Técnicas modernas em teoria da probabilidade e aprendizado de máquina estão contribuindo para tornar a energia de fusão uma realidade.

Dispositivos de fusão são máquinas extremamente complexas, com muitos desafios físicos e tecnológicos a serem superados no caminho para o desenvolvimento da energia de fusão.

A unidade de pesquisa de infusão da Universidade de Ghent (UGent) é especializada no campo da ciência de dados, com aplicações para uma ampla variedade de problemas relacionados a dados em dispositivos de fusão baseados em confinamento de plasma magnético. Esta é a linha de pesquisa de fusão em que campos magnéticos fortes são usados ​​para confinar o gás extremamente quente, ou plasma, em uma configuração em forma de donut conhecida como toro.

Tais dispositivos, chamados tokamaks e stellarators, constituem atualmente o tipo mais avançado de máquinas de fusão, e eles provavelmente levarão às primeiras usinas de energia de fusão produtoras de eletricidade. Isto é, se os cientistas de fusão tiverem sucesso em superar uma série de obstáculos científicos e tecnológicos que atualmente se interpõem entre os experimentos de laboratório existentes e uma usina piloto.

Ciência de dados de fusão

Para tornar isso possível, dados de experimentos e simulações de computador precisam ser processados ​​e analisados ​​– muitos dados complexos.

Para garantir a operação segura e eficiente de um dispositivo de fusão , uma infinidade de sensores capturam informações importantes sobre o plasma e uma ampla gama de subsistemas da máquina. Esses sensores fornecem sinais de quantidades como temperatura, densidade, campo magnético, etc.

Mais recentemente, imagens e dados de vídeo têm sido cada vez mais produzidos. Isso leva a volumes massivos de dados que precisam ser processados ​​ou analisados ​​em detalhes. Por exemplo, estima-se que o experimento de fusão do ITER produza até dois petabytes (dois quatrilhões de bytes) de dados por dia. ¹ Além disso, algumas medições precisam estar disponíveis rotineiramente e processadas com atraso mínimo, principalmente para controle de feedback do estado do plasma.

Além do volume de dados e dos requisitos de velocidade de processamento, todas as medições são afetadas pela incerteza em graus variados. Em outras palavras, a medição bruta feita por um sensor (geralmente uma voltagem) fornece uma estimativa das propriedades do plasma ou dos componentes da máquina, mas inevitavelmente isso vem com algum erro de medição. Os cientistas geralmente confiam em modelos físicos para descrever o comportamento do plasma, mas isso também introduz incerteza, pois nenhum modelo é perfeito.

Como resultado, físicos e engenheiros que buscam entender ou controlar melhor plasmas de fusão e dispositivos de fusão enfrentam um desafio assustador ao tentar interpretar seus dados. É aí que entra o trabalho do grupo de infusão da UGent. Estamos na vanguarda dessa pesquisa há mais de 20 anos.

Talvez surpreendentemente, a aplicação de métodos dedicados e avançados para analisar os dados é uma evolução relativamente recente em P&D de fusão. Enquanto métodos estatísticos básicos têm sido usados ​​para estimar tendências em grandes bancos de dados multimáquina, técnicas de análise mais modernas têm visto uma aceitação mais ampla no campo somente há cerca de 10-20 anos.

Também é importante observar que a ciência de dados, no sentido usado aqui, é um campo interdisciplinar que envolve estatística clássica, teoria da probabilidade, aprendizado de máquina, inteligência artificial (IA), bem como métodos para gerenciamento de dados, processamento básico de dados (por exemplo, limpeza de dados), visualização, etc. Portanto, nem todo cientista de dados é um estatístico, enquanto o aprendizado de máquina e a IA cobrem apenas certos aspectos da ciência de dados, cada um com seus próprios pontos fortes e áreas de aplicação.

Na UGent, trabalhamos em diversas áreas em colaboração com diversas outras universidades e laboratórios de fusão ao redor do mundo:

• Descobrindo padrões significativos em conjuntos de dados complexos.
• Modelagem probabilística de propriedades de plasma aparentemente aleatórias, como flutuações turbulentas e eventos plasmáticos repentinos.
• Processamento conjunto de dados de múltiplos sensores para extrair o máximo de informações de uma quantidade mínima de dados.
• Detecção e previsão de eventos inesperados e falhas de componentes de máquinas para otimizar estratégias de manutenção.

Vejamos alguns exemplos para ilustrar essas atividades.

Reconhecimento de padrões para dados de fusão

Em sistemas complexos como um dispositivo de fusão, propriedades importantes que determinam a potência de saída da máquina dependem de muitos outros parâmetros que podem ser controlados, pelo menos até certo ponto, pelos projetistas e operadores da máquina.

Por exemplo, é bem sabido que a capacidade do campo magnético de confinar o calor do plasma melhora com o tamanho do dispositivo. Isso é intuitivamente claro: simplesmente leva mais tempo para o calor escapar de um dispositivo maior. Esta é uma das principais razões pelas quais as máquinas de fusão que usam confinamento magnético são tão grandes.

Mas como exatamente o confinamento de calor depende do tamanho da máquina? Ele é dimensionado proporcionalmente ou há uma relação mais complicada? Responder a essa pergunta é diretamente relevante para o design de novas máquinas. Além disso, há muitos outros parâmetros da máquina que determinam o desempenho em termos de potência de fusão – mais botões para girar a fim de obter as melhores condições.

Uma maneira de caracterizar essas várias dependências depende da análise de grandes bancos de dados consistindo de medições obtidas de muitos experimentos em vários dispositivos de fusão. Então, usando métodos estatísticos especializados, é possível capturar a tendência de confinamento (o tempo de confinamento de energia térmica τ _{E, th} , para ser preciso) em termos de tamanho da máquina e outros parâmetros relevantes.

Isto é ilustrado na Fig. 1, mostrando a tendência aproximadamente linear de confinamento com o raio ^R _geo principal  dos dispositivos. Este resultado foi obtido usando uma atualização recente de um dos principais bancos de dados de fusão, que foi compilado por meio de uma grande colaboração internacional. ²

Além disso, uma vantagem importante dos métodos probabilísticos é que eles permitem quantificar a incerteza das estimativas ou tendências, conforme representado na figura pela faixa de confiança sombreada em vermelho.

Eventos de plasma flutuantes

Outra aplicação onde a probabilidade desempenha um papel importante é na caracterização de fenômenos de plasma flutuantes. Esses são eventos físicos que podem ser extremamente difíceis de descrever ou controlar, exibindo comportamento irregular e aleatório.

Tais eventos são bastante comuns na natureza, variando de terremotos a erupções solares ou padrões complexos de fluxo em rios e oceanos. Em plasmas de fusão, o fluxo de energia e partículas do núcleo de plasma quente para a parede também ocorre de forma irregular e turbulenta.

Em uma escala microscópica, isso causa flutuações locais de propriedades do plasma, como densidade e temperatura. Outros eventos que exibem aleatoriedade ocorrem em escalas muito maiores, como certas instabilidades do plasma. Alguns deles podem causar explosões significativas de calor e partículas que podem representar uma ameaça significativa aos materiais da parede.

A Fig. 2 mostra os picos de emissão de luz da borda do plasma no tokamak JET (Culham Centre for Fusion Energy, Reino Unido) causados ​​por um tipo de instabilidade do plasma chamado modo localizado na borda (ELM). ^3,4 As características dos ELMs, como o tempo entre dois ELMs e o tamanho do ELM, podem variar significativamente de uma explosão para outra, mas também entre diferentes experimentos (descargas de plasma).

Nas três descargas de plasma mostradas, o tempo Δt _ELM  de um ELM para o próximo pode ser muito difícil de prever. No entanto, a distribuição de probabilidade (painéis inferiores) exibe uma estrutura única que pode ser capturada por modelos de probabilidade como as distribuições Gaussiana ou Weibull. Por sua vez, essa abordagem oferece uma melhor compreensão dos mecanismos físicos subjacentes, permitindo-nos, em última análise, mitigar ou evitar totalmente essas grandes e perigosas explosões de plasma.

Fusão de sensores

Uma das principais atividades do grupo está na área de fusão de sensores. Enquanto a fusão de núcleos atômicos fornece a origem da energia de fusão, a fusão de sensores se refere ao processamento conjunto de dados capturados por múltiplos sensores para maximizar as informações obtidas dos experimentos.

Isso certamente não é um luxo, considerando as dificuldades significativas de medição no ambiente de plasma severo, bem como o espaço limitado que estará disponível para sensores em futuros reatores. Usamos uma estrutura probabilística conhecida como inferência bayesiana, em homenagem ao cientista Reverendo Thomas Bayes, que contribuiu para as fundações do campo no século XVIII.

A Fig. 3 mostra uma secção transversal de um possível projeto de uma geração de futuras centrais de fusão de demonstração (DEMO), juntamente com as localizações (pontos coloridos) dos sensores que medem o campo magnético utilizado para confinar o plasma. ⁵

Ao mesclar os dados de todos os sensores usando a estrutura bayesiana, uma reconstrução precisa da posição do plasma dentro do toro se torna possível. Isso é essencial para evitar que o plasma quente toque as paredes do dispositivo, mantendo-o confinado com segurança dentro de sua gaiola magnética. Aplicamos ferramentas semelhantes para medir a concentração de partículas de tungstênio originárias da parede devido à exposição constante ao plasma vazando para fora da gaiola.

A Fig. 4 mostra um exemplo de acúmulo de partículas de tungstênio no plasma central do tokamak WEST, com base em medições de raios X emitidos pelas impurezas de tungstênio.⁶ Novamente, a abordagem probabilística permite estimativas de incerteza, visualizadas pelo mapa de erro no painel direito.

Rumo a uma usina de fusão: detecção de anomalias e manutenção preditiva

Até recentemente, a pesquisa sobre fusão tem sido principalmente o trabalho de cientistas em laboratórios de grande escala e financiados publicamente. No entanto, à medida que a ciência por trás da fusão amadureceu constantemente, o foco das atividades mudou gradualmente para os aspectos tecnológicos. Portanto, o papel dos engenheiros e da indústria de apoio tornou-se cada vez mais importante, a ponto de hoje haver um investimento privado significativo em P&D de fusão. Com parcerias público-privadas em ascensão, esforços conjuntos envolvendo os setores público e privado estão impulsionando o desenvolvimento da energia de fusão. No processo, há uma analogia importante a ser feita com a ascensão da aviação comercial na segunda metade do século XX. Na época, os dados coletados de experimentos em túnel de vento contribuíram para uma indústria aeroespacial em expansão. Em uma linha semelhante, a pesquisa de fusão orientada por dados tem o potencial de acelerar o advento da energia de fusão.

Uma das áreas em que a descoberta centrada em dados pode ajudar a enfrentar desafios tecnológicos é a detecção de anomalias e a manutenção preditiva.

Ao usar sensores para monitorar regularmente ou continuamente a condição de equipamentos ou produtos em um ambiente experimental ou em um ambiente de produção, é possível treinar um modelo de computador para reconhecer eventos anormais na operação ou no estado do sistema monitorado. Isso pode fazer uma diferença crucial na proteção de hardware ou para garantia de qualidade, seja disparando um alarme para permitir intervenção humana ou ativando automaticamente contramedidas para restaurar o sistema ao seu estado nominal.

A manutenção preditiva é uma estratégia que leva isso um passo adiante: usando estatísticas ou técnicas de aprendizado de máquina, um computador pode ser treinado para reconhecer sinais precoces de uma anomalia ou falha futura. Modelos de aprendizado de máquina como redes neurais são especialmente adequados para captar sinais sutis de alerta de uma falha iminente, ao mesmo tempo em que permitem tempo suficiente para tomar as medidas adequadas.

O ambiente complexo de um dispositivo de fusão pode se beneficiar muito dessas novas técnicas que também estão rapidamente ganhando popularidade em muitos setores da indústria.

Alguns exemplos concretos em que trabalhamos são a operação de bombas que garantem o vácuo em dispositivos de fusão e grandes disjuntores que são essenciais para a partida de plasma em tokamaks. Um caso de uso recente, ilustrado na Fig. 5, envolve o monitoramento de componentes de parede com câmeras infravermelhas para detectar ou prever o superaquecimento do material devido à exposição ao plasma. ⁷

Educação de fusão na UGent

Finalmente, como uma unidade de pesquisa em uma universidade, o grupo de infusão também é ativo na educação universitária. Com a P&D de fusão crescendo, há uma forte necessidade de cientistas e engenheiros altamente qualificados para levar a eletricidade de fusão à rede o mais rápido possível.

Como a fusão é um domínio exclusivamente interdisciplinar, mas especializado, nenhuma instituição tem toda a expertise interna necessária para efetivamente treinar alunos de forma abrangente. É por isso que nosso grupo está envolvido na educação sobre fusão em nível internacional há quase 20 anos.

O Mestrado Europeu em Física de Fusão Nuclear e Engenharia (FUSION-EP) é uma colaboração financiada pela UE entre oito instituições de ensino superior em cinco países europeus. ^8,9 Ele oferece um programa de mestrado de dois anos em torno da física de plasmas de fusão e da tecnologia de dispositivos de fusão. Estudantes de todo o mundo entram neste programa para se beneficiar de uma mistura única de expertise oferecida pelas principais universidades parceiras e uma seleção dos principais laboratórios de fusão, incluindo a Organização ITER e a FuseNet, a Rede Europeia para Educação em Fusão.

O programa inclui várias semanas de experimentação em laboratórios de fusão, bem como a oportunidade de conduzir pesquisas de ponta em uma das universidades ou laboratórios parceiros, resultando na tese de mestrado.

Além disso, estamos envolvidos em um programa de doutorado conjunto com a Universidade Técnica Tcheca em Praga, em estreita colaboração com vários laboratórios de fusão renomados, principalmente o Instituto de Física de Plasma da Academia Tcheca de Ciências.

Na infusion, temos orgulho de fazer parte de um esforço que combina dois dos maiores desafios do nosso tempo: fornecimento de energia sustentável e ciência de dados. Por meio de pesquisa original apoiada por fortes fundamentos matemáticos, mas com um olhar atento para o impacto concreto, estamos contribuindo para tornar a energia de fusão uma realidade. Combinado com nossos esforços no treinamento da próxima geração de cientistas e engenheiros de fusão, estamos confiantes de que estamos fazendo uma contribuição tangível para o desenvolvimento da fusão como uma fonte de energia limpa, segura e sustentável.

Referências

1. https://www.iter.org/node/20687/how-manage-2-petabytes-new-data-every-day
2. G. Verdoolaege et al., Nucl. Fusão 61, 076006, 2021
3. G. Verdoolaege et al., Proc. 45ª Conferência EPS sobre Física de Plasma, P2.1078, Praga, 2018
4. J. Alhage, G. Verdoolaege et al., 5ª Reunião Técnica da AIEA sobre Processamento, Validação e Análise de Dados de Fusão, Ghent, 2023
5. J. De Rycke, G. Verdoolaege et al., 21º Congresso Internacional de Física do Plasma, Ghent, 2024
6. H. Wu et al., 21º Congresso Internacional de Física de Plasma, Ghent, 2024
7. L. Caputo et al., 21º Congresso Internacional de Física de Plasma, Ghent, 2024
8. G. Van Oost et al., Eur. J. Física. 42, 024002, 2021
9. https://fusion-ep.eu

Fonte: Innovation News Network

Disponível em: https://www.innovationnewsnetwork.com/data-science-accelerates-fusion-energy-development/53445/