Ocena precyzji danych jądrowych wyuczonych przez maszynę w pełnordzeniowych symulacjach neutronicznych metodą Monte Carlo oraz analiza wydajności obliczeniowej

Dlaczego szybsze symulacje reaktorów mają znaczenie

Elektrownie jądrowe polegają na szczegółowych modelach komputerowych, które przewidują zachowanie paliwa w ciągu miesięcy i lat eksploatacji. Modele te są kluczowe dla bezpieczeństwa, efektywności i projektowania nowych reaktorów, ale są notorycznie wolne i pamięciochłonne. W artykule zbadano, czy uczenie maszynowe może odchudzić ogromne tabele danych jądrowych napędzające te symulacje — znacznie obniżając koszty obliczeniowe — bez utraty fizycznej dokładności, od której zależą inżynierowie.

Redukcja danych stojących za fizyką

Za każdym razem, gdy symulowany neutron przemieszcza się przez wirtualne jądro reaktora, kod odwołuje się do dużych tabel opisujących prawdopodobieństwo odbicia, pochłonięcia lub wywołania rozszczepienia. Tabele te, zwane bibliotekami danych jądrowych, kodują prawdopodobieństwa dla tysięcy punktów energetycznych dla wielu izotopów w paliwie i jego produktach rozpadu. Autorzy rozwijają wcześniejszą metodę uczenia maszynowego, która „przetrząsa” te tabele: usuwa zbyteczne punkty energetyczne przy zachowaniu ostrych cech, takich jak progi reakcji i piki rezonansowe, gdzie prawdopodobieństwa zmieniają się gwałtownie. Zamiast regenerować dane przez długi, tradycyjny łańcuch przetwarzania, metoda edytuje bezpośrednio natywne pliki HDF5 OpenMC, zachowując tylko około 10–50% oryginalnych punktów siatki dla 23 szczególnie istotnych nuclidów.

Testowanie pomysłu w pełnych rdzeniach reaktorów

Aby sprawdzić, czy te odchudzone dane wciąż dają wiarygodne wyniki w realistycznych warunkach, zespół przeprowadza roczne symulacje dwóch dużych reaktorów wodnych pod ciśnieniem: Europejskiego Reaktora Wodnego (EPR) oraz VVER‑1000, używając otwartego kodu Monte Carlo OpenMC. Dla każdego rdzenia wykonano dwie w przeciwnym razie identyczne kampanie: jedną z pełną biblioteką danych jądrowych i jedną z wersją przetrząśniętą przez uczenie maszynowe. Wszystkie geometrie, warunki eksploatacji i ustawienia numeryczne pozostawiono niezmienione; różniły się jedynie tabele danych stojące za fizyką. Wyłączono inne funkcje przyspieszające wewnątrz OpenMC, tak aby wszelkie zmiany szybkości lub pamięci można było przypisać bezpośrednio zredukowanym danym, a nie zmianom algorytmów czy ustawień.

Zyski szybkości przy napiętych granicach błędu

Korzyść jest znacząca. W przypadku EPR całkowity czas zegarowy skraca się o około 18%, a dla VVER‑1000 czas wykonywania zmniejsza się o około 43%. Wykorzystanie pamięci zmienia się bardziej umiarkowanie: zużycie szczytowe spada o około 4% w EPR i rośnie o około 5% w VVER‑1000, co odzwierciedla różnice w tym, ile czasu każdy model poświęca na odczytywanie danych jądrowych w porównaniu ze śledzeniem ścieżek cząstek przez geometrię. Co kluczowe, główne miary na poziomie reaktora pozostają bardzo zbliżone do oryginałów. W ciągu pełnego roku w VVER‑1000 efektywny współczynnik rozmnożenia — zasadniczo, ile neutronów średnio generuje każde rozszczepienie — nie odchyla się o więcej niż około 100 części na milion, a zwykle tylko o kilkadziesiąt części na milion. Dla kluczowych kanałów reakcji, takich jak rozszczepienie w uranie‑235 i uranie‑238 oraz pochłanianie neutronów w ksenonie‑135 i samarze‑149, średnie różnice utrzymują się znacznie poniżej jednej dziesiątej procenta.

Ewolucja paliwa i trucizn pozostają na właściwym torze

Ponieważ długoterminowe zachowanie reaktora zależy nie tylko od reakcji chwilowych, ale także od tego, jak zapasy paliwa i produkty rozszczepienia narastają i się wypalają, autorzy śledzą również zmieniające się zasoby ważnych izotopów. Analizują główne izotopy uranu, rodzinę izotopów plutonu wyhodowanego z uranu‑238 oraz silne nuclidy „trujące” pochłaniające neutrony, zwłaszcza ksenon‑135 i samar‑149. Nawet po pełnym roku różnice w tych zasobach między przypadkiem z pełnymi danymi a przypadkiem z danymi zredukowanymi są znikome: rzędu kilku setnych procenta dla ksenonu i samaru oraz generalnie poniżej jednej dziesiątej procenta dla gatunków plutonu. Uran‑235 i uran‑238, które dominują w produkcji energii i bilansie neutronicznym rdzenia, odwzorowano z dokładnością znacznie lepszą niż jedna setna procenta. Tam, gdzie błędy względne krótkotrwale przekraczają jedno procent dla niektórych izotopów plutonu, zdarza się to we wczesnej fazie cyklu, gdy ich absolutne ilości są wciąż ekstremalnie małe, więc praktyczny wpływ na zachowanie reaktora jest znikomy.

Co to oznacza dla przyszłego modelowania reaktorów

Dla niespecjalistów zasadnicze przesłanie jest takie, że starannie wytrenowana procedura uczenia maszynowego może uczynić jądrowe „tabele odczytów” w zaawansowanych symulacjach reaktorów znacząco mniejszymi i szybszymi w użyciu, zachowując jednocześnie zachowanie symulowanego reaktora niemal nieodróżnialne od podejścia tradycyjnego. Badanie pokazuje to dla dwóch przemysłowych rdzeni reaktorów w ciągu pełnego roku eksploatacji, z marginesami błędu, które są niewielkie w porównaniu z innymi typowymi niepewnościami w analizie reaktorowej. Autorzy podkreślają, że ich wnioski obecnie dotyczą stacjonarnych reaktorów wodnych pod ciśnieniem używających konkretnej biblioteki danych i ustawień kodu, i że potrzeba więcej prac, by przetestować inne typy reaktorów i warunki przejściowe. Mimo to rezultaty sugerują obiecującą drogę do szybszych, bardziej efektywnych symulacji wysokiej wierności, umożliwiając przeprowadzenie większej liczby studiów projektowych i analiz bezpieczeństwa przy ograniczonych zasobach obliczeniowych.

Cytowanie: 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

Słowa kluczowe: symulacja reaktora jądrowego, uczenie maszynowe, neutronika Monte Carlo, biblioteki danych jądrowych, reaktory wodne pod ciśnieniem