسخگوی مصرف انرژی آن باشد دست یافته است. مدلهای عددی میتواند اطلاعاتی در مورد رفتار پلاسمای همجوشی و همچنین دانش ارزشمندی در مورد اثربخشی طراحی و عملکرد این دسته از راکتورها به محققان ارائه دهند. با این حال، برای مدلسازی تعداد زیادی از فعل و انفعالات پلاسما به تعدادی مدل اختصاصی نیاز است. متأسفانه این مدلها به اندازه کافی سریع نیستند تا بتوانند اطلاعات مربوط به طراحی و عملیات راکتورها را به موقع فراهم کنند.
آرون هو(Aaron Ho) از گروه علم و فناوری همجوشی هستهای در دپارتمان فیزیک کاربردی دانشگاه صنعتی آیندهوون، استفاده از رویکردهای یادگیری ماشین برای سرعت بخشیدن به شبیهسازی عددی انتقال هسته پلاسما را بررسی کرده است. هدف نهایی تحقیق او دستیابی به حداکثر بهرهوری خالص انرژی به روشی از نظر اقتصادی مقرون به صرفه است. برای رسیدن به این هدف، دستگاههای پیچیده بزرگی ساخته شدهاند، اما با پیچیدگی بیشتر این دستگاهها، اتخاذ رویکرد مبتنی بر پیشبینی اولیه در مورد عملکرد آن اهمیت فزایندهای پیدا میکند. این مسئله باعث کاهش کارایی عملیاتی و محافظت از دستگاه در برابر آسیبهای شدید خواهد شد.
برای شبیهسازی چنین سیستمی به مدلهایی نیاز است که بتوانند تمام پدیدههای مربوطه را در دستگاه همجوشی ثبت کنند و از دقت کافی برخوردار باشند، به طوری که بتوان از پیشینیها برای تصمیمگیری قابل اعتماد در مورد طراحی سریع استفاده کرد تا راهحلهای عملی انعطافپذیر ارائه شود.
مدل مبتنی بر شبکههای عصبی
آرون هو برای تحقیقات خود، طرحی را مورد استفاده قرار داد که با استفاده از مدلی مبتنی بر شبکههای عصبی، این معیارها را پیادهسازی میکند. این روش به طور مؤثری به حفظ سرعت و دقت در جمعآوری داده کمک کرده است. به طور معمول، این رویکرد عددی به یک مدلسازی آشفتگی براساس ترتیب نزولی(QuaLiKiz) اعمال میشود که مقادیر انتقال پلاسما ناشی از آشفتگیهای کوچک(Microturbulence) را پیشبینی میکند. این پدیده خاص مکانیسم انتقال غالب در دستگاههای پلاسما توکاماک(tokamak plasma devices) است. متأسفانه، محاسبه این اعداد و ارقام، عامل محدودکنندهای برای تسریع مدلسازی فعلی پلاسمای توکاماک به شمار میرود.
هو با استفاده از دادههای تجربی به عنوان ورودی این مدلِ یادگیری ماشین، با موفقیت مدل شبکه عصبی را با محاسبات QuaLiKiz آموزش داد. سپس شبکه عصبی که از طریق آن به دست آمده است، به شبیهسازی هسته دستگاه پلاسما(یک چارچوب مدلسازی یکپارچه بزرگتر)، یعنی JINTRAC پیوند داده شد. در این عملیات، زمان شبیهسازی از ۲۱۷ ساعت به تنها دو ساعت کاهش یافت.
سپس عملکرد شبکه عصبی عطف به از جایگزینی مدل اصلی QuaLiKiz با مدل شبکه عصبی مبتنی بر هوش مصنوعی ارزیابی شد و نتیجه آن مورد مقایسه قرار گرفت. مدل هوش مصنوعی در مقایسه با مدل اصلی QuaLiKiz، مدلهای فیزیکی دیگری را نیز در نظر گرفته بود. نتایج با دقت ۱۰٪ تکرار شدند و زمان شبیهسازی از ۲۱۷ ساعت در ۱۶ هسته به دو ساعت در تنها یک هسته کاهش یافت.
سپس این مدل برای آزمایش اثربخشی مدل خارج از دادههای هوش مصنوعی، در یک آزمایش بهینهسازی روی سناریوی سطح شیبدار پلاسما مورد بررسی قرار گرفت. این مطالعه درک عمیقتری از قوانین فیزیک را در پس پرده مشاهدات تجربی فراهم کرده و مزیت مدلهای سریع، دقیق و مفصل پلاسما را برجسته کرده است. سرانجام، هو پیشنهاد میکند که این مدل را میتوان برای برنامههای بعدی مانند طراحی آزمایشی کنترلگر راکتور نیز گسترش داد. وی همچنین توصیه میکند این روش را به سایر مدلهای فیزیک گسترش دهیم، زیرا تحقیقات نشان داده است که که پیشبینی آشفتگی دیگر محدودکننده نیست. صرف نظر از این مسائل، این مدل میتواند کاربرد طرح یکپارچه را در برنامههای تکرارشونده بهبود بخشد و تلاش برای اعتبارسنجی لازم برای نزدیک کردن قابلیتهای آن به سمت یک مدل واقعاً پیشبینیکننده را امکانپذیر سازد.
انتهای پیام/۴۱۶۰
انتهای پیام/