第四代核电技术熔盐堆设计面临挑战，AI技术或实现破局
第四代核电技术熔盐堆设计面临挑战，AI技术或实现破局
第四代核电技术熔盐堆的设计面临诸多挑战，但人工智能（AI）技术的介入为这一领域带来了新的突破。美国能源部阿贡国家实验室的研究人员正在利用内部开发的AI技术，探索熔盐组合的特征，以确定最有希望进行进一步研究的熔盐。
核反应堆的发展历史
核反应堆是实现核能利用的装置，又称原子能反应堆。通过合理布置核燃料，反应堆可以发生自持链式核裂变，无需补充中子源。最早的大型核反应堆建于1942年的美国曼哈顿计划期间，在美国芝加哥大学建造了一个7吨铀燃料构成的石墨型反应堆，被命名为“芝加哥一号堆”。
经过近70年的发展，反应堆的演变已历经四代。第一代核反应堆以希平港压水堆（美国）、石墨慢化堆（前苏联）和天然铀重水堆（加拿大）等为代表，其缺点是反应堆功率小，且几乎没有专用的安全装置，安全性差。第二代核反应堆通常为轻水堆，也有部分重水型设计，其技术特征主要是开始使用了安全装置。第三代核反应堆安全措施明显优于二代堆，如中国自主研发出的CAP1400核电站。
第四代核反应堆：在2002年9月19 - 20日在东京召开的第四代核反应堆国际论坛（GIF）的一次会议上达成的协议中提出需要开发的6种能源概念分别是：气冷快堆系统（GFR）、铅合金液态金属冷却快堆系统（LFR）、熔盐反应堆系统（MSR）、液态钠冷却快堆系统（SFR）、超临界水冷堆系统（SCWR）、超高温气冷堆系统（VHTR）。
钍基熔盐堆核能系统（TMSR）
全球首个钍核反应堆将在甘肃武威试运行。根据武威市政府官网此前发布的一则消息，钍基熔盐堆核能系统项目主体工程于2021年5月已基本完工，2021年9月启动调试。
如果试验成功，意味着我国将会成为全球第一个掌握了第四代核能技术的国家，将成为新能源领域的领先者。
随着铀元素开始进入大众视野，大家都默认铀元素就是核燃料，但其实世界上还有另一种没有被使用的核燃料，它甚至比铀元素还要安全100倍，这种元素就是钍。
钍反应堆号称核聚变前的终极能源解决方案。虽然还有局部风险，但已经在很可控的范围之内了。国际知名物理学家叶恭平博士提供了一个数据，他说目前全世界430多座核反应堆只提供了人类2.6%的能源。如果钍反应堆能大规模推广，这个数据将提升到40%-50%的水平。
钍反应堆的概念，上世纪60年代开始，美国、前苏联、日本和法国等都先后投入研发，但是由于材料问题都失败了。科学家们解决不了管道被放射性熔盐腐蚀的问题，加上铀反应堆天然的武器属性，导致钍反应堆多年来少有进展。
目前，国际上公认有六种第四代裂变核反应堆型：超高温堆、超临界水堆、气冷快堆、铅冷快堆、钠冷快堆和熔盐堆。
钍基熔盐堆（Thorium Molten Salt Reactor）简称TMSR，又称液态氟化钍反应堆（Liquid Fluoride Thorium Reactor，LFTR）是第四代核能系统国际论坛（Generation IV International Forum, GIF）六种堆型中熔盐堆（Molten Salt Reactor，MSR）的主要堆型，被认为是未来最安全的反应堆技术之一。
钍基熔盐堆采用熔盐状态燃料以及采用钍-232作为增殖燃料，利用钍-232转化为另外一种核燃料铀-233，然后把铀-233分离出来返回堆中循环使用。
钍基熔盐堆（TMSR）优势
钍基熔盐堆（TMSR）作为第四代核能系统国际论坛上由国际核物理和核能领域专家们定出的六种堆型中熔盐堆的主要堆型，具有之前的核电技术不具有的诸多优势，主要体现在四个方面：
- 钍基熔岩堆安全系数高。
钍基反应堆发电技术是比以往的核电技术反应堆安全得多的核能发电技术，它基本不会出现高温烧毁的情况，因为当反应堆内温度超过预定值时，其底部的冷冻塞就会自动熔化，携带核燃料的熔盐将全部流入应急储存罐中，核反应也就随即终止了，之后反应堆就会迅速降温了。而作为冷却剂的复合型氟化盐在冷却后凝固变成固态盐，基本不会泄露和污染环境。钍比铀元素的辐射量更低，正常情况下钍基反应堆产生的核废料也很少，不到铀和钚核反应堆的1‰，而且其危害可从几万年降低的几百年。所以钍基反应堆被看作是未来核能发电领域最安全的反应堆技术之一。
- 热转换效率更高。
钍基熔岩堆的堆芯燃料是溶解于氟盐中的钍铀混合物，氟盐的熔点为550℃，沸点是1400℃，其工作环境可以实现常压高温（700℃），液态燃料流入改进后的堆芯后达到临界值发生裂变反应产生热能，热量被自身吸收并带走，流出堆芯后重返次临界状态，这样可以做到循环使用，运行时氟盐热容可获得比先前的核电技术更高效率的热能，这代表着热电转换效率更高，其采用布雷顿热循环，热点转换效率可达到45%-50%，高于目前主流反应堆朗肯循环（33%），可是利用热量更大。
理论上，一吨钍可以提供相当于200吨铀，或者350万吨煤所提供的能源。美国科学家正在开发用钍作为核燃料发电的汽车，如果研发成功的话，只需要八克钍就可以让一辆悍马车开96万公里，中途不需要再加燃料。
- 节省水资源，环境兼容性大。
因为钍基反应堆的冷却剂是复合型氟化盐，不像铀和钚反应堆那样需要消耗大量的水资源，所以环境兼容性较大，在缺水的地方也可以建造和运行，选址灵活。
- 地球钍的储量较高，钍资源丰富。
熔盐堆以钍元素为燃料，传统核电使用的铀和钚等非常稀缺，但钍矿资源远比铀和钚更丰富。地球地层中钍的储量较高，远高于铀和钚等元素，如萤石矿中就含有钍，矿产来源要容易得多，我国目前已探明的钍蕴藏量在30万吨以上，诺贝尔物理学奖获得者，卡罗·卢比亚曾经说过，如果用它来发电，按照目前的电能消耗来算，中国钍的储量能够保证未来许多个世纪的发电供应，大致可以使用两万年。
核能作为我国清洁低碳能源，对我国的发展发挥重要作用。尽管我国核能发展依然存在一些问题，如核能建成和运营成本较高，限制核能发展以及核废料处理价格昂贵，难度大等难题，但目前我国核能事业蓬勃发展，无论是规模还是技术，都已进入世界先进行列。
我国于2011年，开启钍基熔盐堆的研究，2018年12月29日，在上海市核学会成立40周年纪念大会上，中国科学院先进核能创新研究院院长徐洪杰表示，我国已在实验室规模全面掌握这一全新领域的核心技术，相关产业链雏形基本形成，将于2030年后在全球率先实现商业应用。
钍基熔盐堆我们起步较晚，现在已经走在了世界各国的前列。
熔盐堆设计挑战
尽管熔盐堆的设计优势为四代堆技术吸引了相当多的关注，但该技术也面临着挑战。
用于在反应堆周围运输燃料和提供传热的盐，必须具有特定的特性。反应堆设计者正在寻找合适温度、密度和粘度的盐组合，这些都与液态盐如何循环和用于从反应中获取热量有关。
熔盐堆区域仍有许多未知因素，例如不同成分盐的不同属性。
事实上，有成千上万种不同的混合物和盐的组合，可以以不同的比例混合并用于反应堆设计。
这使得选择理想盐组合任务变得极其复杂。
现在，为了帮助确定正确的熔盐类型，美国能源部（DOE）阿贡国家实验室的研究人员正在部署内部开发的人工智能（AI）技术，探索熔盐组合的特征，从而确定最有希望进行进一步研究的熔盐。
阿贡国家实验室化学和燃料循环技术部的化学工程师郭继成（音译）解释说：“我们尝试不同的盐成分，将其混合的原因是它们具有不同的属性。另一个考虑因素是，在反应堆环境中，当我们引入铀燃料时，这是一个影响铀浓度的动态过程，因为会促进衰变。”
随着时间的推移，铀浓度会发生变化，这也会影响盐的属性。改变成分，比如密度、粘度、热容这些因素，属性就会改变，这些对核反应堆的运行都非常重要。”
由于难以进行高温衍射实验和解释结果，解开多组分熔盐的液体结构具有挑战性。
“以前，如果我们进行实验来探索这些特征，我们必须准备很多不同的成分，并在高能X射线下观察每一种成分的结构，这很耗时，”郭说，“此外，处理含有放射性元素的高温熔盐非常具有挑战性，成本也非常高，因为我们必须有专业人员来操作这些仪器。”
然而，另一种方法是使用不同的技术对盐进行计算机建模。
反应堆计算机建模
这建模主要为分子动力学模拟，有两种类型。
一种是基于经验力场的经典分子动力学（MD），其中对包含一千到一万个原子的非常大的单元进行建模。
郭说：“我们可以大致了解这个单位的属性，但由于它使用了一些近似值，所以不太准确。”
另一种方法是第一性原理分子动力学（ab initio MD），使用密度函数理论（DFT）对一个可能有一百个原子的非常小的单位进行建模。
“这样做的优势是非常准确，但它只能预测一个非常小的单位行为，所以我们不知道在更长的范围内会发生什么。”郭指出。
为了解决与这两种方法相关的问题，阿贡的研究人员开发了一种基于机器学习的高斯近似势（GAP），能够直接从DFT中学习许多体相互作用。
它结合了这两种计算机模拟的优点，模拟了一个含有数万个原子的非常大的单位，但仍然可以保持第一性原理计算的准确性。
“与这两种技术相比，这是一个巨大的优势。”郭说。
他们的研究旨在确定，由机器学习驱动的计算机模拟是否可以指导和完善现实世界的实验，这些实验随后在DOE科学办公室的用户设施高级光子源（APS）进行。
尽管最初是为特定的熔融氯化锂-氯化钾（LiCl-KCl）盐组合建模的，但AI工具的关键是成分可转移高斯近似势（GAP），正如郭所说：“我认为这项研究的独特之处在于具有成分可转移势的能力，这意味着我们可以预测我们在训练集中没有引入的成分。”
数据集外工作
机器学习通常包括训练计算机根据现有的数据分析各种情况。
阿贡数据科学与学习部助理，计算科学家加内什·西瓦拉曼（Ganesh Sivaraman）说：“机器学习研究的一个主要问题是，不能在训练数据集之外工作。这是许多普通机器学习研究人员正在努力解决的问题。你如何确保这些机器学习工具在训练数据之外的区域工作？”
他补充道：“这里的问题是，在没有训练模型的情况下，如何合并所有训练数据。”
在之前建模工作的基础上，研究人员利用主动学习创建了一个可转移的模型来分析熔盐。
准确的GAP是从10种独特的混合物成分中提取大约1100种训练配置中主动学习的。这些数据被元动力学丰富了。
“机器学习所能做的是学习潜在的非线性，即原子如何在邻域内相互作用。这是从来自最准确数据的训练数据集中学习的。我们可以求解薛定谔方程，直到所选DFT近似的物理极限，本质上我们对一小群原子这样做，然后用它来训练这些机器学习模型。” 西瓦拉曼解释道。
“机器学习模型可以用于运行这些现代求解模拟所需的相同长度尺度，但精度与第一性原理分子动力学计算方法相同。”
“我们使用部分训练的机器学习模型和固定数量的成分，迫使其到一个没有使用元动力学的区域。我们多次打破潜力，以确保它捕捉到所有这些不同的区域，这些区域没有明确包括在训练数据中，我们将其纳入重新训练过程。通过这样的采样，它可以从那里得到无限数量的组合。”
西瓦拉曼说：“我们没有改变成分，而是模拟与成分变化相对应的所有场景，然后迭代地将其纳入机器学习模型。”
这种方法意味着，可转移模型可以应用于多种混合物，而不是适用于一种或两种特定的熔盐混合物成分。
该模型能够基于这些原理，而不是基于知识的数据集进行预测。
在开发了该模型后，使用阿贡领导力计算设施（ALCF）的高性能计算资源进行了机器学习模拟。
相互验证
正如西瓦拉曼所说：“我们没有用那个最佳点（即共晶）成分的例子来训练模型，在那里可以得到正确的熔点。不过，我们的模型成功地预测了那个最佳点，即使没有相应的训练输入。”
对于熔融盐，虽然可以将它们以不同的比例混合，并具有几乎无限的混合物组合，但可以使用该模型来探索有前景的新盐成分。
西瓦拉曼指出：“以上所述表明，你确实可以用机器学习模型来做到这一点，然后用物理实验来验证这些数据，这使科学变得更加严格。这意味着你可以发现与应用程序最相关的盐成分，因为即使你没有用实际数据明确训练过，模型也可以在所有这些成分中计算工作。”
研究人员使用APS的强大X射线来仔细观察特定盐混合物的结构，并使用高能X射线衍射来验证该模型。
APS是这些类型测量的独特工具，该设施的6-ID-D光束线用于验证AI分析。
“模拟通常很难与仪器的读数相匹配，尤其是对于高温模型，但当我们将模拟结果与高能衍射的仪器读数进行比较时，它非常匹配，”郭指出。
他补充道：“我们使用实验结果来验证我们的模拟。同时，模拟结果为我们提供了更多关于哪些盐需要进一步研究的细节。它们相互作用。这使我们能够同时研究多种成分。”
AI应对更复杂的要求
AI可以针对可能的盐组合进行进一步研究，以支持熔盐反应堆开发。
由于反应堆熔盐的可能成分组成如此巨大，试图为每种可能的组成产生实验数据昂贵和耗时，几乎是不可能的。
鉴于时间和金钱成本，人们希望缩小成分计算范围，因此，科学家们转而使用AI，因为最新的机器学习模型可以理解他们没有看过的东西，并可以推断出有价值的数据。
西瓦拉曼说：“我们已经验证了六种从未训练过的不同成分，结果有效，我们甚至对共晶进行了实验验证，这是机器学习领域的第一个重要结果。”
“目前的研究重点是验证已经设计的模型。然后进行部署，以确定反应堆中使用的理想盐混合物。”
事实上，如今的研究人员已经认可了这种方法的可行性，下一步是处理更复杂的数据，这些数据更能反映运行中的熔盐反应堆的实际环境。
“熔盐反应堆是一个非常动态的环境。随着时间的推移，条件会发生变化，有时杂质会进入盐中，”郭说，“我们想引入少量这些杂质，看看该模型能否预测其对熔盐整体结构及其他方面的影响。”
此外，当杂质进入盐中时，它会开始腐蚀那些高温合金，例如为熔盐反应堆开发的特殊合金，称为哈氏合金-N。这些物质也可以进入盐中。
此外，该模型还必须考虑反应堆运行时的衰变产物，以及铀变成不同密度的不同材料。
一旦科学家们完全验证了该模型，目标是输入一系列理想的特性，如密度或热容和熔点，模型将得出正确的组成。
“在下一步，我们将展示我们可以从元素周期表中随机选择熔融盐，将它们混合在一起创建模型。从元素周期图中选择两到三种不同的盐，然后创建模型。不用做物理实验就能弄清楚其中特性。我们现在有了这种能力。” 西瓦拉曼总结道。
这个项目的关键不仅是找到一种具有理想密度和熔点特性的盐组合，还在于确定它在反应堆系统中的实际操作方式。
文章来源： 嘿嘿能源heypower，浙江之江绿色科技创新研究院，生命物理学会