Maschinelles Lernen findet die richtige Kombination von Wasserstoffisotopen für zukünftige Fusionskraftwerke

Herausgeber |. Kohlblätter

Die Kernfusion, die Energiequelle der Sterne, wird als zukünftige Energiequelle der Menschheit vorgeschlagen und könnte saubere und erneuerbare Energie ohne den radioaktiven Abfall liefern, der mit aktuellen Kernspaltungsanlagen verbunden ist.

Genau wie beim Fusionsprozess, bei dem Energie aus der Sonne freigesetzt wird, werden künftige Kernfusionsanlagen Isotope von Wasserstoff, dem leichtesten Element im Universum, in superheißem Gas oder „Plasma“ in einem starken Magnetfeld zusammenschlagen erzeugt und Energie in Form von Massenunterschieden gesammelt wird.

Bevor es tatsächlich zu einer kontrollierten Kernfusion auf der Erde kommen kann, müssen Wissenschaftler wissen, welche Mischung von Wasserstoffisotopen sie verwenden sollen – hauptsächlich „normalen“ Wasserstoff, der ein Proton im Kern hat, und Deuterium, das ein Proton im Kern hat . und ein Neutron, Tritium hat ein Proton und zwei Neutronen in seinem Kern. Derzeit erfolgt dies anhand von Spektren von Prototypen von Tokamak-Fusionsgeräten, diese Analyse kann jedoch sehr zeitaufwändig sein.

In einer aktuellen Forschung führte Mohammed Koubiti, außerordentlicher Professor an der Universität Aix-Marseille in Frankreich, eine Auswertung durch, um Wasserstoffisotopenverhältnisse für die Leistung von Kernfusionsplasma zu bestimmen. Er kombinierte maschinelles Lernen mit Plasmaspektroskopie, um diese Forschung durchzuführen

Die Forschung trägt den Titel „Anwendung des maschinellen Lernens auf die spektroskopische Linienemission von Wasserstoffisotopen in Fusionsgeräten zur Bestimmung und Vorhersage des Isotopenverhältnisses“ und wird 2023 in „The European“ veröffentlicht Physical Journal D“ am 14. Juli.

Zukünftige Kraftwerke, die auf magnetischen Fusionsreaktionen basieren, werden definitiv mit Deuterium-Tritium (DT)-Mischungen betrieben. Aufgrund der Radioaktivität von Tritium muss der Tritiumanteil in solchen Gemischen jedoch aus offensichtlichen Sicherheitsgründen unter den von den Aufsichtsbehörden festgelegten Grenzwerten bleiben.

Derzeit werden Tokamaks und andere Geräte für die Magnetfusionsforschung typischerweise mit reinen Wasserstoff- (H), Deuterium- (D) oder HD-Gasmischungen betrieben. Obwohl der European Joint Tokamak JET in seltenen Fällen DT-Gemische verwendet, muss zur Einhaltung der gesetzlichen Grenzwerte für den Tritiumgehalt die Tritiummenge im versiegelten Behälter genau bekannt sein

„In Bezug auf die Leistung wird das Fusionskraftwerk dies tun.“ „Mischungen aus Deuterium und Tritium funktionieren am besten, weil sie sich am besten für die Fusion eignen, aber der Tritiumgehalt muss kontrolliert und streng kontrolliert werden, um die von den Aufsichtsbehörden auferlegten Grenzwerte einzuhalten“, sagte Koubiti. „Darüber hinaus kann es erforderlich sein, das Tritium zu kennen.“ Eine Möglichkeit, dies zu beurteilen, ist die Bestimmung des Isotopenverhältnisses T/D+T, das die Tritiumdichte als Prozentsatz der gesamten Plasmadichte in einem Deuterium-Tritium darstellt Plasma. Darüber hinaus kann aus Sicherheits- oder Optimierungsgründen eine Echtzeitkontrolle des Tritiumgehalts in von DT betriebenen Fusionsreaktoren erforderlich sein. In diesem Fall ist eine Echtzeitkenntnis des T/D+T-Isotopenverhältnisses erforderlich. Standardmethoden zur Bestimmung von Isotopenverhältnissen erlauben keine Echtzeitanwendung, aber künstliche Intelligenz kann helfen.

„Das ultimative Ziel besteht darin, den Einsatz der Spektroskopie zu vermeiden, deren Analyse sehr zeitaufwändig ist, und sie durch Deep Learning zu ersetzen oder sie zumindest mit Deep Learning zu kombinieren, um den Tritiumgehalt in Fusionsplasmen vorherzusagen.“ Diese Studie ist nur ein Schritt in Richtung dieses Ziels. Ich nutze die Spektroskopie immer noch als Mittel, um zusätzliche Funktionen zu finden, die Deep-Learning-Algorithmen verwenden können, um Tritium in Fusionsplasmen vorherzusagen Mohammed Koubiti diskutiert einige Ideen zu den Möglichkeiten der Kombination maschineller Lerntechniken wie Deep Learning mit aktuellen Messungen, um zukünftige Fusionsplasmageräte vorherzusagen. Sein Artikel konzentriert sich auf maschinelles Lernen in der Fusionsplasmaphysik, um Vorhersagen für zukünftige Experimente in im Bau befindlichen Anlagen wie ITER zu treffen. Genauer gesagt, eine kurze Einführung in eine Methode, die auf der Verwendung von Hα/Dα-Linien basiert. Eine einfach zu verwendende Methode Spektralmerkmale als Eingabemerkmale für Deep-Learning-Algorithmen. Ziel ist es, die Isotopenverhältnisse von Wasserstoff-Deuterium-Gemischen (HD-Plasmen) auf Basis der oben beschriebenen Eingangseigenschaften vorherzusagen. Die Validierung der Methode erfolgte zuvor anhand eines Satzes von 200.000 Linienspektren, die für typische Bedingungen eines Tokamak-Divertors erstellt wurden. Koubiti diskutiert den Übergang von erzeugten zu beobachteten Spektren und die mögliche Extrapolation von HD- zu DT-Plasmaentladungen. Es werden viele Probleme aufgezeigt, die noch angegangen werden müssen, um robuste, auf tiefem Lernen basierende Techniken zu entwickeln, die in der Lage sind, physikalische Größen wie Wasserstoffisotopenverhältnisse in Fusionsplasmen, die mit DT-Mischungen in zukünftigen Kraftwerken auf Magnetfusionsbasis betrieben werden, möglichst genau vorherzusagen.

Koubiti fügte hinzu, dass der nächste Schritt darin bestehe, das Projekt durch die Identifizierung nichtspektraler Merkmale abzuschließen, die jedem Deep-Learning-Algorithmus zugeführt werden müssen. Anschließend beabsichtigt er, diese Erkenntnisse an mehreren Magnetfusionsgeräten wie JET, ASDEX-Upgrade oder Tokamak-Geräten wie WEST und DIII-D sowie Stellarator-Plasmageräten zu testen, die auf externen Magneten basieren, um das Plasma einzuschließen

Word of Mouth erwähnte, dass ich auch plane, den Anwendungsbereich der Deep-Learning-Technologie auf den Bereich der Nicht-Plasma-Spektroskopie auszudehnen

Bitte klicken Sie auf den folgenden Link, um das Papier anzuzeigen: https://link.springer.com/article/10.1140/ epjd/s10053-023 -00719-0

Verwandte Berichte: https://phys.org/news/2023-09-Machine extraktion von wasserstoffisotopen-zukunft kernenergie.html

Das obige ist der detaillierte Inhalt vonMaschinelles Lernen findet die richtige Kombination von Wasserstoffisotopen für zukünftige Fusionskraftwerke. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!