近日，美國能源部(DOE)阿貢國家實驗室的研究人員取得一項重要成果，他們開發出一種數字孿生技術，有望使核反應堆更加高效、可靠和安全。

阿貢國家實驗室的數字孿生技術利用圖神經網絡實時預測核反應堆行為，從而提高核反應堆的安全性和效率。(圖片來自 Shutterstock。)

數字孿生是現實世界系統的虛擬副本，作為一種變革性工具，可助力眾多學科科學家開展工作。阿貢國家實驗室此次開發的數字孿生技術，利用先進的計算機模型和人工智能(AI)預測反應堆運行方式，幫助操作員實時做出決策。

阿貢國家實驗室首席核工程師、最近發表的有關該成果論文合著者胡睿表示：“我們的數字孿生技術為理解和管理先進核反應堆邁出了重要一步，使我們能夠以所需的速度和準確度預測和應對變化。”

該技術使科學家能夠監測和預測小型模塊化反應堆和微反應堆在不同條件下的運行情況。阿貢國家實驗室團隊開發新方法，并應用于兩種類型的核反應堆生成數字孿生模型：實驗增殖反應堆二號(EBR-II)和一種新型反應堆——通用氟鹽冷卻高溫反應堆(gFHR)。盡管EBR-II已不再運行，但為其開發的數字孿生模型作為測試用例，有助于驗證仿真模型。

這種數字孿生技術的關鍵在于圖神經網絡(GNN)，這是一種人工智能和先進的計算機模型，用于處理以圖結構化的數據。圖由節點和邊組成，節點代表實體，邊表示關系，GNN擅長識別復雜模式和連接，能為連接至關重要的系統提供強大洞察力。胡睿教授稱：“基于GNN的數字孿生模型可以幫助科學家將復雜系統視為相互連接部件組成的網絡，從而全面理解系統的動態行為。”通過保留反應堆系統的布局并將基本物理定律嵌入數字孿生模型，該方法可確保對真實系統進行穩健且準確的復制。

研究人員使用美國能源部科學辦公室用戶設施阿貢領導計算設施(ALCF)來訓練GNN并進行不確定性量化，即識別、測量和減少模型中不確定性的過程。

基于GNN的數字孿生模型比實時或傳統的系統代碼模擬速度快得多，能快速預測反應堆在不同場景下的行為，例如功率輸出或冷卻系統性能的變化。它們可通過使用阿貢國家實驗室開發的系統分析模塊(一種用于分析先進核反應堆的現代工具)的模擬數據進行訓練來實現。訓練后的模型能夠基于有限的實時傳感器數據做出準確預測，這種快速、真實洞察的能力有助于更好地規劃反應堆應對變化，做出有關其設計和運行的決策，并降低維護和運營成本。

此外，數字孿生還可用于持續監測反應堆，檢測任何異常行為。若出現異常，系統可提出修改建議，確保反應堆安全或平穩運行。

阿貢國家實驗室的新型數字孿生技術相比傳統方法優勢顯著。通過了解反應堆各個部件的協同工作方式，它能提供更可靠的預測，可用于規劃應急方案、做出明智決策，甚至在未來實現反應堆的自主運行。

該研究團隊的創新是先進核反應堆研發和部署的一大進步。通過模擬各種場景，數字孿生技術有助于確保反應堆安全、可靠、高效運行，降低成本并延長反應堆部件的使用壽命。

該研究成果已發表在《核技術》雜志上，此項研究由美國能源部核能高級建模與仿真項目資助。