Nghiên cứu áp dụng mạng nơ ron nhân tạo để dự đoán một số đặc trưng vật lý của lò phản ứng mô đun nhỏ loại nước áp lực

Monday, 18/03/2024, 00:00

Trong thập kỷ qua, cùng với sự phát triển của khoa học máy tính và dữ liệu lớn, học máy (ML) đã có sự phát triển vượt bậc và đã thâm nhập vào hầu hết mọi hoạt động của con người như hỗ trợ nghiên cứu khoa học, xe tự lái, trợ lý ảo, nhận dạng hình ảnh, v.v. Đối với nghiên cứu lò phản ứng hạt nhân, ML cũng được ứng dụng rất nhiều để thay thế các công cụ mô phỏng trong việc dự đoán các thông số cần thiết trong lò phản ứng như các thông số động học, phân bố công suất, nhiệt-thủy lực. Lò phản ứng hạt nhân là một hệ thống đa vật lý với hình học phức tạp, do đó việc mô phỏng và tính toán các thông số của lò phản ứng đòi hỏi phải sử dụng các chương trình phức tạp, tính toán chuyên sâu và tốn thời gian. Trong khi đó, các nghiên cứu ứng dụng ML, đặc biệt là mạng nơ ron nhân tạo (ANN) cho thấy tiềm năng lớn trong việc xây dựng các công cụ mô phỏng chính xác hiệu suất cao cho các lò phản ứng hạt nhân với thuật toán đơn giản, độ chính xác chấp nhận được và tốc độ tính toán tăng lên rất nhiều. Tuy nhiên, đối với những bài toán cụ thể, mô hình ML vẫn cần được nghiên cứu, cải tiến để đạt được độ chính xác phù hợp. Ngoài ra, các mô hình ANN yêu cầu lượng dữ liệu tương đối lớn để huấn luyện. Vì vậy, việc nghiên cứu các thuật toán có tính khái quát cao trên tập dữ liệu hạn chế (đặc biệt đối với dữ liệu thực nghiệm) cũng là một bài toán đầy thách thức hiện nay.

“Nghiên cứu áp dụng mạng nơ ron nhân tạo để dự đoán một số đặc trưng vật lý của lò phản ứng mô đun nhỏ loại nước áp lực” là đề tài cấp Cơ sở được thực hiện năm 2023 tại Viện Khoa học và Kỹ thuật hạt nhân. Nghiên cứu này áp dụng mạng nơ ron nhiều lớp (MLP) để dự đoán hệ số nhân hiệu dụng và hệ số đỉnh công suất của lò phản ứng mô đun nhỏ loại nước áp lực có công suất danh định 200 MW. Với vùng hoạt lò phản ứng chứa 37 bó nhiên liệu PWR, mỗi bó nhiên liệu bao gồm 264 thanh nhiên liệu, 24 ống dẫn hướng thanh điều khiển và 1 ống dụng cụ trung tâm được bố trí trên lưới 17x17. Các viên nhiên liệu làm từ UO2 với ba mức làm giàu U-235 khác nhau (2,35%, 3,40% và 4,45%) được nạp vào ba loại tổ hợp có tên lần lượt là F235, F340 và F445.

Tập dữ liệu dùng để huấn luyện mô hình được tạo bởi chương trình SRAC2006. Nhóm nghiên cứu sử dụng 20000 cấu hình thay đảo nhiên liệu, trong một cấu hình thay đảo tính theo góc ¼ gồm có 302 tham số với 300 tham số đầu vào bao gồm vị trí bó nhiên liệu, độ giàu nhiên liệu, tiết diện sinh nơ tron phân hạch, tiết diện phân hạch, tiết diện bắt nơ tron, tiết diện hấp thụ, hệ số khuếch tán, tiết diện tổng cộng, tiết diện kích hoạt, tiết diện tán xạ, hệ số nhân vô hạn của bó nhiên liệu và 2 tham số là hệ số nhân hiệu dụng và hệ số đỉnh công suất dùng để so sánh khi huấn luyện mô hình ANN nhằm xác định bộ giá trị trọng số và độ lệch tốt nhất. Trong nghiên cứu này, nhóm nghiên cứu sử dụng 15200 cấu hình để huấn luyện cho học máy; 3800 cấu hình để xác thực lại bộ trọng số và độ lệch; và 1000 cấu hình để kiểm tra kết quả dự đoán của mạng ANN.

MLP là một loại mạng ANN bao gồm một lớp đầu vào, một hoặc nhiều lớp ẩn và một lớp đầu ra. Mỗi lớp được đặc trưng bởi các nút của nó, trong đó mỗi nút thực hiện tính toán có trọng số trên các tín hiệu đầu vào nhận được từ lớp trước (Hình 1). MLP là mạng thần kinh chuyển tiếp, nghĩa là thông tin chảy theo một hướng, từ lớp đầu vào qua các lớp ẩn đến lớp đầu ra và được sử dụng rộng rãi trong nhiều lĩnh vực khác nhau cho các nhiệm vụ như phân loại, hồi quy và nhận dạng mẫu. Các hàm kích hoạt trong các nút này cho phép chuyển đổi tín hiệu phi tuyến tính, cho phép MLP mô hình hóa các mối quan hệ phức tạp vượt quá giới hạn của bộ phân loại tuyến tính. Việc tính toán trong mỗi nút được thực hiện theo hai bước. Đầu tiên, dữ liệu đầu vào được tổng hợp theo trọng số:

trong đó w_i là hệ số trọng số, x_i là tín hiệu đầu vào và b là độ lệch. Sau đó, đầu ra được tính từ tổng trên thông qua hàm kích hoạt phi tuyến f(s) để có thể xây dựng mô hình nhiều lớp. Công thức sau đây biểu thị hàm kích hoạt sigmoid:

Hình 1: Cấu trúc mạng nhận thức đa lớp

Từ kết quả khảo sát và kinh nghiệm trong việc lựa chọn số lớp ẩn và số nơ ron trong mỗi lớp ẩn là bội số của 2 và phải đảm bảo tính đối xứng, nghĩa là số nơ ron của lớp đầu tiên và lớp cuối cùng luôn nhỏ hơn số nơ ron ở các lớp ở giữa. Do đó nhóm nghiên cứu lựa chọn số lớp ẩn là 4, số nơ-ron trong mỗi lớp lần lượt là 256, 512, 512, 256 nhằm đảm bảo mạng ANN đủ lớn, cũng như số nơ ron trong mỗi lớp ẩn không quá lớn để không bị tổn hại tài nguyên tính toán và khó hội tụ. Trong phần khảo sát đã sử dụng toàn bộ 300 tham số đầu vào và 2 tham số (hệ số nhân hiệu dụng và hệ số đỉnh công suất) và số epoch là 500.

Kết quả của việc sử dụng mạng ANN để dự đoán hệ số đỉnh công suất và hệ số nhân hiệu dụng (k-eff). Từ hình 2 có thể thấy rằng, độ lệch của k-eff hầu hết nằm trong khoảng từ -50 pcm đến 50 pcm và độ lệch của hệ số đỉnh hầu hết nằm trong khoảng -0,4 %. đến 0,4 %. Độ lệch trung bình của k-eff và hệ số đỉnh lần lượt là 0,024 pcm và 0,135%, trong khi độ lệch tối đa của chúng là 268 pcm và 1,764%. Những kết quả này cho thấy sự phù hợp tốt giữa mô hình MLP và chương trình SRAC2006 (hình 3). Vì vậy, có thể thấy, khi có đủ dữ liệu để huấn luyện, mô hình ANN có thể dự đoán k-eff và hệ số đỉnh công suất của lò phản ứng hạt nhân một cách chính xác và tốn ít tài nguyên. Những kết quả nghiên cứu nêu trên cho thấy nhiều hứa hẹn trong việc áp dụng các mô hình học máy vào nghiên cứu, thiết kế và vận hành lò phản ứng hạt nhân.

Hình 2. Phân phối độ lệch của dự đoán k-eff  và hệ số đỉnh công suất được dự đoán bởi các mô hình tốt nhất

Hình 3. So sánh hệ số nhân hiệu dụng và hệ số đỉnh công suất giữa ANN và SRAC2006

Kết quả đạt được của đề tài nghiên cứu mới chỉ là bước khởi đầu và còn tồn tại nhiều vấn đề như kết quả dự đoán từ mạng ANN được so sánh ngược lại với chương trình tạo bộ dữ liệu cho nên chưa đánh giá được tính khách quan của kết quả dự đoán. Tuy nhiên, nghiên cứu này chỉ gói gọn trong khuân khổ của nhiệm vụ khoa học và công nghệ cấp cơ sở với mục đích nâng cao năng lực sử dụng công nghệ kỹ thuật hiện đại trong nghiên cứu lò phản ứng và nghiên cứu này đã đáp ứng được mục tiêu đã đề ra.

Để duy trì và phát triển trong việc ứng dụng học máy vào nghiên cứu lò phản ứng hạt nhân, nhóm nghiên cứu mong tiếp tục nhận được sự quan tâm và ủng hộ của lãnh đạo đơn vị và Lãnh đạo Viện Năng lượng nguyên tử Việt Nam. Với những hiểu biết và kết quả có được, nhóm nghiên cứu đề xuất ứng dụng học máy để dự đoán sự cố mất dòng chất tải nhiệt (LOFA) và sự cố độ phản ứng (RIA) với đối tượng là lò phản ứng nghiên cứu với công suất 10 MW, nhằm mục đích phục vụ cho dự án Trung tâm Khoa học và Công nghệ hạt nhân – CNST trong thời gian tới.

Lê Trần Chung – Viện Khoa học và Kỹ thuật hạt nhân

Bản in  

Gửi email