تقييم دقة البيانات النووية المتعلّمة آليًا في حسابات نيوترونيات المفاعل النووي بالكامل باستخدام مونت كارلو وكفاءة الحوسبة

لماذا تهم محاكيات المفاعلات الأسرع

تعتمد محطات الطاقة النووية على نماذج حاسوبية مفصّلة للتنبؤ بسلوك الوقود على مدى أشهر وسنوات التشغيل. هذه النماذج حاسمة للسلامة والكفاءة وتصميم المفاعلات الجديدة، لكنها بطيئة للغاية وتستهلك ذاكرة كبيرة. تستقصي هذه الورقة ما إذا كان بالإمكان استخدام التعلّم الآلي لتقليص جداول البيانات النووية الضخمة التي تُحرّك هذه المحاكيات—مما يقلل تكلفة الحوسبة بدرجة كبيرة—دون التضحية بالدقة الفيزيائية التي يعتمد عليها المهندسون.

تقليص البيانات خلف الفيزياء

في كل مرة يتحرّك نيوترون محاكى عبر قلب مفاعل افتراضي، تستشير الشفرة جداول كبيرة تصف احتمال ارتداده أو امتصاصه أو تسبب تفاعله في تشطر نواة. تُسمى هذه الجداول مكتبات البيانات النووية، وتُشفّر احتمالات عبر آلاف نقاط الطاقة لعدة نظائر في الوقود ونواتجها. يبني المؤلفون على طريقة تعلّم آلي سابقة «ترقّق» هذه الجداول: تزيل نقاط طاقة زائدة مع الحفاظ على الميزات الحادة مثل عتبات التفاعل وذروات الرنين حيث تتغير الاحتمالات بسرعة. بدلاً من إعادة توليد البيانات عبر سلسلة معالجة طويلة تقليدية، تعدّل الطريقة ملفات HDF5 الأصلية لـ OpenMC مباشرة، محتفظةً بحوالي 10–50% فقط من نقاط الشبكة الأصلية لعدد 23 نويدة ذات أهمية خاصة.

اختبار الفكرة على قلب مفاعل كامل

لمعرفة ما إذا كانت هذه البيانات المقتصدة لا تزال تعطي نتائج موثوقة في إعدادات واقعية، أجرت الفريق محاكاة سنة كاملة لاثنين من مفاعلات الماء المضغوط الكبيرة: مفاعل أوروبي مضغوط (EPR) ومفاعل VVER‑1000، باستخدام رمز مونت كارلو مفتوح المصدر OpenMC. لكل قلب، أجروا حملتي محاكاة متطابقتين خلافًا لذلك: واحدة بمكتبة البيانات النووية الكاملة وأخرى بالنسخة المرقّقة بواسطة التعلّم الآلي. ظلت جميع الهندسات وظروف التشغيل والإعدادات الرقمية ثابتة؛ اختلفت فقط جداول البيانات التي تقف وراء الفيزياء. عطّلوا ميزات تسريع أخرى داخل OpenMC بحيث يمكن تتبّع أي تغيير في السرعة أو الذاكرة مباشرة إلى تقليص البيانات، لا إلى تغيّر في الخوارزميات أو الإعدادات.

مكاسب في السرعة مع حدود خطأ محكمة

العائد كبير. لحالة EPR، انخفض إجمالي زمن الجدار الفعلي بنحو 18%، ولـ VVER‑1000 تقلّص زمن التشغيل بحوالي 43%. تغيّر استخدام الذاكرة كان أكثر اعتدالًا: انخفض الاستخدام الذروي بنحو 4% في حالة EPR وارتفع بنحو 5% في VVER‑1000، مما يعكس اختلافات في مقدار الوقت الذي يقضيه كل نموذج في استدعاء بيانات نووية مقابل تتبّع مسارات الجسيمات عبر الهندسة. والأهم أن مقاييس مستوى المفاعل الرئيسية ظلت قريبة جدًا من الأصلية. على مدى سنة كاملة في VVER‑1000، لم ينحرف عامل التضخيم الفعّال—الذي يعبر أساسًا عن عدد النيوترونات التي يولّدها الانشطار في المتوسط—أكثر من نحو 100 جزء في المليون، وعادةً فقط بعدة عشرات من أجزاء في المليون. بالنسبة لقنوات التفاعل الرئيسية مثل الانشطار في اليورانيوم‑235 واليورانيوم‑238 وامتصاص النيوترون في الزينون‑135 والساماريوم‑149، تظل الفروق المتوسّطة أقل بكثير من عُشر بالمئة.

تطوّر الوقود والسموم يبقيان على المسار

نظرًا إلى أن سلوك المفاعل على المدى الطويل يعتمد ليس فقط على التفاعلات اللحظية بل على كيفية تراكم ومن ثم احتراق الوقود ونواتج الانشطار، يتتبّع المؤلفون أيضًا تغير مخزونات النظائر المهمة. يفحصون النظائر الرئيسية لليورانيوم، وعائلة نظائر البلوتونيوم المتولدة من اليورانيوم‑238، والنيويدات «السمّية» القوية التي تمتص النيوترونات، خاصة الزينون‑135 والساماريوم‑149. حتى بعد سنة كاملة، كانت الفروق في هذه المخزونات بين حالات البيانات الكاملة والمختصرة ضئيلة: بترتيب أجزاء من مئات من المئة للزينون والساماريوم، وبشكل عام أقل من عُشر بالمئة لأنواع البلوتونيوم. يُعاد إنتاج اليورانيوم‑235 واليورانيوم‑238، اللذين يهيمنان على إنتاج الطاقة وتوازن النيوترونات في القلب، بدقة أفضل بكثير من واحدٍ على مئة بالمئة. حيث تتجاوز الأخطاء النسبية لفترة وجيزة واحدًا بالمئة لبعض نظائر البلوتونيوم، يحدث ذلك في وقت مبكر من الدورة عندما تكون كمياتها المطلقة لا تزال صغيرة جدًّا، لذا فإن الأثر العملي على سلوك المفاعل ضئيل.

ماذا يعني هذا لنمذجة المفاعلات في المستقبل

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن إجراء تعلّم آلي مُدرَّب بعناية يمكن أن يجعل "جداول البحث" النووية داخل محاكيات المفاعلات المتقدمة أصغر بكثير وأسرع في الاستخدام، مع إبقاء سلوك المفاعل المحاكَى شبه متطابق مع النهج التقليدي. تُظهر الدراسة هذا لاثنين من قلوب المفاعلات الصناعية على مدى سنة تشغيل كاملة، مع هوامش خطأ صغيرة مقارنة بعدم التيقّنات النموذجية الأخرى في تحليل المفاعلات. يؤكد المؤلفون أن استنتاجاتهم تنطبق حاليًا على مفاعلات الماء المضغوط في حالة اتزان تستخدم مكتبة بيانات وإعدادات رمز محددة، وأن هناك حاجة لمزيد من العمل لاختبار أنواع مفاعلات أخرى والظروف العابرة. ومع ذلك، تشير النتائج إلى مسار واعد نحو محاكيات نووية عالية الدقة أسرع وأكثر كفاءة، ما يمكّن من إجراء مزيد من دراسات التصميم وتحليلات السلامة بموارد حوسبة محدودة.

الاستشهاد: Hashemi, A., Macián-Juan, R. & Ohlerich, M. Evaluating machine learned nuclear data precision in full core nuclear reactor Monte Carlo neutronics and computational efficiency analyses. Sci Rep 16, 1314 (2026). https://doi.org/10.1038/s41598-026-35227-9

الكلمات المفتاحية: محاكاة المفاعلات النووية, التعلّم الآلي, نيوترونيات مونت كارلو, مكتبات البيانات النووية, مفاعلات ماء مضغوط