Los tokamaks son máquinas destinadas a sostener y aprovechar el poder del sol. Estas máquinas de fusión usan imanes potentes para contener un plasma más caliente que el núcleo del sol y empujar los átomos del plasma para fusionarse y liberar energía. Si los tokamaks pueden funcionar de manera segura y eficiente, las máquinas podrían algún día proporcionar energía de fusión limpia e ilimitada.
Hoy, hay una serie de tokamaks experimentales en funcionamiento en todo el mundo, con más en marcha. La mayoría son máquinas de investigación a pequeña escala construidas para investigar cómo los dispositivos pueden girar el plasma y aprovechar su energía. Uno de los desafíos que enfrentan Tokamaks es cómo apagar de manera segura y confiable una corriente de plasma que circula a velocidades de hasta 100 kilómetros por segundo, a temperaturas de más de 100 millones de grados centígrados.
Tales “Rampadas” son necesarias cuando un plasma se vuelve inestable. Para evitar que el plasma se interrumpa aún más y dañe potencialmente el interior del dispositivo, los operadores reducen la corriente de plasma. Pero ocasionalmente la reducción en sí puede desestabilizar el plasma. En algunas máquinas, las bases han causado rasguños y cicatrices al interior del Tokamak, daños menores que aún requieren un tiempo y recursos considerables para reparar.
Ahora, los científicos del MIT han desarrollado un método para predecir cómo el plasma en un tokamak se comportará durante una reducción. El equipo combinó herramientas de aprendizaje automático con un modelo de dinámica de plasma basado en física para simular el comportamiento de un plasma y cualquier inestabilidad que pueda surgir a medida que el plasma se reduce y se apaga. Los investigadores capacitaron y probaron el nuevo modelo sobre datos de plasma de un Tokamak experimental en Suiza. Descubrieron que el método aprendió rápidamente cómo el plasma evolucionaría a medida que se ajustaba de diferentes maneras. Además, el método logró 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 los datos de calidad son limitados como resultado.
El nuevo modelo, que el equipo destaca esta semana en un documento de comunicaciones de naturaleza de acceso abierto, podría mejorar la seguridad y la confiabilidad de las futuras centrales de energía de fusión.
“Para que Fusion sea una fuente de energía útil, tendrá que ser confiable”, dice el autor principal Allen Wang, estudiante de posgrado en aeronáutica y astronautia y miembro del grupo de interrupción del MIT’s Plasma Science and Fusion Center (PSFC). “Para ser confiables, necesitamos ser buenos para administrar nuestros plasmas”.
Los coautores del MIT del MIT incluyen al científico principal de la investigación de PSFC y al líder del Grupo de Interrupciones, Cristina Rea, y a los miembros del Laboratorio de Sistemas de Información y Decisión (Lids) Oswin So, Charles Dawson y Profesor Chuchu Fan, junto con Mark (Dan) Boyer de los sistemas de fusión de la Commonwealth y colaboradores del Centro de Plasma suizos en suiza.
“Un delicado equilibrio”
Los tokamaks son dispositivos de fusión experimentales que se construyeron por primera vez en la Unión Soviética en la década de 1950. El dispositivo obtiene su nombre de un acrónimo ruso que se traduce en una “cámara toroidal con bobinas magnéticas”. Tal como lo describe su nombre, un tokamak es toroidal o en forma de rosquilla, y utiliza imanes potentes para contener y girar un gas a temperaturas y energías lo suficientemente altas como para que los átomos en el plasma resultante puedan fusionarse y liberar energía.
Hoy, los experimentos de Tokamak tienen una escala relativamente baja en energía, y pocos se acercan al tamaño y la salida necesarios para generar energía segura, confiable y utilizable. Las interrupciones en los tokamaks experimentales de baja energía generalmente no son un problema. Pero a medida que las máquinas de fusión se escalan hasta las dimensiones a escala de la red, controlar muchos plasmas de energía de mayor energía en todas las fases será primordial para mantener la operación segura y eficiente de una máquina.
“Las terminaciones de plasma incontroladas, incluso durante la reducción, pueden generar intensos flujos de calor que dañan las paredes internas”, señala Wang. “Muy a menudo, especialmente con los plasmas de alto rendimiento, las redadas en realidad pueden acercar el plasma a algunos límites de inestabilidad. Por lo tanto, es un equilibrio delicado. Y ahora hay mucho enfoque ahora en cómo gestionar las inestabilidades de manera rutinaria y de manera confiable tomarlos de manera segura.
Derribando el pulso
Wang y sus colegas desarrollaron un modelo para predecir cómo se comportará un plasma durante la reducción de tokamak. Si bien podrían simplemente haber aplicado herramientas de aprendizaje automático, como una red neuronal para aprender signos de inestabilidades en los datos de plasma, “necesitaría una cantidad de datos desigual” para tales herramientas para discernir los cambios muy sutiles y efímeros en plasmas de energía de alta temperatura extremadamente alta, dice Wang.
En cambio, los investigadores combinaron una red neuronal con un modelo existente que simula la dinámica de plasma de acuerdo con las reglas fundamentales de la física. Con esta combinación de aprendizaje automático y una simulación de plasma basada en la física, el equipo descubrió que solo un par de cientos de pulsos a bajo rendimiento y un pequeño puñado de pulsos a alto rendimiento, eran suficientes para entrenar y validar el nuevo modelo.
Los datos que utilizaron para el nuevo estudio provienen del TCV, el “Tokamak de configuración variable” suizo operado por el Centro de Plasma Suizo en EPFL (el Swiss Federal Institute of Technology Lausana). El TCV es un pequeño dispositivo experimental experimental que se utiliza para fines de investigación, a menudo como lecho de prueba para soluciones de dispositivos de próxima generación. Wang utilizó los datos de varios cientos de pulsos de plasma TCV que incluían propiedades del plasma, como su temperatura y energías durante la reducción, ejecución y reducción de cada pulso. Entrenó al nuevo modelo en estos datos, luego lo probó y descubrió que era capaz de predecir con precisión la evolución del plasma dadas las condiciones iniciales de una ejecución de Tokamak particular.
Los investigadores también desarrollaron un algoritmo para traducir las predicciones del modelo en “trayectorias” prácticas, o instrucciones de manejo de plasma que un controlador Tokamak puede llevar automáticamente a ajustar los imanes o la temperatura mantener la estabilidad del plasma. Implementaron el algoritmo en varias ejecuciones de TCV y descubrieron que produjo trayectorias que redujeron de manera segura 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 desaparecerá, pero lo llamamos una interrupción cuando el plasma desaparece a alta energía. Aquí, redujo la energía a nada”, señala Wang. “Lo hicimos varias veces. E hicimos las cosas mucho mejor en todos los ámbitos. Entonces, teníamos confianza estadística de que mejoramos las cosas”.
El trabajo fue apoyado en parte por Commonwealth Fusion Systems (CFS), un spinot del MIT que tiene la intención de construir la primera planta de energía compacta compacta de fusión a escala de cuadrícula del mundo. La compañía está desarrollando un Tokamak de demostración, SPARC, diseñado para producir plasma de energía neta, lo que significa que debería generar más energía de la que se necesita para calentar el plasma. Wang y sus colegas están trabajando con SFC sobre formas en que el nuevo modelo de predicción y herramientas como este pueden predecir mejor el comportamiento de plasma y evitar interrupciones costosas para permitir una potencia de fusión segura y confiable.
“Estamos tratando de abordar las preguntas de la ciencia para hacer que Fusion rutinariamente sea útil”, dice Wang. “Lo que hemos hecho aquí es el comienzo de lo que sigue siendo un viaje largo. Pero creo que hemos hecho un buen progreso”.
El apoyo adicional para la investigación provino del marco del consorcio Eurofusion, a través del programa de investigación y capacitación de Euratom y financiado por la Secretaría de Estado suizo para la educación, la investigación y la innovación.