Avaliando a precisão de dados nucleares aprendidos por máquina em análises de neutrônica Monte Carlo de núcleo reatorial completo e eficiência computacional

Por que simulações de reatores mais rápidas importam

Usinas nucleares dependem de modelos computacionais detalhados para prever como o combustível se comporta ao longo de meses e anos de operação. Esses modelos são cruciais para segurança, eficiência e para projetar reatores novos, mas costumam ser notoriamente lentos e exigentes em memória. Este artigo investiga se o aprendizado de máquina pode compactar as enormes tabelas de dados nucleares que alimentam essas simulações — reduzindo drasticamente o custo computacional — sem sacrificar a precisão física da qual os engenheiros dependem.

Enxugando os dados por trás da física

Cada vez que um nêutron simulado percorre um núcleo reatorial virtual, o código consulta grandes tabelas que descrevem a probabilidade de espalhamento, absorção ou fissão. Essas tabelas, chamadas bibliotecas de dados nucleares, codificam probabilidades em milhares de pontos de energia para muitos isótopos no combustível e seus subprodutos. Os autores expandem um método anterior de aprendizado de máquina que “rarefaz” essas tabelas: ele remove pontos de energia redundantes preservando características agudas, como limiares de reação e picos de ressonância, onde as probabilidades mudam rapidamente. Em vez de regenerar os dados por meio de uma longa cadeia tradicional de processamento, o método edita diretamente os arquivos HDF5 nativos do OpenMC, mantendo apenas cerca de 10–50% dos pontos de grade originais para 23 nuclídeos especialmente importantes.

Testando a ideia em núcleos reatoriais completos

Para verificar se esses dados mais enxutos ainda produzem resultados confiáveis em cenários realistas, a equipe executa simulações de um ano de operação de dois grandes reatores a água pressurizada: um European Pressurized Reactor (EPR) e um VVER‑1000, usando o código Monte Carlo de código aberto OpenMC. Para cada núcleo, realizaram duas campanhas idênticas em todo o resto: uma com a biblioteca de dados nucleares completa e outra com a versão rarefeita por máquina. Toda a geometria, condições operacionais e configurações numéricas foram mantidas fixas; apenas as tabelas de dados por trás da física diferem. Eles desativaram outros recursos de aceleração dentro do OpenMC para que qualquer mudança em velocidade ou memória pudesse ser atribuída diretamente à redução dos dados, não a alterações em algoritmos ou parâmetros.

Ganho de velocidade com limites de erro apertados

O benefício é substancial. No caso do EPR, o tempo total de parede cai cerca de 18%, e no VVER‑1000 o tempo de execução encolhe aproximadamente 43%. O uso de memória muda de forma mais modesta: o pico de uso diminui cerca de 4% no EPR e aumenta cerca de 5% no VVER‑1000, refletindo diferenças em quanto tempo cada modelo passa consultando dados nucleares versus rastreando trajetórias de partículas pela geometria. Crucialmente, as principais medidas ao nível do reator permanecem muito próximas das originais. Ao longo de um ano completo no VVER‑1000, o fator de multiplicação efetivo — essencialmente, quantos nêutrons cada fissão produz em média — nunca se afasta por mais de cerca de 100 partes por milhão, e tipicamente por apenas algumas dezenas de partes por milhão. Para canais de reação-chave, como fissão em urânio‑235 e urânio‑238 e captura de nêutrons em xenônio‑135 e samário‑149, as diferenças médias permanecem bem abaixo de um décimo de porcento.

Evolução do combustível e envenenadores se mantêm no caminho

Porque o comportamento reatorial de longo prazo depende não apenas de reações instantâneas, mas de como o combustível e os produtos de fissão se acumulam e se consumem, os autores também monitoram os inventários variáveis de isótopos importantes. Eles examinam os principais isótopos do urânio, uma família de isótopos do plutônio gerados a partir do urânio‑238, e fortes nuclídeos “envenenadores” que absorvem nêutrons, especialmente xenônio‑135 e samário‑149. Mesmo após um ano completo, as diferenças nesses inventários entre os casos com dados completos e reduzidos são ínfimas: da ordem de alguns centésimos de porcento para xenônio e samário, e geralmente abaixo de um décimo de porcento para as espécies de plutônio. Urânio‑235 e urânio‑238, que dominam a produção de energia do núcleo e o balanço neutrônico, são reproduzidos muito melhor que um centésimo de porcento. Onde erros relativos ultrapassam brevemente 1% para alguns isótopos de plutônio, isso ocorre no início do ciclo, quando suas quantidades absolutas ainda são extremamente pequenas, de modo que o efeito prático no comportamento do reator é negligenciável.

O que isso significa para a modelagem de reatores no futuro

Para não especialistas, a mensagem essencial é que um procedimento de aprendizado de máquina cuidadosamente treinado pode tornar as “tabelas de consulta” nucleares dentro de simulações avançadas de reatores dramaticamente menores e mais rápidas de usar, mantendo o comportamento simulado do reator quase indistinguível da abordagem tradicional. O estudo demonstra isso para dois núcleos de escala industrial ao longo de um ano completo de operação, com margens de erro pequenas em comparação com outras incertezas típicas na análise reatorial. Os autores enfatizam que suas conclusões atualmente se aplicam a reatores a água pressurizada em estado estacionário usando uma biblioteca de dados e configurações de código específicas, e que é necessário trabalho adicional para testar outros tipos de reatores e condições transitórias. Ainda assim, os resultados sugerem um caminho promissor para simulações nucleares de alta fidelidade mais rápidas e eficientes, permitindo que mais estudos de projeto e análises de segurança sejam realizados com recursos computacionais limitados.

Citação: 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

Palavras-chave: simulação de reator nuclear, aprendizado de máquina, neutrônica Monte Carlo, bibliotecas de dados nucleares, reatores a água pressurizada