Нейросети оптимизировали остекловывание радиоактивных отходов в США
Американские исследователи применили алгоритмы машинного обучения для ускорения утилизации жидких радиоактивных отходов, оставшихся со времен холодной войны. Технология, разработанная в Тихоокеанской северо-западной национальной лаборатории Министерства энергетики США, позволяет оптимизировать процесс остекловывания токсичных материалов. Это решение снижает операционные риски и сокращает общую стоимость многолетней программы очистки Хэнфордского комплекса в штате Вашингтон.
В подземных резервуарах Хэнфордского комплекса, где в рамках Манхэттенского проекта производился оружейный плутоний, хранится более пятидесяти миллионов галлонов радиоактивных отходов. За семьдесят с лишним лет химический состав этого наследия постоянно менялся под воздействием окисления и температурных колебаний. В результате образовалась сложная и неоднородная смесь, содержащая почти все элементы таблицы Менделеева. Проблема утилизации заключается в том, что состав отходов различается не только между отдельными резервуарами, но и внутри каждой емкости.
С 1960-х годов основным методом изоляции таких материалов является остекловывание – перевод радиоактивной жидкости в твердую форму. Отходы смешивают со специальными добавками, нагревают до температуры свыше тысячи градусов Цельсия и заливают в стальные контейнеры высотой более двух метров. Процесс требует высокой точности: если расплавленная масса окажется слишком жидкой, она вызовет коррозию плавильной печи, а слишком густая смесь не заполнит контейнер равномерно. До сих пор поиск оптимальных физико-химических пропорций для каждой партии отходов оставался долгим процессом.
Использование искусственного интеллекта позволило заменить традиционные математические расчеты предиктивной моделью. Алгоритм изучил данные обо всех химических комбинациях, зафиксированных в образцах из резервуаров за десятилетия наблюдений. Машинное обучение способно быстро анализировать тысячи вариантов свойств отходов и добавок, чтобы определить рецептуру, при которой в стекло можно интегрировать максимальный объем опасных веществ без потери прочности.
Внедрение активного машинного обучения в разработку состава стекла позволяет увеличить долю отходов в каждом блоке. Ученый-материаловед Хосе Марсиаль поясняет: «Обычно матрица низкоактивных отходов содержит от двадцати до тридцати процентов радиоактивного материала по весу, однако новая модель показывает возможность безопасного увеличения этого объема». В масштабах всего проекта это означает сокращение общего количества производимых стеклянных блоков на пять процентов.
Уменьшение числа контейнеров напрямую влияет на логистику и инфраструктуру. Меньший объем конечного продукта требует меньше места в хранилищах глубокого залегания, что критически важно для объектов с ограниченной площадью. Данная разработка стала частью профильной миссии Министерства энергетики США, направленной на внедрение алгоритмов в программы ядерной очистки и восстановления территорий.
