L’intelligence artificielle recadre les études sur les matières nucléaires
L’intelligence artificielle recadre les études sur les matières nucléaires

L'intelligence artificielle recadre les études sur les matières nucléaires
Groupes de défauts représentatifs dans un instantané d'une vidéo TEM in situ acquise pendant 1 MeV Kr2+ irradiation ionique d'un nickel pur à 700 °C. (un) Un cadre d'image TEM in situ avec 320 grappes de défauts (boîtes vertes) et dislocations (boîtes blanches). (être) Les groupes de défauts individuels présentent des contrastes et des représentations différents. (droite). Série d'images TEM in situ de trois groupes de défauts sélectionnés avec des durées de vie différentes. L'intervalle de temps entre les images est marqué en bleu. Dans ces séquences, les cadres entourés de vert indiquent quand un groupe de défauts est devenu visible ; les cadres rouges décrivent son anéantissement et les cadres jaunes marquent le moment où les grappes de défauts semblent soudainement impossibles à distinguer de l'arrière-plan. Crédit: Rapports scientifiques (2022). DOI : 10.1038/s41598-022-19697-1

L'avenir de l'énergie nucléaire, qui peut produire de l'électricité sans émissions nocives, dépend de la découverte de nouveaux matériaux. Un scientifique d'Argonne utilise la vision par ordinateur pour séparer les meilleurs candidats d'un champ encombré.

Si une image peut dire mille mots, imaginez l'histoire image par image qui peut être glanée à partir d'une seule vidéo. Cinq minutes de vidéo contenant 200 images par seconde peuvent produire 60 000 images, un « Moby Dick » visuel. Cela vous semble fastidieux à digérer et à cataloguer ? C'est ce qui explique pourquoi les scientifiques n'analysent généralement pas les vidéos de leurs expériences avec autant de détails.

Wei-Ying Chen, scientifique principal des matériaux au sein du groupe des matériaux nucléaires du Laboratoire national d'Argonne du Département de l'énergie (DOE), expérimente les progrès de l'intelligence artificielle (IA) pour changer cela. L'algorithme de suivi multi-objets (MOT) basé sur l'apprentissage en profondeur qu'il utilise pour extraire les données des vidéos, comme détaillé dans une étude récemment publiée dans Rapports scientifiques, vise à aider les États-Unis à améliorer les conceptions avancées des réacteurs nucléaires. À son tour, l'énergie nucléaire modernisée produirait mieux une électricité sûre et fiable sans émettre de gaz à effet de serre nocifs.

Actuellement, l'énergie nucléaire produit plus d'électricité sur moins de terres que toute autre source d'énergie propre. De nombreux réacteurs nucléaires commerciaux, qui fournissent près de 20 % de l'électricité totale des États-Unis, utilisent des matériaux et une technologie plus anciens. Les scientifiques et les ingénieurs pensent que de nouveaux matériaux et des conceptions avancées pourraient augmenter considérablement le pourcentage d'électricité propre générée par les centrales nucléaires.

"Nous voulons construire des réacteurs avancés qui peuvent fonctionner à des températures plus élevées, nous devons donc découvrir des matériaux résistants à des températures plus élevées et à des doses d'irradiation plus élevées", a déclaré Chen. "Avec les outils de vision par ordinateur, nous sommes sur la bonne voie pour obtenir toutes les données dont nous avons besoin à partir de toutes les images vidéo."

Chen assiste les utilisateurs et mène des expériences à l'installation de microscope électronique à tension intermédiaire (IVEM) d'Argonne, une installation nationale d'utilisateurs et une installation partenaire des installations d'utilisateurs des sciences nucléaires (NSUF) du DOE. L'IVEM (en partie microscope électronique à transmission, en partie accélérateur de faisceaux d'ions) est l'un d'une douzaine d'instruments dans le monde qui permettent aux chercheurs d'observer les changements matériels causés par l'irradiation ionique au fur et à mesure que les changements se produisent (in situ). Cela signifie que des scientifiques comme Chen peuvent étudier les effets de différentes énergies sur les matériaux proposés pour être utilisés dans les futurs réacteurs nucléaires.

Comprendre pourquoi, où et quand les matériaux se décomposent et présentent des défauts dans des conditions extrêmes au cours de leur durée de vie est essentiel pour juger de l'aptitude d'un matériau à être utilisé dans un réacteur nucléaire. Des défauts extrêmement minuscules sont les premiers signes qu'un matériau va se corroder, devenir cassant ou tomber en panne. Au cours des expériences, les défauts se produisent en une picoseconde, soit un billionième de seconde. A haute température, ces défauts apparaissent et disparaissent en quelques dizaines de millisecondes. Chen est un expert des expériences IVEM et a déclaré que même lui avait du mal à tracer et à interpréter des données aussi rapides.

La nature éphémère des défauts au cours des expériences explique pourquoi les scientifiques ne capturaient traditionnellement qu'une poignée de points de données le long de lignes de mesure importantes.

Chen a passé les deux dernières années à développer la vision par ordinateur pour suivre les changements matériels à partir d'expériences enregistrées à l'IVEM. Dans un projet, il a examiné 100 images par seconde à partir de vidéos d'une à deux minutes. Dans un autre, il a extrait une image par seconde dans des vidéos d'une à deux heures.

Semblable au logiciel de reconnaissance faciale qui peut reconnaître et suivre les personnes dans les images de surveillance, la vision par ordinateur de l'IVEM distingue les défauts matériels et les vides structurels. Au lieu d'établir une bibliothèque de visages, Chen construit une vaste collection fiable d'informations sur la résistance à la température, la résilience aux irradiations, les défauts microstructuraux et la durée de vie des matériaux. Ces informations peuvent être tracées pour informer de meilleurs modèles et planifier de meilleures expériences.

L'intelligence artificielle recadre les études sur les matières nucléaires
Mi-microscope électronique à transmission, mi-accélérateur de faisceaux ioniques, l'IVEM d'Argonne est l'un des quelque douze instruments au monde qui permettent aux chercheurs d'étudier les modifications matérielles causées par l'irradiation ionique au fur et à mesure qu'elles se produisent. Chen dirige et facilite les expériences des utilisateurs dans l'installation. Crédit : Seth Hoffman/Laboratoire national d'Argonne.

Chen souligne que le gain de temps - un avantage fréquemment cité du travail assisté par ordinateur - n'est pas le seul avantage de l'utilisation de l'IA et de la vision par ordinateur à l'IVEM. Avec une plus grande capacité à comprendre et à diriger les expériences en cours, les utilisateurs d'IVEM peuvent effectuer des ajustements sur place pour utiliser leur temps à l'IVEM plus efficacement et capturer des informations importantes.

"Les vidéos sont très belles, et nous pouvons apprendre beaucoup d'elles, mais trop souvent, elles sont montrées une fois lors d'une conférence et ne sont ensuite plus utilisées", a déclaré Chen. "Avec la vision par ordinateur, nous pouvons en apprendre beaucoup plus sur les phénomènes observés et nous pouvons convertir la vidéo des phénomènes en données plus utiles."

DefectTrack se révèle précis et fiable

Dans une recherche publiée dans Rapports scientifiquesChen et des co-auteurs de l'Université du Connecticut (UConn) ont présenté DefectTrack, un MOT capable d'extraire des données complexes sur les défauts en temps réel au fur et à mesure que les matériaux étaient irradiés.

Dans l'étude, DefectTrack a suivi jusqu'à 4 378 groupes de défauts différents en une minute seulement, avec des durées de vie allant de 19,4 à 64 millisecondes. Les résultats étaient nettement supérieurs au même travail effectué par des homologues humains.

"Nos évaluations statistiques ont montré que le DefectTrack est plus précis et plus rapide que les experts humains dans l'analyse de la distribution de la durée de vie des défauts", a déclaré le co-auteur et Ph.D. d'UConn. candidat Rajat Sainju.

La vision par ordinateur présente de multiples avantages ; l'amélioration de la vitesse et de la précision en font partie.

"Nous devons de toute urgence accélérer notre compréhension de la dégradation des matériaux nucléaires", a déclaré Yuanyuan Zhu, professeur adjoint de science des matériaux et ingénieur à l'UConn qui a dirigé l'équipe de co-auteurs de l'université. "Les modèles de vision par ordinateur dédiés ont le potentiel de révolutionner l'analyse et de nous aider à mieux comprendre la nature des effets des rayonnements nucléaires."

Chen est optimiste sur le fait que la vision par ordinateur telle que DefectTrack améliorera la conception des réacteurs nucléaires.

"La vision par ordinateur peut fournir des informations qui, d'un point de vue pratique, n'étaient pas disponibles auparavant", a déclaré Chen. "C'est excitant que nous ayons maintenant accès à tellement plus de données brutes d'une signification et d'une cohérence statistiques sans précédent."

Plus d'information: Rajat Sainju et al, DefectTrack : un algorithme de suivi multi-objets basé sur l'apprentissage en profondeur pour l'analyse quantitative des défauts des vidéos TEM in situ en temps réel, Rapports scientifiques (2022). DOI : 10.1038/s41598-022-19697-1

Fourni par Laboratoire National d'Argonne

Citation: L'intelligence artificielle recadre les études sur les matières nucléaires (16 février 2023) récupéré le 18 février 2023 sur

Ce document est soumis au droit d'auteur. En dehors de toute utilisation loyale à des fins d'étude ou de recherche privée, aucune partie ne peut être reproduite sans l'autorisation écrite. Le contenu est fourni seulement pour information.




Source

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Scroll to Top