Deep Reinforcement Learning aplicado a un módulo experimental del acelerador de IFMIF-DONES
Fecha:
19/09/2023Palabra clave:
Tipo de Ítem:
masterThesis
Resumen:
Aunque la fusión nuclear tiene el potencial de ser una fuente de energía renovable
y limpia, su extracción se enfrenta a desafíos importantes, como el estudio de los
efectos de la irradiación de neutrones en los materiales del reactor. Con el objetivo de
resolver este problema, el proyecto IFMIF-DONES busca construir una instalación
para generar un espectro de neutrones similar al de una reacción de fusión nuclear.
Dichos neutrones se producen por la colisión de un haz de deuterones acelerado a
altas energías contra un blanco de litio. En este trabajo, se investiga la aplicación
de la Inteligencia Artificial al control autónomo del acelerador lineal de IFMIFDONES.
En concreto, se desarrolla y valida la metodología necesaria para el control
de la posición y las configuraciones geométricas del haz mediante algoritmos Deep
Reinforcement Learning. Los resultados obtenidos en esta fase inicial del proyecto son
alentadores y respaldan la efectividad de este enfoque, ya que los agentes entrenados
logran alcanzar cualquier configuración geométrica de manera óptima y dentro de
las tolerancias predefinidas.
Descripción:
Although nuclear fusion has the potential to be a renewable and clean energy source,
its extraction faces significant challenges, such as the study of the effects of neutron
irradiation on reactor materials. In order to solve this problem, the IFMIF-DONES
project aims to build a facility to generate a neutron spectrum similar to that of a
nuclear fusion reaction. These neutrons are produced by the collision of a deuteron
beam accelerated to high energies against a lithium target. In this work, the application
of Artificial Intelligence to the autonomous control of the IFMIF-DONES linear
accelerator is investigated. Specifically, the methodology required for the control of
the position and geometrical configurations of the beam by means of Deep Reinforcement
Learning algorithms is developed and validated. The results obtained in
this initial phase of the project are encouraging and support the effectiveness of this
approach, since the trained agents manage to achieve any geometric configuration
optimally and within the predefined thresholds.
Ficheros en el ítem
