近日，以N.L. Dukhov命名的全俄罗斯自动化研究所与MISIS大学的科学家合作，提出了一种基于人工神经网络的新模型，用于预测核反应堆材料中缺陷的发生。这一研究成果对于制造具有更长使用寿命的抗辐射材料具有重要意义。

核反应堆燃料元件的外壳在运行过程中容易形成缺陷，其中辐射膨胀是一个主要问题。材料在辐射过程中体积逐渐增加，会损害其强度和耐久性。现代快中子反应堆的燃料元件外壳通常采用奥氏体耐热钢，这种材料必须在高剂量辐射下保持其机械性能，同时允许的变形限制在百分之几以内。

目前，预测辐射肿胀主要有两种方法：经验模型和多尺度建模。经验模型虽然可靠，但通用性较差，仅限于特定的材料和条件;而多尺度建模虽然考虑了从原子到宏观的不同层面的物理过程，但在现实条件下的预测准确性仍有待提高。

针对这一问题，NUST MISIS新材料建模与开发实验室的专家Pavel Korotaev表示：“一种有前途的方法是机器学习。人工智能可以根据钢的成分和辐照条件来预测材料的行为。”

研究人员利用这种方法，预测了快中子辐照下的完整膨胀曲线，该曲线作为辐射剂量、反应堆温度和钢成分的函数。Pavel Korotaev补充道：“此前，没有人利用机器学习预测肿胀的整个‘穹顶’。为了训练我们的模型，我们研究了数十种膨胀率高达50%的材料。因此，我们可以高精度预测肿胀，这有助于阐明不同合金材料如何影响耐辐射性。例如，镍、钛、磷、硅和碳等元素可以减少膨胀，但会达到一定限度。”

未来，科学家计划进一步扩展该模型的预测能力，以更全面地评估核反应堆材料的性能。

该研究的详细信息已发表在科学杂志《计算材料科学》上。这项工作得到了俄罗斯科学基金会的支持。