El enfoque combina la física y el aprendizaje automático para evitar interrupciones dañinas al apagar las máquinas de fusión tokamak.
Los tokamaks son máquinas diseñadas para retener y aprovechar la energía solar. Estas máquinas de fusión utilizan potentes imanes para contener un plasma más caliente que el núcleo solar e impulsar los átomos del plasma para que se fusionen y liberen energía. Si los tokamaks pueden funcionar de forma segura y eficiente, algún día podrían proporcionar energía de fusión limpia e ilimitada.
Actualmente, existen numerosos tokamaks experimentales en funcionamiento en todo el mundo, y se están construyendo más. La mayoría son máquinas de investigación a pequeña escala, diseñadas para investigar cómo los dispositivos pueden girar el plasma y aprovechar su energía. Uno de los desafíos que enfrentan los tokamaks es cómo apagar de forma segura y fiable una corriente de plasma que circula a velocidades de hasta 100 kilómetros por segundo, a temperaturas superiores a los 100 millones de grados Celsius.
Estas «reducciones graduales» son necesarias cuando el plasma se vuelve inestable. Para evitar que el plasma siga alterando y potencialmente dañe el interior del dispositivo, los operadores reducen gradualmente la corriente de plasma. Sin embargo, en ocasiones, la propia reducción gradual puede desestabilizar el plasma. En algunas máquinas, las reducciones graduales han causado raspaduras y cicatrices en el interior del tokamak; daños menores cuya reparación requiere tiempo y recursos considerables.
Ahora, científicos del MIT han desarrollado un método para predecir el comportamiento del plasma en un tokamak durante una rampdown. El equipo combinó herramientas de aprendizaje automático con un modelo físico de la dinámica del plasma para simular su comportamiento y cualquier inestabilidad que pueda surgir al reducirse y apagarse. Los investigadores entrenaron y probaron el nuevo modelo con datos de plasma de un tokamak experimental en Suiza. Descubrieron que el método aprendía rápidamente cómo evolucionaría el plasma al reducirse de diferentes maneras. Además, el método alcanzó un alto nivel de precisión utilizando una cantidad relativamente pequeña de datos. Esta eficiencia de entrenamiento es prometedora, dado que cada ejecución experimental de un tokamak es costosa y, en consecuencia, la calidad de los datos es limitada.
El nuevo modelo, que el equipo destaca esta semana en un artículo de acceso abierto en Nature Communications , podría mejorar la seguridad y la fiabilidad de las futuras centrales eléctricas de fusión.
“Para que la fusión sea una fuente de energía útil, debe ser fiable”, afirma el autor principal Allen Wang, estudiante de posgrado en aeronáutica y astronáutica y miembro del Grupo de Disrupción del Centro de Ciencia del Plasma y Fusión (PSFC) del MIT. “Para que sea fiable, necesitamos mejorar la gestión de nuestros plasmas”.
Los coautores del estudio del MIT incluyen a la científica principal de investigación del PSFC y líder del grupo de disrupciones, Cristina Rea, y los miembros del Laboratorio de Sistemas de Información y Decisión (LIDS) Oswin So, Charles Dawson y el profesor Chuchu Fan, junto con Mark (Dan) Boyer de Commonwealth Fusion Systems y colaboradores del Centro Suizo de Plasma en Suiza.
“Un equilibrio delicado”
Los tokamaks son dispositivos de fusión experimentales que se construyeron por primera vez en la Unión Soviética en la década de 1950. Su nombre proviene de un acrónimo ruso que significa «cámara toroidal con bobinas magnéticas». Tal como lo describe su nombre, un tokamak tiene forma toroidal, o de rosquilla, y utiliza potentes imanes para contener y girar un gas a temperaturas y energías lo suficientemente altas como para que los átomos del plasma resultante puedan fusionarse y liberar energía.
Hoy en día, los experimentos con tokamaks son de escala relativamente baja, y pocos se acercan al tamaño y la potencia necesarios para generar energía segura, fiable y utilizable. Las interrupciones en los tokamaks experimentales de baja energía no suelen ser un problema. Sin embargo, a medida que las máquinas de fusión alcancen dimensiones de red, controlar plasmas de mucha mayor energía en todas las fases será fundamental para mantener la operación segura y eficiente de la máquina.
“Las terminaciones de plasma incontroladas, incluso durante la reducción gradual, pueden generar intensos flujos de calor que dañan las paredes internas”, señala Wang. “Con frecuencia, especialmente con los plasmas de alto rendimiento, las reducciones graduales pueden llevar el plasma a límites de inestabilidad. Por lo tanto, se trata de un equilibrio delicado. Actualmente, se presta mucha atención a cómo gestionar las inestabilidades para poder tomar estos plasmas y reducir su potencia de forma segura y rutinaria. Y hay relativamente pocos estudios sobre cómo hacerlo bien”.
Bajando el pulso
Wang y sus colegas desarrollaron un modelo para predecir el comportamiento del plasma durante la desaceleración del tokamak. Si bien podrían haber aplicado herramientas de aprendizaje automático, como una red neuronal, para detectar indicios de inestabilidad en los datos del plasma, se necesitaría una cantidad enorme de datos para que dichas herramientas pudieran discernir los cambios sutiles y efímeros en plasmas de temperatura y energía extremadamente altas, afirma Wang.
En su lugar, los investigadores combinaron una red neuronal con un modelo existente que simula la dinámica del plasma según las reglas fundamentales de la física. Con esta combinación de aprendizaje automático y simulación de plasma basada en la física, el equipo descubrió que solo unos doscientos pulsos de bajo rendimiento y unos pocos pulsos de alto rendimiento eran suficientes para entrenar y validar el nuevo modelo.
Los datos utilizados para el nuevo estudio provinieron del TCV, el «tokamak de configuración variable» suizo, operado por el Centro Suizo de Plasma de la EPFL (Instituto Federal Suizo de Tecnología de Lausana). El TCV es un pequeño dispositivo experimental de fusión que se utiliza con fines de investigación, a menudo como banco de pruebas para soluciones de dispositivos de nueva generación. Wang utilizó los datos de varios cientos de pulsos de plasma del TCV, que incluían propiedades del plasma como su temperatura y energía durante la aceleración, la ejecución y la desaceleración de cada pulso. Entrenó el nuevo modelo con estos datos, lo probó y descubrió que era capaz de predecir con precisión la evolución del plasma dadas las condiciones iniciales de una ejecución específica del tokamak.
Los investigadores también desarrollaron un algoritmo para traducir las predicciones del modelo en «trayectorias» prácticas, o instrucciones de gestión del plasma que un controlador de tokamak puede ejecutar automáticamente para, por ejemplo, ajustar los imanes o la temperatura para mantener la estabilidad del plasma. Implementaron el algoritmo en varias ejecuciones de TCV y descubrieron que producía trayectorias que reducían de forma segura la velocidad de un pulso de plasma, en algunos casos más rápido y sin interrupciones, en comparación con las ejecuciones sin el nuevo método.
“En algún momento, el plasma siempre desaparece, pero lo llamamos disrupción cuando desaparece a alta energía. En este caso, redujimos la energía a cero”, señala Wang. “Lo hicimos varias veces. Y obtuvimos resultados mucho mejores en general. Por lo tanto, teníamos la certeza estadística de que habíamos mejorado”.
El trabajo fue financiado en parte por Commonwealth Fusion Systems (CFS), una empresa derivada del MIT que pretende construir la primera central eléctrica de fusión compacta a escala de red del mundo. La empresa está desarrollando un tokamak de demostración, SPARC, diseñado para producir plasma de energía neta, lo que significa que debería generar más energía de la necesaria para calentar el plasma. Wang y sus colegas trabajan con CFS para encontrar maneras de que el nuevo modelo de predicción y herramientas similares puedan predecir mejor el comportamiento del plasma y evitar costosas interrupciones para permitir una energía de fusión segura y fiable.
“Estamos intentando abordar las cuestiones científicas para que la fusión sea útil de forma rutinaria”, afirma Wang. “Lo que hemos logrado aquí es el comienzo de lo que aún es un largo camino. Pero creo que hemos logrado un buen progreso”.
La investigación recibió apoyo adicional en el marco del Consorcio EUROfusion, a través del Programa de Investigación y Formación de Euratom y fue financiada por la Secretaría de Estado de Educación, Investigación e Innovación de Suiza.
MIT News. J. CH. Traducido al español
