致力于推动核能复兴
摘要
麻省理工学院助理教授Dean Price介绍了他在核工程领域的工作,重点是通过多物理场建模来提升小型模块化反应堆和微型反应堆的安全性与可靠性。
<p>如今,美国有94座核反应堆在运行,数量超过世界上任何其他国家,这些机组合计提供了全国近20%的电力。Dean Price认为这是一项重大成就,但他相信美国对核能的需求远不止于此,尤其是在人们迫切寻求化石燃料发电厂替代方案的当下。正是出于这个原因,他成为了一名核工程师——确保核技术能够胜任这一关键时刻的重大需求。</p><p>“过去60年来,核能一直是我们国家能源基础设施的重要组成部分,而维护这一基础设施的人数却极少,”Price说道。他是麻省理工学院核科学与工程系(NSE)的助理教授,同时也是Atlantic Richfield能源研究职业发展教授。“成为一名核工程师,你就成为美国负责无碳能源发电的少数精英之一。”</p><p>他热切希望参与这一使命,并为自己设定了毫不 modest 的目标:帮助设计并推动新一代核反应堆的发展,在现有核电机组的安全性、经济性和可靠性基础上更进一步。</p><p>Price从未动摇过这一目标,并且一路上不断获得鼓舞。他说,核工程界“规模不大,关系紧密,而且非常热情。一旦你进入这个领域,大多数人就不愿意再做别的了。”</p><p><strong>揭示物理过程之间的关系</strong></p><p>在伊利诺伊大学厄巴纳-香槟分校读本科时,Price的首个研究项目是分析用于储存乏燃料棒的钢混混凝土容器安全性。这些燃料棒在乏燃料水池中通常冷却数年后,才会转入这些容器储存。他的分析表明这种储存方式相当安全,尽管关于这些燃料容器最终如何处理——即长期处置问题——在美国仍悬而未决。</p><p>2020年进入密歇根大学开始研究生学习后,Price转向了另一项至今仍从事的研究方向。这个被称为多物理场建模的研究领域,关注核反应堆堆芯内各种物理过程如何相互作用——这与逐一研究这些过程的方法形成对比。</p><p>一个关键的过程是中子物理学,研究的是中子在反应堆堆芯内如何运动并引发核裂变,从而产生能量。第二个过程称为热工水力学,涉及对反应堆进行冷却以提取中子产生的热量。多物理场模拟通过分析这两个过程的相互作用,可以展示反应堆发电时带走的热量如何影响中子的行为,因为燃料温度越高,越不容易发生裂变。</p><p>“如果你想改变功率水平,或者对反应堆做任何操作,燃料温度都是你必须知道的关键输入,”Price说。“多物理场建模使我们能够将裂变中子物理过程与热学属性——温度——关联起来。这反过来可以帮助我们预测反应堆在不同条件下的行为。”</p><p>Price表示,针对轻水堆(即目前在运的、装机容量约1,000兆瓦的反应堆)的多物理场建模已经相当成熟。但用于先进反应堆的建模方法——小型模块化反应堆(SMR,装机容量约20至300兆瓦)和微型反应堆(额定功率1至20兆瓦)——则远不够先进。目前全球仅有极少数这类反应堆在运行,但Price正将精力集中在它们身上,因为它们有望以更便宜、更安全的方式发电,同时在功率和尺寸上具有更大的灵活性。</p><p>尽管多物理场模拟为核工业界提供了大量信息,但它们可能需要超级计算机来求解或寻找耦合且极其困难的非线性方程的近似解。为了大幅减轻计算负担,Price正在积极探索人工智能方法,以期在完全绕过那些繁重方程的同时获得类似的答案。自2025年9月加入MIT教职以来,这一直是他研究议程的核心主题。</p><p><strong>人工智能的关键作用</strong></p><p>人工智能和机器学习方法尤其擅长的是从数据中发现隐藏的模式,例如核电站运行关键变量之间的相关性。例如,Price说,“如果你告诉我反应堆的功率水平,它(AI)就能告诉你燃料温度是多少,甚至能告诉你堆芯内三维温度分布。”而且如果这可以在不解任何复杂微分方程的情况下完成,计算成本就能大幅降低。</p><p>Price正在研究AI可能特别有用的几个应用领域,例如帮助设计新型反应堆。“这样我们就可以依赖过去50年发展起来的安全框架来对拟议设计进行安全分析,”他说。“这样一来,AI就不会直接与任何安全关键系统直接交互。”在他看来,AI的角色是增强而非取代既定程序,帮助填补现有知识空白。</p><p>当机器学习模型获得足够的数据进行学习时,它可以帮助我们更好地理解关键物理过程之间的关系——同样无需解非线性微分方程。</p><p>“通过真正确定这些关系,我们可以在早期阶段做出更好的设计决策,”Price说。“当技术开发和部署后,AI可以帮助我们做出更智能的控制决策,使我们能够以更安全、更经济的方式运行反应堆。”</p><p><strong>回馈培育他的社群</strong></p><p>简而言之,他的主要目标之一是将AI的效益带给核工业,他认为其中的可能性广阔且 largely untapped。Price还认为,作为MIT的教授,他处于有利位置,能够推动我们更接近他所设想的核未来。在他看来,他不仅在开发下一代反应堆,还在为培养下一代行业领袖贡献力量。</p><p>去年秋天,Price与KEPCO核科学与工程实践教授Curtis Smith共同教授了一门设计课程,结识了部分 prospective “下一代”成员。对Price来说,这段相识仅持续了几个月,但足以让他发现MIT学生异常积极、勤奋且能干。毫不奇怪,这些正是他希望在自己研究团队的学生身上找到的品质。</p><p>Price清晰记得自己初入该领域时获得的那些支持。如今,他从本科生一步步晋升为教授,积累了丰厚的知识,他希望自己的学生“能体验到我刚进入这个领域时的那种感受”。除了改善核反应堆设计和运行的具体目标外,Price说,“我希望延续那种让我最初爱上核工程的有趣且健康的氛围。”</p>
查看缓存全文
缓存时间: 2026/05/08 08:57
# 致力于推动核能复兴
来源:https://news.mit.edu/2026/working-to-advance-nuclear-renaissance-dean-price-0403
如今,美国有94座核反应堆正在运行,数量超过世界上任何其他国家,这些机组合计提供了全国近20%的电力。在Dean Price看来,这是一项重大成就,但他认为美国需要从核能中获得更多,尤其是在人们迫切寻找化石燃料发电厂替代方案的时刻。他正是出于这个原因成为了一名核工程师——确保核技术能够胜任这一重大需求时刻的任务。
"在过去60年里,核能一直是我国能源基础设施的重要组成部分,而维护这一基础设施的人员数量却极其有限,"Price说道。他是MIT核科学与工程系(NSE)助理教授,同时也是Atlantic Richfield能源研究职业发展教授。"成为一名核工程师,你就成为了美国负责无碳能源发电的少数精英中的一员。"
这是他热切希望参与的一项使命,而他为自己设定的目标也绝不 modest:他希望帮助设计并推动新一代核反应堆,在现有核电机组的安全性、经济性和可靠性基础上更进一步。
Price从未动摇过这一目标,而且一路上不断获得鼓舞。他说,核工程界"规模不大,紧密团结,非常热情。一旦你进入这个领域,大多数人就不想做别的了。"
**揭示物理过程之间的关联**
在伊利诺伊大学厄巴纳-香槟分校读本科期间,Price的第一个研究项目是分析钢制和混凝土储存容器(用于储存反应堆乏燃料棒,这些燃料棒通常需要在水池中冷却数年)的安全性。他的分析表明这种储存方式相当安全,尽管这些燃料容器最终应如何处置的长期问题在美国仍有待解决。
2020年在密歇根大学开始研究生学习后,Price开始了另一项研究,至今仍在继续。这个研究领域被称为多物理场建模,它着眼于核反应堆堆芯中各种物理过程的相互作用——这与逐一研究这些过程的方式形成对比。
一个关键过程是中子学,它研究的是中子如何在反应堆堆芯中运动并引发核裂变,这正是产生能量的过程。第二个过程被称为热工水力学,涉及对反应堆进行冷却以提取中子产生的热量。多物理场模拟分析这两个过程的相互作用,可以展示反应堆发电时带走的热量如何影响中子的行为,因为燃料温度越高,越不容易引发裂变。
"如果你想改变功率水平,或者对反应堆进行任何操作,燃料温度都是一个你需要知道的关键输入参数,"Price说。"多物理场建模使我们能够将裂变中子学过程与热力学属性——温度——关联起来。这反过来可以帮助我们预测反应堆在不同条件下的行为。"
Price表示,针对目前在运的轻水反应堆(装机容量约为1000兆瓦)的多物理场建模已经相当成熟。但针对先进反应堆——小型模块化反应堆(SMR,装机容量约20至300兆瓦)和微型反应堆(额定功率1至20兆瓦)——的建模方法则远不够先进。目前只有极少数这类反应堆在运行,但Price正将精力集中在它们身上,因为它们有望更廉价、更安全地发电,同时在功率和尺寸方面具有更大的灵活性。
尽管多物理场模拟为核工业界提供了大量信息,但它们可能需要超级计算机来求解或寻找耦合且极其困难的非线性方程的近似解。为了大幅减轻计算负担,Price正在积极探索人工智能方法,以期在完全绕过那些繁琐方程的情况下提供类似的答案。这已成为他2025年9月加入MIT教职以来的研究核心主题。
**人工智能的关键作用**
人工智能和机器学习方法尤其擅长的是在数据中找出隐藏的模式,例如核电站运行关键变量之间的相关性。例如,Price说,"如果你告诉我反应堆的功率水平,它(AI)就能告诉你燃料温度是多少,甚至能告诉你堆芯内三维温度分布。"而且如果这能在不解任何复杂微分方程的情况下完成,计算成本就可以大幅降低。
Price正在研究AI可能特别有用的几个应用场景,比如帮助设计新型反应堆。"这样我们就可以依靠过去50年发展起来的安全框架来对拟议设计进行安全分析,"他说。"这样一来,AI就不会直接与任何安全关键系统直接交互。"在他看来,AI的作用是增强既定程序,而非取代它们,帮助填补现有知识空白。
当机器学习模型获得足够多的数据进行学习时,它可以帮助我们更好地理解关键物理过程之间的关系——同样无需解非线性微分方程。
"通过真正厘清这些关系,我们可以在早期阶段做出更好的设计决策,"Price说。"当技术成熟并部署后,AI可以帮助我们做出更智能的控制决策,使我们能够更安全、更经济地运行反应堆。"
**回馈培育他的社群**
简而言之,他的主要目标之一是将AI的优势带入核工业,他认为这方面的可能性广阔且 largely untapped。Price还认为,作为MIT教授,他处于有利位置,能够让我们更接近他所设想的核能未来。在他看来,他不仅在致力于开发下一代反应堆,还在帮助培养该领域的下一代领导者。
Price在去年秋季与Curtis Smith(https://nse.mit.edu/people/curtis-smith/,KEPCO核科学与工程实践教授)联合教授的一门设计课程中,结识了这批"下一代"的潜在成员。对Price来说,这次相识只有短短几个月,但足以让他发现MIT学生异常积极、勤奋且有能力。毫不奇怪,这些正是他希望在自己研究团队的成员身上找到的品质。
Price清晰地记得自己在这个领域迈出第一步时 tentative 的步伐所获得的支持。如今,他已从本科生晋升为教授,并在此过程中积累了大量知识,他希望自己的学生"能体验到我刚进入这个领域时的那种感受。"除了改进核反应堆设计和运行的具体目标外,Price说,"我希望传承那种让我最初爱上核工程的有趣而健康的氛围。"
相似文章
MIT研究人员利用AI揭示材料中的原子缺陷
MIT研究人员在《Matter》期刊上发表论文,介绍了一种AI模型,该模型利用非侵入式中子散射数据对材料中的原子缺陷进行分类和定量分析。该模型可同时检测多种缺陷类型,在不损坏材料的情况下改进半导体及其他材料的表征。
将 AI 应用于下一代聚变能源
DeepMind 宣布与 Commonwealth Fusion Systems 建立研究合作伙伴关系,利用深度强化学习和 TORAX 等离子体模拟器来优化 SPARC 托卡马克的性能,加速实现净聚变能源的目标。
聚变电站模拟器
一款交互式网页模拟器,用户可实时调整聚变电站参数,即时查看Q值、效率与功率流变化。
@pdhsu: 精彩的研究——MIT的Weissman实验室再次取得突破!
该文章强调了MIT Weissman实验室的研究,赞扬了他们最近的贡献。
@su_kidd:今日人物卡:Percy Liang。不仅在造模型——更在定义如何评估它们。斯坦福教授、CRFM主任、HELM 之父。
斯坦福教授兼 CRFM 主任 Percy Liang,凭借 HELM 在 AI 模型评估领域的开创性工作备受瞩目。