AI优化放射性废物玻璃固化配方
摘要
太平洋西北国家实验室研究人员利用AI和机器学习优化放射性废物的玻璃固化配方。相关工作应用于美国能源部Hanford场址的废物处理与固化厂，旨在处理5600万加仑放射性化学废物。研究成果分两部分发表于《Journal of Non-Crystalline Solids》，验证了AI模型能提高废物包容量、减少故障率、降低运行风险，为处理复杂多变的废物成分提供了更高效方法。
太平洋西北国家实验室的研究人员正在探索利用人工智能和机器学习的方法，以更好地优化通过玻璃固化工艺稳定低放射性废物的配方。
这项工作有助于为美国能源部位于华盛顿州Hanford场址的废物玻璃化活动提供信息。美国能源部目前正在调试Hanford废物处理与固化厂的低放废物设施，该设施将用于玻璃固化该场址近5600万加仑放射性废物和化学废物中的部分废物。
废物体积庞大，成分复杂且化学性质多变，这给寻找符合性能和监管标准的玻璃最佳配方带来了挑战。
两部分项目：这项工作是由美国能源部环境管理办公室Hanfield场址办公室资助的两部分项目的一部分，与玻璃科学家Albert Kruger合作。第一部分成果于2024年5月发表在《Journal of Non-Crystalline Solids》期刊上，重点介绍了玻璃配方模型的开发。
第二部分发表在4月15日的《Journal of Non-Crystalline Solids》期刊上，提供了项目第一阶段开发的基于机器学习的玻璃性能模型的实验验证。
据论文作者称，“更新后的模型和配方显示出更高的废物包容量，同时降低了故障率，证明了预测精度的提高、不确定性的降低，以及主动学习在指导高维非线性低放废物玻璃设计中的有效性。”
作者写道，这些模型的实际好处包括“更高的废物包容量、更短的任务时间和更低的操作风险”。
引述：玻璃科学家Albert Kruger告诉《Nuclear Newswire》，“这项努力将为扩大已验证的玻璃配方领域带来显著的经济效益。当废物处理厂任务启动时，承包商采用了主动设计来制定生产线规则，以满足废物包容量最低的合同目标。这个概念与运行任务不一致，但足以启动工厂。
“考虑到待处理废物的可变性以及现有库存详细化学分析的不成熟，显然更好、更健壮的过程控制模型将是有益的。这种顿悟为开发玻璃配方活动打开了大门，这些活动考虑了前向过程控制的开发——了解废物和用于制造良好玻璃的干材料中各个成分在设计约束下对关键性能的贡献。
“当前人工智能应用的成功应能进一步扩大灵活性以应对废物的可变性，同时取代旧的配方方法，即配制足够数量的玻璃、熔化和测试，然后将数据添加到我们的知识库中。”