Calculs plus rapides du réacteur de fusion grâce à l’IA
Kstar Coree du sud fusion nucleaire NationalFusionResearch Institute

Les technologies des réacteurs à fusion sont bien placées pour contribuer à nos futurs besoins en énergie d’une manière sûre et durable. Les modèles numériques peuvent fournir aux chercheurs des informations sur le comportement du plasma de fusion , ainsi que des informations précieuses sur l’efficacité de la conception et du fonctionnement du réacteur. Cependant, pour modéliser le grand nombre d’interactions plasmatiques, il faut un certain nombre de modèles spécialisés qui ne sont pas assez rapides pour fournir des données sur la conception et le fonctionnement des réacteurs.

Aaron Ho, du groupe Science et technologie de la fusion nucléaire du département de physique appliquée de l’Université de technologie d’Eindhoven, a exploré l’utilisation d’approches d’apprentissage automatique pour accélérer la simulation numérique du transport turbulent du plasma central. Ho a soutenu sa thèse le 17 Mars e .

Le but ultime de la recherche sur les réacteurs à fusion est d’obtenir un gain de puissance net d’une manière économiquement viable. Pour atteindre cet objectif, de grands appareils complexes ont été construits, mais au fur et à mesure que ces appareils deviennent plus complexes, il devient de plus en plus important d’adopter une approche prédictive concernant son fonctionnement. Cela réduit les inefficacités opérationnelles et protège l’appareil contre les dommages graves.

Pour simuler un tel système, il faut des modèles capables de capturer tous les phénomènes pertinents dans un dispositif de fusion, suffisamment précis pour que les prédictions puissent être utilisées pour prendre des décisions de conception fiables et suffisamment rapides pour trouver rapidement des solutions viables.

Modèle basé sur les réseaux de neurones

Pour ses recherches de doctorat, Aaron Ho a développé un modèle pour répondre à ces critères en utilisant un modèle basé sur des réseaux de neurones. Cette technique permet effectivement à un modèle de conserver à la fois vitesse et précision au détriment de la collecte de données. L’approche numérique a été appliquée à un modèle de turbulence d’ordre réduit, QuaLiKiz, qui prédit les quantités de transport de plasma causées par la microturbulence. Ce phénomène particulier est le mécanisme de transport dominant dans les dispositifs à plasma tokamak. Malheureusement, son calcul est également le facteur de vitesse limite dans la modélisation actuelle du plasma tokamak.

Ho a formé avec succès un modèle de réseau neuronal avec des évaluations QuaLiKiz tout en utilisant des données expérimentales comme entrée d’entraînement. Le réseau neuronal résultant a ensuite été couplé dans un cadre de modélisation intégré plus large, JINTRAC, pour simuler le cœur du dispositif à plasma.

Temps de simulation réduit de 217 heures à seulement deux heures

Les performances du réseau neuronal ont été évaluées en remplaçant le modèle QuaLiKiz original par le modèle de réseau neuronal de Ho et en comparant les résultats. Par rapport au modèle QuaLiKiz original, le modèle de Ho a pris en compte des modèles physiques supplémentaires, dupliqué les résultats avec une précision de 10% et réduit le temps de simulation de 217 heures sur 16 cœurs à deux heures sur un seul cœur.

Ensuite, pour tester l’efficacité du modèle en dehors des données d’entraînement, le modèle a été utilisé dans un exercice d’optimisation utilisant le système couplé sur un scénario de montée en puissance du plasma comme preuve de principe. Cette étude a permis de mieux comprendre la physique derrière les observations expérimentales et a mis en évidence les avantages de modèles de plasma rapides, précis et détaillés.

Enfin, Ho suggère que le modèle puisse être étendu pour d’autres applications telles que le contrôleur ou la conception expérimentale. Il recommande également d’étendre la technique à d’autres modèles physiques, car il a été observé que les prévisions de transport turbulent ne sont plus le facteur limitant. Cela améliorerait encore l’applicabilité du modèle intégré dans les applications itératives et permettrait les efforts de validation nécessaires pour rapprocher ses capacités d’un modèle véritablement prédictif.

Source: Par 

Comments
All comments.
Comments