Las centrales nucleares estadounidenses generan más del 20% de la electricidad, y la mitad de la electricidad libre de carbono, en Estados Unidos.La apremiante demanda del país de aún más electricidad (específicamente electricidad libre de carbono que no contribuya al cambio climático) está estimulando el interés en tecnologías nucleares avanzadas.También está llevando a muchos a preguntarse si la industria de la energía nuclear, a veces considerada más costosa de mantener y operar que otras industrias de energía limpia, puede modernizarse y presentar un resultado final más convincente.

Alex Heifetz, ingeniero nuclear principal del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE), cree que las nuevas herramientas y técnicas de inteligencia artificial y aprendizaje automático allanarán el camino hacia el "sí".

Heifetz y un equipo de investigadores utilizaron PUR-1, la investigación totalmente digital encargada por el NRC de la Universidad Purdue.reactor, para realizar una serie de experimentos utilizando un método basado en la físicared neuronalcon aprendizaje por transferencia (TL-PINN).Las redes neuronales son métodos dentro del aprendizaje automático que se pueden entrenar para reconocer patrones en los datos.Sin embargo, no son buenos para hacer predicciones fuera de su dominio de entrenamiento.Investigadores como Heifetz creen que los PINN pueden superar esta deficiencia fusionando redes neuronales conecuaciones diferencialespara resolver problemas científicos o de ingeniería complejos.Esto les ayudaría a extrapolar a nuevos escenarios y hacer predicciones más precisas.

En un trabajo publicado enla naturalezaInformes Científicos, el equipo de Heifetz creó un modelo de un pequeño reactor modular (SMR) con operaciones automatizadas y luego utilizó el aprendizaje automático para hacer algo queindustria nuclearnunca intentaría en una operaciónplanta de energía nuclear: modificaron sus datos y modelos de entrenamiento.

"Nos centramos en la cuestión específica del rendimiento del algoritmo", dijo Heifetz."Cuantos más datos tenga, mejor será su modelo en términos de precisión de predicción. Con tecnologías y diseños más nuevos, es posible que no tenga todos los datos a mano para hacer una predicción. Aplicamos el concepto de aprendizaje por transferencia, en el que se vuelve a entrenar elPINN con un conjunto de datos sintéticos y luego observas la similitud entre los conjuntos de datos para ver si puedes confiar en los datos sintéticos para hacer predicciones precisas".

Muchos estudios anteriores se han centrado en la seguridad de los reactores nucleares, pero esta investigación se centró específicamente en el costo.El objetivo general, dijo Heifetz, es reducir los costos de operación y mantenimiento y permitir el desarrollo y comercialización de SMR de bajo costo.Los pequeños reactores modulares producen 300 megavatios de potencia o menos, en comparación con los reactores actuales, que tienen potencias nominales de alrededor de 1.000 megavatios (energía suficiente para suministrar electricidad a aproximadamente 1.000.000 de hogares).

Muchos piensan que los SMR podrían ampliar enormemente el impacto de la energía nuclear.Ocupan menos espacio que los reactores nucleares existentes, su construcción, operación y mantenimiento son menos costosos y tienen características modernas, como medidores, dispositivos y sensores digitales, que la mayoría de los reactores existentes no tenían originalmente.Se pueden utilizar para proporcionar energía en zonas remotas de los Estados Unidos, o posiblemente en estaciones futuristas que hagan posible la electrificación deel transporte por carretera de larga distancia es más plausible.

"Construir un nuevo reactor nuclear es difícil, por eso no queremos cerrar los que tenemos", afirmó Heifetz."El desafío es tomar un reactor nuclear de 10 mil millones de dólares que fue construido en la década de 1950 y, preservando al mismo tiempo todas sus características de seguridad, hacerlo más moderno, eficiente y autónomo, con menos operadores y menos tiempo de parada. Pero,"También queremos probar nuevos diseños, como SMR, para los cuales no hay suficientes datos. Al desarrollar una red neuronal basada en la física que no requiera mucho tiempo para entrenar, tal vez podamos reducir el costo de entrenar nuevos modelos".