به گزارش صدای شهر انرژی همجوشی که سال‌ها به‌عنوان رویای برق نامحدود و پاک شناخته می‌شود همچنان با چالش‌های پیچیده علمی و مهندسی مواجه است. یکی از بزرگ‌ترین موانع مدیریت حرارت سرسام‌آور پلاسماست؛ حرارتی که می‌تواند اجزای داخلی راکتور‌های موسوم به توکامک را ذوب کرده و فرایند را متوقف کند.
به گزارش science daily اکنون تیمی از پژوهشگران در همکاری مشترک میان شرکت Commonwealth Fusion Systems (CFS)، آزمایشگاه ملی فیزیک پلاسمای پرینستون (PPPL) و آزمایشگاه ملی اوک‌ریج ابزاری هوش مصنوعی با نام HEAT-ML را معرفی کرده‌اند که قادر است در کسری از ثانیه نواحی امن موسوم به سایه‌های مغناطیسی را شناسایی کند؛ نواحی‌ای که مانند سپری طبیعی اجزای داخلی راکتور را از دمای کشنده پلاسما محافظت می‌کنند.
سایه‌های مغناطیسی مناطق امن در دل جهنم پلاسما
درون توکامک‌ها پلاسما با میدان‌های مغناطیسی مهار می‌شود و دمایی بالاتر از هسته خورشید پیدا می‌کند. هرگونه تماس این پلاسما با دیواره‌ها یا اجزای داخلی می‌تواند فاجعه‌بار باشد. اما بخشی از طراحی توکامک به شکل‌گیری مناطقی می‌انجامد که در سایه میدان‌های مغناطیسی از تماس مستقیم با پلاسما محفوظ می‌مانند؛ این مناطق همان سایه‌های مغناطیسی هستند.
شناسایی دقیق این نواحی برای پیش‌بینی نقاط آسیب‌پذیر و افزایش طول عمر اجزای داخلی حیاتی است. ابزار HEAT-ML دقیقاً برای این هدف ساخته شده است.
سرعتی بی‌سابقه از ۳۰ دقیقه به چند میلی‌ثانیه
پیش‌تر شبیه‌سازی سایه‌های مغناطیسی با نرم‌افزار متن‌باز HEAT انجام می‌شد. این ابزار با رهگیری خطوط میدان مغناطیسی مشخص می‌کرد کدام بخش‌ها در سایه قرار می‌گیرند. اما چنین شبیه‌سازی‌هایی برای هندسه‌های پیچیده توکامک گاهی بیش از نیم ساعت زمان می‌برد.
اکنون HEAT-ML با تکیه بر شبکه‌های عصبی عمیق همین محاسبات را در چند میلی‌ثانیه انجام می‌دهد. این جهش سرعتی هزاران برابری، به پژوهشگران اجازه می‌دهد طراحی‌ها را سریع‌تر اصلاح کنند و در حین عملیات، به‌سرعت واکنش نشان دهند.
مایکل چرچیل سرپرست مهندسی دیجیتال در PPPL و نویسنده همکار این پژوهش می‌گوید: این تحقیق نشان داد که می‌توان یک کد موجود را به کمک هوش مصنوعی بازآفرینی کرد و توانایی دریافت پاسخ‌های مفید را با سرعتی بی‌سابقه افزایش داد. این موضوع مسیر‌های تازه‌ای برای کنترل و برنامه‌ریزی سناریو‌های پیچیده پیش روی ما می‌گذارد.
SPARC نخستین مقصد HEAT-ML
ابزار HEAT-ML در گام نخست برای شبیه‌سازی بخشی از راکتور SPARC طراحی شده است؛ پروژه‌ای که شرکت CFS در ایالت ماساچوست آمریکا در دست اجرا دارد. این توکامک قرار است تا سال ۲۰۲۷ به بهره خالص انرژی دست یابد؛ یعنی انرژی تولیدی آن بیشتر از مصرفش باشد.
در این مرحله HEAT-ML تنها بخشی از سیستم خروجی گرمای SPARC را پوشش می‌دهد؛ بخشی که شامل ۱۵ کاشی در پایین دستگاه است و بیشترین بار حرارتی را دریافت می‌کند. اما پژوهشگران قصد دارند دامنه عملکرد آن را به کل اجزای توکامک و حتی طراحی‌های دیگر گسترش دهند.
اهمیت انرژی همجوشی برای آینده
انرژی همجوشی به‌عنوان واکنشی که خورشید و ستارگان را روشن نگه می‌دارد، سال‌هاست امید بشر برای جایگزینی سوخت‌های فسیلی و مقابله با بحران تغییرات اقلیمی به شمار می‌آید. این انرژی تقریباً نامحدود است، گاز‌های گلخانه‌ای تولید نمی‌کند و پسماند هسته‌ای طولانی‌مدت ندارد.
با این حال دشواری‌های فنی همچون حفظ پایداری پلاسما و مدیریت حرارت شدید همواره مانع اصلی تجاری‌سازی آن بوده است. ابزار‌هایی مانند HEAT-ML می‌توانند این موانع را کوتاه‌تر کنند و مسیر تحقق نیروگاه‌های همجوشی را هموارتر سازند.
چشم‌انداز آینده از آزمایشگاه تا نیروگاه
در حال حاضر HEAT-ML تنها یک ماژول انتخابی در کد HEAT است و صرفاً روی طراحی SPARC اجرا می‌شود. اما هدف نهایی تیم تحقیقاتی توسعه آن برای کاربرد در هر نوع طراحی و هر بخش از اجزای پلاسما-کار توکامک‌هاست. چنین ابزاری می‌تواند به معماران نسل بعدی نیروگاه‌های همجوشی کمک کند تا به‌جای اتکا به محاسبات طولانی و پرهزینه در لحظه طراحی‌ها را اصلاح کنند.
دومنیکا کرونا ریورا فیزیکدان پژوهشی در PPPL و نویسنده اصلی مقاله تأکید می‌کند: بدترین اتفاقی که می‌تواند رخ دهد، توقف عملیات به دلیل آسیب اجزای داخلی است. HEAT-ML به ما کمک می‌کند چنین مشکلاتی را قبل از وقوع شناسایی و رفع کنیم.
هوش مصنوعی در خدمت آینده انرژی
ظهور ابزار‌هایی مانند HEAT-ML نشان می‌دهد که ترکیب هوش مصنوعی با علوم انرژی می‌تواند تحولی بنیادین رقم بزند. اگرچه این ابزار هنوز در مراحل ابتدایی توسعه است اما توانایی آن در شتاب‌بخشی به شبیه‌سازی‌ها و افزایش ایمنی راکتور‌ها امید‌ها برای تحقق رؤیای انرژی همجوشی را بیش از پیش تقویت کرده است.
انتهای پیام/
Source link
