Стальной прогноз: как просчитать радиационное распухание стали

Материаловеды Всероссийского научно-исследовательского института автоматики им. Духова (ВНИИА) обучили нейросеть просчитывать радиационное распухание сталей. Это важно для создания материалов, устойчивых к облучению в течение длительного срока, и, конечно, для прогнозирования дефектов в материалах ядерных реакторов. Подробно об этой работе рассказал «СР» ведущий научный сотрудник Павел Коротаев.

Изменение объема стали под воздействием радиации обычно прогнозируется либо с помощью эмпирических моделей, либо через численное моделирование. Недостаток первого способа связан со сложностью переноса результата на новые материалы и условия облучения. Слабые места второго — ​неточность и большая затрата вычислительных ресурсов. Сотрудники ВНИИА решили, что к этому делу стоит подключить искусственный интеллект.

Чтобы натренировать нейросеть, нужны данные. Их собирали в открытых источниках: статьях, обзорах, отчетах. «За пару лет мы проанализировали десятки материалов по аустенитным сталям, для обучения у нас было около тысячи примеров. Это стандартные цифры для материаловедения: здесь нет больших данных, все точечно», — ​рассказывает Павел Коротаев. Основная сложность заключалась в унификации и проверке — ​использовались и современные исследования, и те, что выходили в 1980‑е годы. Экспертом выступил соавтор разработки, начальник отдела компьютерного материаловедения ВНИИА Алексей Янилкин. По каждой записи он давал заключение — ​релевантна ли она.

Среди десятков «подопытных» были как зарубежные марки AISI 316, AISI 321, AISI 310, так и отечественные ЭК‑164, ЧС‑68. Все принадлежат к классу аустенитных сталей — ​материала оболочек твэлов для реакторов на быстрых нейтронах. Жаропрочные и коррозионно-стойкие, эти стали способны работать при высоких температурах и потоках нейтронов в жидкометаллическом теплоносителе.

Для запуска расчета пользователь программы вводит состав стали и условия облучения. «Вам нужно указать, сколько никеля, хрома, кремния, титана и других легирующих добавок содержит сталь, — ​поясняет Павел Коротаев. — ​Считается, что такие добавки, как титан, никель, фосфор, замедляют темпы распухания, и наши исследования это подтверждают». Кроме того, нужно ввести дозу облучения, она суммирует накопленные в материале повреждения. Результат выдается в объемных процентах (отношение объема материала после облучения к изначальному). Точность метода высока, средняя ошибка составляет два объемных процента.

«Работа закончена, программа для нейросети опубликована в интернете, ее может скачать любой пользователь. Естественно, прогноз будет достоверным при условии, что по составу сталь близка к тем, на которых мы обучали модель», — ​уточняет Павел Коротаев. То есть ввести можно любой набор компонентов, нейросеть выдаст ответ, однако ошибка предсказанного значения может быть очень большой.

За время выполнения работы были придуманы способы обучения компьютерных моделей специально для решения материаловедческих задач. Они пригодятся в рамках комплексной программы «Развитие техники, технологий и научных исследований в области использования атомной энергии в РФ на период до 2030 года». Авторы работы планируют использовать эти знания в новых проектах, связанных с автоматизированным синтезом и оптимизацией технологического процесса получения высокотемпературных проводников.

По ссылке — полный набор данных и окончательная модель нейронной сети.

СЛОВАРЬ

Аустенитная сталь — ​модификация железа с высокой степенью легирования двумя компонентами: хромом и никелем. Содержание хрома достигает 25 %, он способствует покрытию поверхности стали оксидной пленкой, усиливающей коррозионную стойкость. Никель (его концентрация — ​30 % и выше) стабилизирует аустенит и увеличивает жаропрочность стали.