图片来源：爱达荷国家实验室
Newswise — 开发未来的核电系统需要创新思维和解决复杂挑战的新方法。爱达荷国家实验室 (INL) 和爱达荷大学研究人员的一个团队首次成功地将机器学习应用于表征金属核燃料的微观结构，这些细节只有在强大的放大镜下才能看到。通过这种技术收集的数据将被工程师用于在为下一代核动力反应堆开发燃料时更准确地预测燃料性能。
该研究小组基于 INL 辐照材料表征实验室，开发了机器学习方法，以从辐照铀锆燃料中提取和分析各种数据点，例如裂变气泡的大小和连通性。
气泡是核裂变的自然副产品。当铀原子分裂时，它们会与包括氙和氪在内的较小原子一起产生热量。这些和其他副产品以气泡的形式储存在燃料元件中，导致微观结构变化，从而限制燃料向反应堆冷却剂传递热量的能力，从而降低效率。
INL 团队正在研究的铀-锆燃料被吹捧为几种下一代反应堆设计的首选，并具有简化制造过程和增加燃料燃耗等优点。
机器学习涉及将数据输入算法，该算法从输入中学习并执行越来越准确的分析。开发的模型可以扩展以执行材料特性的准确预测。表征辐照燃料的微观结构，特别是在运行过程中可能形成的气泡和裂变产物，对于设计既高效又能在潜在事故条件下有效抵抗分解的核燃料至关重要。
“我们开发的新方法将帮助我们以无损方式揭示辐照燃料内部的动态环境，”INL 辐照后检查专家姚天凯说。“它还使我们能够通过自动化过程显着加快辐照后检查工作，并为我们提供准确的信息，包括燃料形态、裂变气泡密度和镧系元素分布。” 镧系元素是在反应堆运行期间形成并抑制燃料效率的元素。
爱达荷大学机器智能和数据分析实验室主任 Min Xian 教授说：“我们正在构建可靠和高效的机器学习方法，以帮助揭示和解释来自高质量核燃料数据的有价值的见解。” “我们期待使用先进的人工智能技术帮助创造一个清洁能源的未来。”
为了开发机器学习过程，研究人员首先创建了一个综合数据集，其中包含燃料横截面的高分辨率图像和裂变气泡的手动注释。然后，他们实施了一种称为决策树的机器学习算法，使用包括气泡大小、形状和外观在内的定量图像特征来预测每个气泡的类别。该算法还旨在过滤掉图像中的“非气泡”像素，以提高处理速度并考虑不同级别的亮度，以确保准确表征。
“我们的程序使用分层方法对裂变气泡图像进行分类，具有高度的准确性和特异性，”INL 计算视觉专家徐飞说。
生成的数据将有助于更好地了解燃料性能动态，例如随着热导率随时间降低，微观结构的分布如何演变。
INL 辐照后检查专家 Luca Capriotti 表示：“我们期待进一步完善这种能力，并有可能将我们的算法应用于辐照后检查工作的其他领域。”
该项目对铀-锆燃料的性能产生了一些显着的见解，包括确定由于广泛的孔隙结构和燃料较热区域中连通孔隙的增加而导致的燃料热导率退化。
