مروری کوتاه بر رویکردهای هوش مصنوعی و بینایی ماشین برای تحلیل ریزساختار و مدل سازی آسیب پرتوی در مواد هسته ای

مواد هسته ای مورد استفاده در قلب راکتورها در معرض شار شدید نوترونی، دماهای بالا و تنش های مکانیکی قرار دارند که موجب ایجاد آسیب های پرتوی نظیر تشکیل حلقه های نابجایی، حفرات، تورم، سخت شدگی و تردشدگی می شود. مطالعه این پدیده ها با استفاده از روش های سنتی تجربی و شبیه سازی به دلیل هزینه بالا، زمان بر بودن، محدودیت داده ها و دشواری انجام آزمایش های پرتودهی در دزهای زیاد با چالش های قابل توجهی همراه است. هدف این مقاله مروری بررسی کاربرد و ظرفیت فناوری های هوش مصنوعی، یادگیری ماشین، یادگیری عمیق و بینایی ماشین در تحلیل ریزساختار و مدلسازی آسیب پرتوی در مواد هسته ای است. در این پژوهش، مطالعات اخیر در زمینه به کارگیری این فناوری ها برای تحلیل تصاویر میکروسکوپی، شناسایی و کمی سازی عیوب پرتوی و پیش بینی خواص مکانیکی مواد مورد بررسی و تحلیل قرار گرفته اند. نتایج نشان می دهد که مدل های بینایی ماشین قادرند فرآیند آشکارسازی، رهگیری و تحلیل عیوب ریزساختاری را با سرعت و دقت بالا انجام دهند، همچنین الگوریتم های یادگیری ماشین و شبکه های عصبی می توانند پیش بینی دقیقی از خواصی نظیر استحکام، تسلیم، سختی و تغییرات دمای گذار نرم به ترد در فولادهای مورد استفاده در سامانه های هسته ای ارائه کنند. در مجموع، یکپارچه سازی روش های داده محور با رویکردهای سنتی ضمن کاهش وابستگی به آزمایش های پرهزینه و زمان بر، دقت پیش بینی رفتار مواد را افزایش داده و مسیر توسعه مواد پیشرفته برای راکتورهای نسل چهارم و سامانه های همجوشی هسته ای را هموار می کند.

کلیدواژه ها:

مواد هسته ای ، آسیب پرتوی ، هوش مصنوعی ، یادگیری ماشین ، بینایی ماشین