アメリカ合衆国エネルギー省（DOE）のアルゴンヌ国立研究所に所属する科学者のチームが、核技術と機械学習（ML）を融合させた研究において、次世代型核反応器であるナトリウム冷却高速炉（SFR）の安全性と効率性を維持する上での顕著な成果を発表した。SFRは、液体ナトリウムを用いて反応器のコアを冷却し、重い原子を分裂させて無炭素電力を効率的に生成するタイプの核反応器である。アメリカ国内ではまだ商業的に利用されていないが、電力生産を革命的に変え、核廃棄物を削減する可能性を秘めていると多くの専門家が考えている。

しかしながら、SFRは高温の液体ナトリウム冷却材の純度を維持するという課題を抱えており、これはシステム内の腐食や詰まりを防ぐために極めて重要である。この課題に対処するため、アルゴンヌの科学者たちは新たなMLシステムを設計した。

アルゴンヌの主任核エンジニアであるAlexander Heifetz氏は、「機械学習の力を活用して連続的に監視し、異常を検出することで、計測制御の最先端を進めることができる。これにより、核エネルギーシステムの効率とコスト効果の大きな飛躍が生まれるだろう」と述べている。

研究チームはまず、冷却システムを連続的に監視する機械学習（ML）モデルを開発した。このモデルは、アルゴンヌのメカニズムエンジニアリングテストループ（METL）施設に設置された31個のセンサーからのデータを分析する能力を備えている。これらのセンサーは、流体の温度、圧力、流量などの変数を測定する。METL施設は、これらの反応器で使用される予定の材料やコンポーネントを安全かつ正確にテストするための特別な実験施設であり、また、これらの反応器を操作し維持するために必要なエンジニアや技術者（そして現在はMLモデルも）の訓練を行う場でもある。MLを活用した包括的なシステムは、より強固な監視を促進し、実際の反応器の機能に影響を与える可能性のある異常を未然に防ぐことができるだろう。

次に、チームはモデルが運用上の異常を迅速かつ正確に検出する能力を実証した。具体的には、温度と流量の急激な上昇を特徴とする冷却材喪失タイプの異常をシミュレートし、モデルはその異常を発生から約3分以内に検出することに成功した。この能力は、安全メカニズムとしての効果を示すものである。

最後に、研究は将来のモデルに対する大幅な改善を示唆している。現行のモデルは、予め定められた閾値を超えるすべてのスパイクを検出するが、この方法では偶発的なスパイクやセンサーエラーによる誤報が発生する可能性がある。すべてのスパイクが異常を意味するわけではないため、チームはモデルを洗練させ、本物のプロセス異常とランダムな測定ノイズを区別する計画である。これには、信号が閾値を超えた状態を一定期間維持することを異常とみなす要件を含めることや、センサー間の空間的および時間的相関を損失の計算に組み込むことが検討されている。

Heifetz氏は、「METLのユニークな能力を活用してアルゴリズムを開発しテストしているが、これは液体金属実験研究施設に限定されたものではなく、将来の先進的な反応器においても応用が見込まれる。それにより、将来的により多くの無炭素エネルギーを提供できるだろう」と述べている。アルゴンヌの研究助手Alexandra Akins氏も、「機械学習を用いた異常検出の研究は、核エネルギーの可能性を高める」と同意している。

Source

• Argonne National Laboratory: Advances in machine learning for nuclear power operations spell a brighter future for carbon-free energy