Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

הערכת דיוק נתוני גרעין שנלמדו על ידי מכונה בנויטרוניקה של ליבת כור מלאה באמצעות מונטה קרלו ובניתוחי יעילות חישובית

· חזרה לאינדקס

מדוע סימולציות כורים מהירות יותר חשובות

תחנות כוח גרעיניות מסתמכות על מודלים ממוחשבים מפורטים כדי לחזות כיצד הדלק מתנהג לאורך חודשים ושנים של תפעול. מודלים אלה קריטיים לבטיחות, ליעילות ולתכנון כורים חדשים, אך הם ידועים כאיטיים ותובעניים בזיכרון. מאמר זה בוחן האם ניתן להשתמש בלמידת מכונה כדי לצמצם את טבלאות נתוני הגרעין העצומות שמניעות את הסימולציות הללו — ובכך להקטין משמעותית את עלות המחשוב — מבלי לפגוע בדיוק הפיזיקלי שעליו מהנדסים סומכים.

כיווץ הנתונים שמאחורי הפיזיקה

כל פעם שנויטרון מדומה נע דרך ליבת כור וירטואלית, הקוד מפנה לטבלאות גדולות שמתארות עד כמה סביר שהוא יתפזר, יספג או יחלק אטום. טבלאות אלה, המכונות ספריות נתוני גרעין, מקודדות הסתברויות על פני אלפי נקודות אנרגטיות עבור איזוטופים רבים בדלק ובתוצריו. המחברים מבנים על שיטה קודמת של למידת מכונה שמ "מדקקת" את הטבלאות: היא מסירה נקודות אנרגיה מיותרות תוך שמירה על מאפיינים חדים כגון ספי תגובה ושיאי תהודה, שבהם ההסתברויות משתנות במהירות. במקום ליצור מחדש את הנתונים דרך שרשרת עיבוד ארוכה מסורתית, השיטה עורכת ישירות את קבצי HDF5 natives של OpenMC, ושומרת רק כ־10–50% מנקודות הרשת המקוריות עבור 23 נוקלידים חשובים במיוחד.

Figure 1
Figure 1.

בדיקת הרעיון על ליבות כור מלאות

כדי לבדוק האם נתונים מדודים אלה עדיין מייצרים תוצאות מהימנות בהגדרות ריאליסטיות, הצוות מריץ סימולציות של שנה שלמה לשני כורים גדולים עם מים בלחץ: כור אירופאי מדוכס (EPR) ו‑VVER‑1000, תוך שימוש בקוד מונטה קרלו בקוד פתוח OpenMC. לכל ליבה הם מבצעים שתי מסעות חישוב זהים בכל שאר ההיבטים: אחת עם ספריית נתוני הגרעין המלאה ואחת עם הגרסה המדוקקת על ידי המכונה. כל הגיאומטריה, תנאי ההפעלה וההגדרות הנומריות מוחזקים קבועים; רק טבלאות הנתונים שמאחורי הפיזיקה שונות. הם כבויים תכונות האצה אחרות בתוך OpenMC כדי שכל שינוי במהירות או בזיכרון יוכל להיות מיוחס ישירות לנתונים המצומצמים, ולא לשינויים באלגוריתמים או בהגדרות.

רווחי מהירות עם גבולות שגיאה הדוקים

התמורה משמעותית. במקרה ה‑EPR, הזמן הקיר הכולל יורד בכ־18%, ובעבור ה‑VVER‑1000 זמן הריצה מתקצר בכ־43% בערך. השינוי בשימוש בזיכרון מתון יותר: השימוש השיאי יורד בכ־4% ב‑EPR ועתיד עלול לעלות בכ־5% ב‑VVER‑1000, מה שמשקף הבדלים בכמה זמן כל מודל משתמש בחיפושי נתוני גרעין לעומת מעקב מסלולי חלקיקים דרך הגיאומטריה. החשוב מכל הוא שמדדי הליבה ברמת הכור נשארים קרובים מאוד למקור. במשך שנה מלאה ב‑VVER‑1000, גורם ההכפלה היעיל — למעשה, כמה נויטרונים כל ביקוע מייצר בממוצע — לא נסטה ביותר מכ־100 חלקים למיליון, ובדרך כלל רק בעשרות חלקים למיליון. עבור ערוצי תגובה מרכזיים כגון ביקוע של אורניום‑235 ואורניום‑238 וקליטת נויטרונים של קסנון‑135 וסמאריום‑149, ההבדלים הממוצעים נותרו הרבה מתחת לעשירית האחוז.

Figure 2
Figure 2.

אבולוציית הדלק והרעלים נשארת במסלול

מכיוון שהתנהגות כור לטווח ארוך תלויה לא רק על תגובות רגעיות אלא גם על האופן שבו הדלק ותוצרי הביקוע מצטברים ונשרפים, המחברים גם עוקבים אחר המלאים המשתנים של איזוטופים חשובים. הם בוחנים את איזוטופי האורניום העיקריים, משפחה של איזוטופי פלוטוניום שנולדים מאורניום‑238, ונוקלידים "רעילים" חזקים שסופגים נויטרונים, במיוחד קסנון‑135 וסמאריום‑149. גם לאחר שנה שלמה, ההבדלים במלאים אלה בין מקרים עם הנתונים המלאים והמדוקקים זעירים: בסדר גודל של כמה מאיות אחוז עבור קסנון וסמאריום, ובדרך כלל מתחת לעשירית האחוז עבור סוגי הפלוטוניום. אורניום‑235 ואורניום‑238, ששולטים בתפוקת האנרגיה ובאיזון הנויטרונים בליבה, משוכפלים בדיוק גבוה הרבה יותר ממאה שילית האחוז. כאשר שגיאות יחסיות חורגות זמנית מעל אחוז עבור חלק מאזוטי הפלוטוניום, זה קורה מוקדם במחזור כשהכמויות האבסולוטיות עדיין קטנות מאוד, ולכן ההשפעה הפרקטית על התנהגות הכור זניחה.

מה המשמעות לזה עבור דגום כורים בעתיד

לתחום שאינו‑מומחה, המסר העיקרי הוא כי הליך למידת־מכונה שאומן בקפידה יכול להפוך את "טבלאות החיפוש" הגרעיניות בתוך סימולציות כור מתקדמות לקטנות בהרבה ומהירות יותר לשימוש, תוך שמירה על התנהגות הכור המדומה כמעט ללא הבדל מהגישה המסורתית. המחקר מדגים זאת עבור שתי ליבות בקנה מידה תעשייתי במהלך שנה מלאה של תפעול, עם מרווחי שגיאה הקטנים ביחס לאי־הוודאויות הטיפוסיות האחרות בניתוח כורים. המחברים מדגישים שמסקנותיהם חלות כרגע על כורים סטטיים עם מים בלחץ המשתמשים בספריית נתונים והגדרות קוד מסוימות, ונדרש עוד עבודה כדי לבחון סוגי כורים אחרים ותנאי מעבר (טרנזיינטים). עם זאת, התוצאות מצביעות על נתיב מבטיח לעבר סימולציות גרעיניות ברזולוציה גבוהה מהירות ויעילות יותר, המאפשרות לבצע יותר מחקרי תכנון וניתוחי בטיחות עם משאבי חישוב מוגבלים.

ציטוט: 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

מילות מפתח: סימולציית כור גרעיני, למידת מכונה, נויטרוניקה במונטה קרלו, ספריות נתוני גרעין, כורים עם מים בלחץ