В оболочках тепловыделяющих элементов в ядерных реакторах в процессе эксплуатации образуются дефекты. Одной из основных проблем является радиационное распухание, то есть постепенное увеличение объема материала при облучении, что ухудшает его прочность и долговечность. Для оболочек тепловыделяющих элементов современных реакторов на быстрых нейтронах используют аустенитную жаропрочную сталь. Она должна сохранять свои механические свойства при высоких дозах излучения, при этом допустимая деформация ограничивается несколькими процентами.
Есть два «классических» подхода для предсказания радиационного распухания. Первый — эмпирические модели. Они надежны, но не универсальны, так как ограничены конкретными материалами и условиями. Второй метод — многомасштабное моделирование, учитывающее физические процессы на разных уровнях, от атомного до макроскопического. Он пока недостаточно точен для предсказаний в реальных условиях.
«Перспективным методом является машинное обучение. Искусственный интеллект может предсказать поведение материала, основываясь на составе стали и условиях облучения», — сказал эксперт лаборатории «Моделирование и разработка новых материалов» НИТУ МИСИС Павел Коротаев.
С помощью этого метода исследователи спрогнозировали полный профиль распухания при облучении быстрыми нейтронами в зависимости от дозы радиации, температуры в реакторе и состава стали.
«Ранее полный “купол” распухания с помощью машинного обучения никто не предсказывал. Чтобы обучить нашу модель, мы рассмотрели десятки материалов, которые могут распухать до 50 процентов. В результате мы можем предсказывать распухание с высокой точностью. Это помогло выяснить, как различные легирующие материалы влияют на радиационную стойкость. Например, такие элементы, как никель, титан, фосфор, кремний и углерод, уменьшают распухание, но до определённого предела», — добавил Павел Коротаев.
В будущем ученые планируют расширить возможности модели в области прогнозирования.
Подробности исследования опубликованы в научном журнале Computational Materials Science (Q1). Работа выполнена при поддержке Российского научного фонда (№ 22-12-00193).
