使用机器学习技术,对核反应堆中的缺陷集群进行高级分析

科学领域:

• 材料科学 材料科学 材料科学
• 核工程 核工程是指核工程.
• 计算物理 计算物理

背景情况:

• 了解辐射下的材料降解对于核反应堆的安全性和寿命至关重要.
• 缺陷的形成和演变对反应堆材料的性能产生重大影响.

研究的目的:

• 用大规模分子动力学数据和机器学习研究反应器压力容器材料中的点缺陷及其集群.
• 开发新的方法,以高效,准确地对缺陷集群进行分类和表征.
• 提供有关辐射机制的见解,并增强反应堆材料的抗辐射能力.

主要方法:

• 从级联碰撞中整合大规模分子动力学 (MD) 数据集.
• 机器学习 (ML) 技术用于缺陷分析的应用.
• 开发一种基于物理特征的新聚类方法,用于缺陷分类和降噪.
• 实施基于组件的缺陷集群配置识别方法,使用双指针格子填充技术.
• 在数以百万计的原子坐标系统上演示了可扩展算法.

主要成果:

• 准确地对缺陷集群进行分类,并确定实验集群形态.
• 对大型原子系统开发的算法展示了可扩展性和稳定性.
• 3D空间分布的可视化和空位和间歇集群的2D空间密度图.
• 精确描述缺陷集群中的空间关系.

结论:

• 该研究提供了对辐射下的材料降解机制的关键见解.
• 开发的方法提高了对反应堆材料缺陷的理解和描述.
• 这项工作有助于提高核反应堆组件的抗辐射性能和延长其使用寿命.