Исследователи из Сколтеха и Института высокотемпературной электрохимии УрО РАН разработали и испытали модель машинного обучения для точного расчета физических свойств расплавов солей с учетом влияния температуры. Расплавленные соли используются в металлургии, а в будущем могут помочь с утилизацией радиоактивных отходов атомных электростанций.
Проблема в том, что промышленно значимые свойства жидких солей трудно измерить в эксперименте из-за высокой температуры и коррозийности. Поэтому для совершенствования технологий производства чистых металлов и атомной энергетики нужны расчетные модели, подобные той, что представлена в Journal of Molecular Liquids. Исследование поддержано грантом РНФ.
Жидкие соли — обширный класс веществ с большим набором промышленно значимых применений. Материаловеды непрерывно совершенствуют состав и характеристики смесей расплавленных солей, чтобы повышать эффективность производства титана, кальция, алюминия и других чистых металлов, а также совершенствовать находящиеся на стадии разработки ядерные реакторы следующего поколения.
Наряду с солнечной и ветроэнергетикой атомные электростанции будут играть ключевую роль в постепенном переходе экономики на безуглеродную модель. При этом реакторы ядерного синтеза сулят много, но пока далеки от реализации. В то же время есть другая, более проработанная технология из области атомной энергетики, для которой как раз нужны расплавы солей с тщательно подобранными физическими и химическими свойствами.
Реакторы на расплавах солей (жидкосолевые реакторы) безопаснее, экологичнее и энергоэффективнее, чем те, что в основном используются сейчас. Их внедрение устраняет риск взрыва водорода, как во время аварии на АЭС в Фукусиме. Вообще, рабочее давление такого альтернативного реактора близко к атмосферному (на действующих АЭС — 75–150 атмосфер), что лучше и в плане безопасности, и по стоимости эксплуатации. Кроме того, в жидкосолевые реакторы можно загружать топливо, не приостанавливая их работу. Более того, рабочая температура в них примерно вдвое выше, чем в современных реакторах. А чем выше температура, тем выше эффективность выработки электрической и тепловой энергии.
Еще в реакторах на расплавах солей можно будет сжигать радиоактивные отходы распространенных сейчас ядерных реакторов — нептуний-237, америций-237 и прочие так называемые минорные актиниды. Сейчас эти опасные отходы приходится захоронять, что крайне дорого и не решает окончательно проблему их накопления. А для жидкосолевых реакторов эти радиоактивные изотопы могли бы стать топливом.
Чтобы раскрыть потенциал жидких солей в ядерной энергетике и в металлургии, инженерам нужно знать свойства этих веществ при разных термодинамических условиях. При этом материаловедам непросто обеспечить эту информацию из-за большого количества возможных химических составов расплавленных солей. Невозможно рассмотреть все комбинации, особенно с проведением натурных экспериментов, которые дороги и трудоемки из-за чрезвычайно высокой коррозийности и температуры расплавов солей.
Результаты исследования прокомментировал его первый автор, научный сотрудник Лаборатории методов искусственного интеллекта для разработки материалов Центра искусственного интеллекта Сколтеха Никита Рыбин: «Направляемый вычислениями поиск расплавов с определенными физико-химическими свойствами может существенно упростить и ускорить развитие ядерных реакторов следующего поколения, поскольку сведет к минимуму потребность в реальных экспериментах.
В этом исследовании мы представили и испытали методологию, которая позволяет рассчитывать термофизические свойства расплавов солей при ненулевых температурах. Результаты таких расчетов для соли под названием FLiNaK (состав: LiF, NaF, KF) соответствуют имеющимся экспериментальным данным, поэтому дальше мы рассмотрим соли других составов, проанализируем дополнительные свойства — так эта методология будет помогать подбору материалов для реакторов следующего поколения».
Предложенное научной группой решение для расчета свойств жидких солей опирается на машинно-обучаемые межатомные потенциалы и молекулярно-динамическое моделирование. Потенциалы обучаются на результатах расчетов, выполненных с квантово-механической точностью. Если бы не машинное обучение, то такие расчеты оказались бы неподъемны с вычислительной точки зрения.