Para tornar a energia de fusão um recurso viável para a rede mundial de energia, os pesquisadores precisam entender o movimento turbulento dos plasmas: uma mistura de íons e elétrons girando em vasos de reatores. As partículas de plasma, seguindo as linhas de campo magnético em câmaras toroidais conhecidas como tokamaks, devem ser confinadas por tempo suficiente para que os dispositivos de fusão produzam ganhos significativos de energia líquida, um desafio quando a borda quente do plasma (mais de 1 milhão de graus Celsius) é de apenas alguns centímetros longe das paredes sólidas muito mais frias do navio.
Abhilash Mathews, um Ph.D. candidato no Departamento de Ciência Nuclear e Engenharia trabalhando no Centro de Ciência e Fusão de Plasma do MIT (PSFC), acredita que essa borda de plasma seja uma fonte particularmente rica de perguntas sem resposta. Uma fronteira turbulenta, é fundamental para entender o confinamento do plasma, o abastecimento e os fluxos de calor potencialmente prejudiciais que podem atingir as superfícies do material – fatores que afetam os projetos do reator de fusão.
Para entender melhor as condições de borda, os cientistas se concentram em modelar a turbulência neste limite usando simulações numéricas que ajudarão a prever o comportamento do plasma. No entanto, as simulações de “primeiros princípios” desta região estão entre os cálculos mais desafiadores e demorados na pesquisa de fusão. O progresso poderia ser acelerado se os pesquisadores pudessem desenvolver modelos de computador “reduzidos” que rodam muito mais rápido, mas com níveis quantificados de precisão.
Por décadas, os físicos do tokamak usaram regularmente uma “teoria dos dois fluidos” reduzida em vez de modelos de alta fidelidade para simular plasmas de contorno em experimentos, apesar da incerteza sobre a precisão. Em duas publicações recentes, Mathews começa a testar diretamente a precisão desse modelo de turbulência de plasma reduzido de uma nova maneira: ele combina a física com o aprendizado de máquina.
“Uma teoria bem-sucedida deve prever o que você observará”, explica Mathews, “por exemplo, a temperatura, a densidade, o potencial elétrico, os fluxos. E são as relações entre essas variáveis que definem fundamentalmente uma teoria de turbulência . O que nosso trabalho examina essencialmente é a relação dinâmica entre duas dessas variáveis: o campo elétrico turbulento e a pressão do elétron. ”
No primeiro artigo, publicado na Physical Review E, Mathews emprega uma nova técnica de aprendizado profundo que usa redes neurais artificiais para construir representações das equações que governam a teoria do fluido reduzido. Com esta estrutura, ele demonstra uma maneira de calcular o campo elétrico turbulento a partir de uma flutuação de pressão de elétrons no plasma consistente com a teoria do fluido reduzido. Modelos comumente usados para relacionar o campo elétrico à quebra de pressão quando aplicados a plasmas turbulentos, mas este é robusto mesmo para medições de pressão barulhentas.
No segundo artigo, publicado na Physics of Plasmas, Mathews investiga ainda mais essa conexão, comparando-a com simulações de turbulência de alta fidelidade. Essa comparação inédita de turbulência entre modelos era difícil – senão impossível – de avaliar com precisão. Mathews descobre que em plasmas relevantes para dispositivos de fusão existentes, os campos turbulentos previstos do modelo de fluido reduzido são consistentes com cálculos de alta fidelidade. Nesse sentido, a teoria da turbulência reduzida funciona. Mas, para validá-lo totalmente, “deve-se verificar todas as conexões entre todas as variáveis”, diz Mathews.
O conselheiro de Mathews, o cientista pesquisador principal Jerry Hughes, observa que a turbulência do plasma é notoriamente difícil de simular, mais do que a turbulência familiar vista no ar e na água. “Este trabalho mostra que, sob o conjunto certo de condições, técnicas de aprendizado de máquina baseadas na física podem pintar um quadro completo do plasma de borda flutuando rapidamente, começando com um conjunto limitado de observações. Estou animado para ver como podemos aplique isso a novos experimentos, nos quais essencialmente nunca observamos todas as quantidades que desejamos. ”
Esses métodos de aprendizado profundo baseados na física abrem novos caminhos para testar velhas teorias e expandir o que pode ser observado em novos experimentos. David Hatch, um cientista pesquisador do Instituto de Estudos de Fusão da Universidade do Texas em Austin, acredita que essas aplicações são o início de uma nova técnica promissora.
“O trabalho de Abhi é uma grande conquista com potencial para ampla aplicação”, diz ele. “Por exemplo, dadas medidas diagnósticas limitadas de uma quantidade de plasma específica, o aprendizado de máquina baseado na física poderia inferir quantidades adicionais de plasma em um domínio próximo, aumentando assim as informações fornecidas por um determinado diagnóstico. A técnica também abre novas estratégias para validação de modelo.”
Mathews prevê pesquisas empolgantes à frente. “Traduzir essas técnicas em experimentos de fusão para plasmas de borda real é um objetivo que temos em vista e o trabalho está em andamento”, diz ele. “Mas isso é apenas o começo.”
Publicado em 08/01/2022 11h42
Artigo original:
Estudo original: