- 2023-11-27
- 技術ニュース, 機械系, 海外ニュース
- Mechanisms Engineering Test Loop（METL）施設, ナトリウム冷却高速炉（SFR）, 原子力技術, 原子炉, 核廃棄物, 機械学習, 液体ナトリウム, 米国エネルギー省（DOE）アルゴンヌ国立研究所
Image by Argonne National Laboratory.
米国エネルギー省（DOE）アルゴンヌ国立研究所は2023年11月2日、原子力技術と機械学習を組み合わせることで、次世代原子炉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し、運用方法を改善する可能性を見出したと発表した。
SFRは、液体ナトリウムを使って炉心を冷却し、重い原子を分解することで炭素を含まない電気を効率的に作る原子炉の一種だ。アメリカではまだ商業利用されていないが、有望な発電手法であり、核廃棄物の削減に役立つと考えられている。しかし、システムの腐食や詰まりを防ぐために、高温の液体ナトリウム冷却材の純度を維持するといった課題がある。
そこで研究チームは、冷却システムを継続的に監視する機械学習モデルを作成した。このモデルは、アルゴンヌのMechanisms Engineering Test Loop（METL）施設にある、31個のセンサーからのデータを解析する。これらのセンサーは、流体の温度、圧力、流量といった変数を測定するものだ。このような機械学習で強化された包括的なシステムは、より堅牢な監視を容易にし、原子炉の異常を防ぐ可能性を持つ。
また、運転異常を迅速かつ正確に検知するモデルの能力も実証している。冷却液を失い、温度と流量が急激に上昇するタイプの異常をシミュレートし、テストしたところ、このモデルは異常発生から約3分以内に異常を検知した。この能力は、安全メカニズムとしての有効性を明確にしたと言える。
研究チームは、この研究は原子力システムの効率性と費用対効果に画期的な進歩をもたらすだろうとしている。ただし、現状では、モデルは所定の閾値を超えるどんな急激な変化も検出するため、偶発的な急変やセンサーのエラーによる誤報につながる可能性がある。チームは、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ためにモデルを改良する予定だ。
関連情報
Advances in machine learning for nuclear power operations spell a brighter future for carbon-free energy | Argonne National Laboratory
Energies | Free Full-Text | Anomaly Detection in Liquid Sodium Cold Trap Operation with Multisensory Data Fusion Using Long Short-Term Memory Autoencoder
