核微堆机器学习控制研究获突破

密歇根大学核工程与放射性科学系(NERS)与Idaho美国国家实验室的研究人员合作，发表了一份关于核微堆与机器学习(ML)的研究摘要。全文《基于深度强化学习的核微堆瞬态及负荷跟踪控制》发表在《Energy Conversion and Management: X》7月刊上。

自动化控制：研究探讨了一种新的ML方法，用于建模核微堆功率输出调整以满足电网需求，其模型基于HolosGen的Holos-Quad微堆设计。研究人员表示，其ML方法称为多智能体强化学习(RL)，比之前的方法训练更高效且耗时更少，有助于加快反应堆建模。

Holos-Quad微堆：这种高温气冷微堆设计用于可扩展、自给自足的发电。其结构设计灵感来源于闭式涡喷发动机，用密封的核燃料盒替代传统燃烧室，将燃料、慢化、热交换和功率转换集成于单个压力容器内。

其紧凑设计可放入一个40英尺的国际标准化组织(ISO)集装箱。

负荷跟踪模拟：研究团队聚焦于模拟负荷跟踪，即调整电力输出以满足电网需求。Holos-Quad系统通过围绕反应堆中心的八个控制鼓调整功率。控制鼓圆周一侧涂有中子吸收材料，当鼓向内旋转时，吸收堆芯中子，导致中子数量和功率降低；而向外旋转则保留更多中子，从而提高功率输出。

研究人员的多智能体RL方法将Holos-Quad堆芯的八个控制鼓建模为八个独立智能体，每个鼓独立控制，同时获取堆芯整体信息。

对比测试：团队的多智能体RL模型与单智能体方法（单一智能体控制所有鼓）及工业标准的比例-积分-微分(PID)方法（基于反馈控制）对比，结果显示RL模型更具优势。

主要结论：研究人员指出，其ML模型需在更复杂和现实的条件下进行广泛验证才能商业化应用于核能行业。尽管如此，他们的发现“为自主核微堆的强化学习开辟了更高效的路径”。