Grant: Alliance Grants
Queen's University
$47,250.00
Development of artificial neural networks to analyze micrographs of zirconium-based alloys and hydrides for nuclear power applications
EF 2021-22
Résumé
Nuclear power provides 60% of Ontario's electricity. This energy source is carbon-free and has a small environment footprint. In order to ensure safe, reliable, and economical operation of our reactors, the structural materials of which they are made are regularly inspected. Notably, as the neutrons flowing through the reactor hit the pressure tubes made of zirconium alloys, they displace atoms out of their normal positions, creating nanoscale microstructure that is not observed in other conditions. Also, since the hot pressure tubes are in contact with water, they tend to pick-up hydrogen, and form zirconium hydrides, which also changes the material's mechanical properties. Characterizing radiation-induced microstructures and hydrides necessitates very high resolution instruments, including transmission electron microscopes, which have a resolution of a couple of nanometers (i.e. a few atoms wide). However, analyzing the micrographs produced by these instruments is a tedious, time-consuming task. Currently, the Canadian Nuclear Laboratories (CNL) perform this characterization for the benefit of its clients, including Canadian utilities. Skilled scientists spend countless hours painstakingly analysing these images manually, since the images are often too noisy for standard image filters to be of much help. This Alliance industrial partnership aims at developing neural networks to largely automate the image analysis, and let scientist focus on solving other important challenges in the field of materials science.#(cr)#(lf)60% de l'électricité ontarienne est produite par ses centrales nucléaires. Il s'agit d'une énergie sans émissions de carbone et avec une très petite empreinte environnementale. Afin d'assurer que les réacteurs soient opérés de façon sécuritaire, fiable et économique, les matériaux qui les composent sont régulièrement inspectés. Notamment, les neutrons générés par les réacteurs rentrent en collision avec les tubes à pression composés d'alliage de zirconium. Ils déplacent les atomes de l'alliage hors-position, menant à la création de nanostructures qui ne sont pas normalement présentent dans le zirconium. Aussi, puisque ces tubes sont à haute température et exposés à l'eau, ils accumulent de l'hydrogène, qui forme des hydrures de zirconium, ce qui modifie également les propriétés mécaniques du matériau. Caractériser les nanostructures induites par la radiation et les hydrures nécessite des instruments de très fine résolution, incluant des microscopes à transmission électroniques, qui disposent d'une résolution de quelques nanomètres, soit une taille équivalente à celle de quelques atomes. Cependant, l'analyse de ces micrographies est une tâche pénible, répétitive, qui prend beaucoup de temps. Les Laboratoires Nucléaires Canadiens (LNC) caractérisent ces matériaux pour le compte de ses clients, les producteurs électriques canadiens. Des scientifiques hautement qualifiés analysent ces images à la main, puisque les filtres traditionnels ne fonctionnent pas très bien, parce que ces images sont souvent brouillées. Ce partenariat industriel CRSNG-Alliance vise à mettre sur pied un réseau de neurones artificiel pour assurer une analyse automatisée de ces images. Ainsi, ces scientifiques industriels pourront consacrer leur savoir et leurs énergies à élucider d'autres mystères de la science des matériaux utilisés par l'industrie nucléaire.
Programme
Alliance Grants
Bénéficiaire
Emplacement
Ontario, Canada
Type de bénéficiaire
Academia
Type
Grant
Source
NSERC's Awards Data
Tel que publié
Application id
549836-2020
Name nom
Béland, Laurent Karim
Department département
Mechanical and Materials Engineering
Organization id
29
Institution établissement
Queen's University
Province en
Ontario
Province fr
Ontario
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2021
Competition year année de concours
2020
Award amount
47250
Program id
ALLRP
Program name en
Alliance Grants
Program name fr
Subventions Alliance
Group en
Research partnerships programs
Group fr
Programmes de partenariat
Committee code
96
Committee name en
RPP Internal Decision Cttee
Committee name fr
Cté de décision interne - PPR
Area of application code
302
Area of application group en
Energy resources
Area of application group fr
Ressources d'énergie
Area of application en
Nuclear energy
Area of application fr
Énergie nucléaire
Research subject code
2001
Research subject group en
Materials science and technology
Research subject group fr
Science et technologie des matériaux
Research subject en
Materials structure, properties and testing
Research subject fr
Structure, propriétés et essais des matériaux
Installment
inst:2
Partie
1
Nb partie
3
Application title
Development of artificial neural networks to analyze micrographs of zirconium-based alloys and hydrides for nuclear power applications
Keyword
NSERC
Application summary
Nuclear power provides 60% of Ontario's electricity. This energy source is carbon-free and has a small environment footprint. In order to ensure safe, reliable, and economical operation of our reactors, the structural materials of which they are made are regularly inspected. Notably, as the neutrons flowing through the reactor hit the pressure tubes made of zirconium alloys, they displace atoms out of their normal positions, creating nanoscale microstructure that is not observed in other conditions. Also, since the hot pressure tubes are in contact with water, they tend to pick-up hydrogen, and form zirconium hydrides, which also changes the material's mechanical properties. Characterizing radiation-induced microstructures and hydrides necessitates very high resolution instruments, including transmission electron microscopes, which have a resolution of a couple of nanometers (i.e. a few atoms wide). However, analyzing the micrographs produced by these instruments is a tedious, time-consuming task. Currently, the Canadian Nuclear Laboratories (CNL) perform this characterization for the benefit of its clients, including Canadian utilities. Skilled scientists spend countless hours painstakingly analysing these images manually, since the images are often too noisy for standard image filters to be of much help. This Alliance industrial partnership aims at developing neural networks to largely automate the image analysis, and let scientist focus on solving other important challenges in the field of materials science.#(cr)#(lf)60% de l'électricité ontarienne est produite par ses centrales nucléaires. Il s'agit d'une énergie sans émissions de carbone et avec une très petite empreinte environnementale. Afin d'assurer que les réacteurs soient opérés de façon sécuritaire, fiable et économique, les matériaux qui les composent sont régulièrement inspectés. Notamment, les neutrons générés par les réacteurs rentrent en collision avec les tubes à pression composés d'alliage de zirconium. Ils déplacent les atomes de l'alliage hors-position, menant à la création de nanostructures qui ne sont pas normalement présentent dans le zirconium. Aussi, puisque ces tubes sont à haute température et exposés à l'eau, ils accumulent de l'hydrogène, qui forme des hydrures de zirconium, ce qui modifie également les propriétés mécaniques du matériau. Caractériser les nanostructures induites par la radiation et les hydrures nécessite des instruments de très fine résolution, incluant des microscopes à transmission électroniques, qui disposent d'une résolution de quelques nanomètres, soit une taille équivalente à celle de quelques atomes. Cependant, l'analyse de ces micrographies est une tâche pénible, répétitive, qui prend beaucoup de temps. Les Laboratoires Nucléaires Canadiens (LNC) caractérisent ces matériaux pour le compte de ses clients, les producteurs électriques canadiens. Des scientifiques hautement qualifiés analysent ces images à la main, puisque les filtres traditionnels ne fonctionnent pas très bien, parce que ces images sont souvent brouillées. Ce partenariat industriel CRSNG-Alliance vise à mettre sur pied un réseau de neurones artificiel pour assurer une analyse automatisée de ces images. Ainsi, ces scientifiques industriels pourront consacrer leur savoir et leurs énergies à élucider d'autres mystères de la science des matériaux utilisés par l'industrie nucléaire.