Robert Granetz is al meer dan 40 jaar onderzoekswetenschapper in het Plasma Science and Fusion Center van MIT. Hij gaf onlangs een lezing georganiseerd door het MIT Energy Initiative (MITEI) over het gebruik van machine learning om een ​​realtime waarschuwingssysteem te ontwikkelen voor dreigende verstoringen in fusiereactoren. Een specialist in magnetohydrodynamische instabiliteiten en verstoringen, Granetz besprak hoe onderzoek op dit gebied ons een stap dichter bij het creëren van een stabiele, net-energieproducerend fusie-apparaat.

Vraag:Wat maakt plasma anders dan andere toestanden van materie? Wat zijn de uitdagingen van het werken met plasma als energiebron?

A:In een gas bij normale temperaturen, de negatief geladen elektronen en positief geladen kernen zijn stevig gebonden in atomen of moleculen, die elektrisch neutraal zijn. Daarom, er worden geen krachten uitgeoefend tussen deeltjes, tenzij ze daadwerkelijk botsen. (De zwaartekracht werkt tussen alle massa's, maar de zwaartekracht is veel te zwak om relevant te zijn.)

Wanneer gasdeeltjes botsen, de botsingen hebben slechts betrekking op een paar deeltjes tegelijk, en de kinematica van de botsing is heel eenvoudig, net als botsingen met biljartballen. Zo kunnen we eenvoudig het gedrag van gassen berekenen. Echter, bij de hoge temperaturen die we nodig hebben voor fusie, de thermische energie van elk atoom of molecuul is veel, veel groter dan de bindingsenergie die de elektronen en kernen bij elkaar houdt, zodat de neutrale deeltjes uiteenvallen in hun bestanddelen, dat wil zeggen elektronen en kernen, die we de 'plasmatoestand' noemen.

Daarom, in een plasma, alle deeltjes zijn geladen, en er zijn lange afstand elektrische en magnetische krachten tussen de deeltjes. Een enkel elektron of ion beïnvloedt tegelijkertijd de beweging van ongeveer een miljard andere elektronen en ionen, en al die miljard andere deeltjes beïnvloeden tegelijkertijd elk ander individueel deeltje. In aanvulling, de elektronen en kernen hebben extreem verschillende massa's, dus hun snelheden zijn heel verschillend. Ook, omdat alle deeltjes geladen zijn, ze kunnen sterk interageren met elektromagnetische straling. Al deze complicerende eigenschappen betekenen dat in de praktijk we kunnen het gedetailleerde gedrag van plasma's niet nauwkeurig berekenen uit de basisvergelijkingen van de natuurkunde.

V:In de context van fusiereactoren, wat is een storing?

een:tot op heden, het tokamak-concept voor een stationaire fusiereactor presteert beter dan alle andere concepten op het gebied van energiebeperking. De tokamak is afhankelijk van het aandrijven van een grote stroom - in de orde van miljoenen ampère - door het plasma om de magnetische veldstructuur te produceren die nodig is om een ​​goede energieopsluiting te verkrijgen. Echter, deze grote plasmastroom is enigszins onstabiel, en is onderhevig aan plotselinge beëindiging, meestal met zeer weinig waarschuwing. Wanneer er een storing optreedt, de aanzienlijke thermische en magnetische energie in het plasma wordt plotseling zeer snel vrijgegeven, wat kan leiden tot schadelijke thermische en elektromagnetische belastingen op de reactorstructuur.

Het hele doel van fusie-energie is om grote energiecentrales te ontwikkelen om elektriciteit op het net op te wekken, en de huidige elektriciteitscentrales op fossiele brandstoffen te vervangen, en zelfs splijtingskerncentrales vervangen. Maar als een fusiecentrale onderhevig is aan storingen, zijn elektriciteitsoutput zou plotseling uitschakelen. Zelfs als de meest schadelijke gevolgen kunnen worden vermeden, het kan uren of dagen duren voordat de plant kan herstellen en weer online kan zijn, om op een later tijdstip weer onderhevig te zijn aan een nieuwe verstoring. Geen enkel nutsbedrijf zou fusie-energie willen gebruiken als dat het geval was. Als we gaan vertrouwen op het tokamak-concept voor fusiereactoren, we moeten verstoringen voorkomen of beperken.

V:Hoe kan machine learning dit probleem aanpakken?

A:De signalen dat een verstoring op handen is, zijn vaak vrij subtiel. Fusieonderzoekers meten continu een aantal karakteristieke plasmaparameters tijdens een plasmaontlading, en we hebben reden om te geloven, zowel uit empirisch experimenteel bewijs als uit theoretisch inzicht, dat sommige van deze gemeten plasmaparameters aanwijzingen kunnen geven dat er een verstoring op komst is. Maar deze informatie is niet eenvoudig te interpreteren, niet alleen met betrekking tot het optreden van een dreigende verstoring, maar ook met betrekking tot de timing van een dreigende verstoring.

In een poging dit probleem op te lossen, mijn team - dat uit mezelf bestaat, postdoc Cristina Rea, afgestudeerde studenten Kevin Montes en Alex Tinguely, en een dozijn wetenschappers van andere Amerikaanse en internationale laboratoria - hebben grote databases opgebouwd met gemeten parameters die volgens ons relevant zijn voor verstoringen, van experimenten van meerdere jaren op verschillende tokamaks over de hele wereld. We passen nu machine learning-technieken toe op deze gegevens om te zien of we patronen kunnen ontdekken die nauwkeurig kunnen voorspellen of er in de nabije toekomst op een bepaald tijdstip een verstoring zal plaatsvinden. Bij grote, ingewikkelde datasets, machine learning kan een krachtige manier zijn om subtiele patronen in de gegevens te vinden die menselijke inspanningen ontgaan.

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.