Научници од Pacific Northwest National Laboratory (PNNL) развија модел со вештачка интелигенција што помага попрецизно да се одредат формулите за претворање течен радиоактивен отпад во стакло. Методот е наменет за отпадот од локацијата Ханфорд во САД, каде со децении се складирани сложени мешавини од нуклеарни нуспроизводи.
Процесот, познат како витрификација, вклучува мешање на отпадот со адитиви, загревање на високи температури и полнење на челични контејнери со добиената стаклеста маса. Главниот предизвик е што составот на отпадот значително варира меѓу резервоарите, но и во рамки на ист резервоар, што бара повеќе различни и внимателно избалансирани рецептури.
Истражувачкиот тим обучил машински модел со податоци собирани со децении, за да предвидува кои комбинации овозможуваат повисоко „вчитување“ на отпад во стаклото, без да се нарушат технолошките услови и долгорочната стабилност на материјалот. Резултатите, објавени во Journal of Non-Crystalline Solids, вклучуваат и експериментска проверка на предвидувањата.
Поголемо количество отпад во секој стаклен блок значи помал број конечни контејнери за складирање. Според тимот, и релативно мало намалување на вкупниот број произведени стаклени единици може да има голем ефект врз трошоците, логистиката и времетраењето на целата мисија за санација.
Истражувачите наведуваат дека овој пристап покажува како комбинацијата од материјална наука и AI може да го забрза решавањето на комплексни еколошки и нуклеарни предизвици, особено кај долгорочни програми за безбедно управување со радиоактивен отпад.
