ИИ и реакторы в скважинах: ядерная энергия без риска

Потребление электроэнергии в 2025 году растёт быстрее, чем многие энергокомпании успевают строить новые мощности. Главный драйвер — индустрия вычислений: дата-центры, ИИ-кластеры, промышленная автоматизация. И вот на этом фоне появляется идея, которая звучит дерзко и, честно говоря, сначала вызывает недоверие: опустить ядерный реактор на глубину около 1,6 км в скважину и использовать «вес породы и воды» как естественную защитную оболочку.

Проект Deep Fission — хороший повод поговорить не только о подземных малых модульных реакторах, но и о том, где именно искусственный интеллект в энергетике может дать максимальный эффект: в выборе площадки, управлении рисками, предиктивном обслуживании и интеграции в энергосистему. На мой взгляд, без сильного ИИ-контура такие «скважинные» реакторы просто не взлетят — слишком много неопределённостей в геологии, эксплуатации и регуляторике.

Почему идея «реактор в скважине» вообще появилась

Ключевая логика проста: если перенести активную зону глубоко под землю, можно снизить требования к наземной громоздкой инфраструктуре и одновременно убрать часть сценариев угроз, характерных для наземных АЭС.

Deep Fission предлагает SMR-подход: один модуль (концепт Gravity) рассчитан примерно на 15 МВт, а на одной площадке можно собирать кластеры (например, 10 модулей = 150 МВт), масштабируя до заявленных 1,5 ГВт.

В основе — не экзотика, а классический водо-водяной реактор (PWR) на низкообогащённом уране (то есть ставка делается на «знакомую» физику и цепочки поставок). Новое — это компоновка:

• реакторный модуль опускается в скважину узкого диаметра;
• тепло отводится контуром с подъёмом пара/теплоносителя на поверхность;
• окружающая геология и гидростатическое давление рассматриваются как часть «системы безопасности».

С точки зрения энергетики это попытка дать рынку то, чего ему не хватает зимой 2025/2026 (и дальше): быстро вводимую, предсказуемую базовую генерацию рядом с крупными потребителями.

Что реально выигрывает энергетика — и что вызывает вопросы

Подземное размещение действительно закрывает часть «классических» рисков. Самолёт, ураган, наводнение, внешний удар по зданию — всё это перестаёт быть центральным сценарием.

Но взамен появляются вопросы, которые на поверхности обычно проще:

Теплопотери и гидравлика на километровой «трассе»

Любая передача тепла вверх по длинному каналу — это:

• потери температуры;
• дополнительные требования к изоляции и материалам;
• риск утечек и деградации трубопроводов;
• сложные режимы пуска/остановки.

В комментариях к новости (и это справедливо) всплывает бытовой, но точный инженерный вопрос: что будет с паром/теплоносителем, пока он поднимается по «холодной» скважине почти милю?

Доступность обслуживания и перегрузок топлива

Под землёй «доступ к оборудованию» превращается в проект отдельного уровня сложности. Даже если модуль поднимается наверх для обслуживания, это:

• логистика подъёма/спуска;
• альтернативная защита для персонала;
• новые регламенты работ;
• увеличение времени простоя.

Регуляторика и доказательная база

Реактор, который опирается на геологию как на элемент безопасности, — это неизбежно другой разговор с регулятором. Придётся доказывать не только реакторную часть, но и:

• устойчивость пород;
• движение подземных вод;
• долгосрочную тепломеханическую стабильность;
• надёжность дистанционного мониторинга.

И вот здесь начинается территория, где ИИ в электроэнергетике и в атомной инфраструктуре может быть не «модной надстройкой», а обязательным условием.

Где ИИ делает подземный SMR практичным

Если сформулировать коротко: подземный реактор — это реактор, который нельзя эксплуатировать “вручную по месту” так же, как наземный. Значит, растёт роль датчиков, моделей и алгоритмов.

1) ИИ для выбора площадки и верификации геологии

Самый дорогой провал — выбрать «не ту» геологию. Поэтому в нормальном сценарии площадка должна подтверждаться не презентациями, а данными.

Что даёт ИИ:

• объединение разнородных источников (керн, геофизика, сейсмика, гидрогеология, данные бурения нефтегаза по региону);
• классификация рисков по типам пород и трещиноватости;
• вероятностные карты миграции флюидов;
• автоматический поиск аналогов по историческим месторождениям/скважинам.

Практический результат — быстрее и точнее отсев неподходящих участков, а также «объяснимая» аргументация для регулятора.

2) Цифровой двойник скважины и реакторного модуля

Для подземной компоновки цифровой двойник — не маркетинг. Это способ ответить на вопросы эксплуатации:

• как меняется теплопередача при старении изоляции;
• где возникнут «холодные пробки»/конденсация;
• какие режимы создают термошоки;
• как ведёт себя система при частичных отказах насосов/клапанов.

Сильная связка выглядит так: физическая модель + данные датчиков + ML-модуль для адаптации параметров. Тогда двойник не просто рисует графики, а прогнозирует поведение и предлагает безопасные уставки.

3) Предиктивное обслуживание на основе аномалий

Критичная мысль: если ремонт «глубоко внизу» дорог и медленен, то стратегия обслуживания должна быть другой — профилактика и раннее обнаружение.

ИИ-подходы здесь особенно уместны:

• выявление слабых сигналов деградации (виброакустика, давление, расход, температурные профили);
• обнаружение утечек по косвенным признакам;
• прогноз остаточного ресурса узлов (Remaining Useful Life);
• оптимизация окон обслуживания под график нагрузки и цену электроэнергии.

Это прямой мост к теме серии «Искусственный интеллект в энергетике и электроэнергетике»: умные алгоритмы снижают простои и повышают коэффициент готовности, а значит — улучшают экономику проекта.

4) ИИ для интеграции в сеть и работы с нагрузкой дата-центров

Deep Fission явно смотрит на крупных потребителей вроде дата-центров. Но реальность такая: дата-центр — это не «ровная нагрузка 24/7», а профиль с быстрыми изменениями из-за вычислительных задач и охлаждения.

ИИ здесь решает две задачи одновременно:

• прогнозирование нагрузки (по IT-планированию, телеметрии, погоде, сезонности);
• оптимизация режима станции: насколько держать базу, сколько отдавать в сеть, как взаимодействовать с накопителями и резервом.

На практике наиболее рабочая схема для промплощадки будущего выглядит как гибрид:

• подземный SMR даёт базовую мощность;
• аккумулятор/маховик закрывает пики и быстрые изменения;
• ИИ-диспетчер управляет этим «портфелем» по стоимости, рискам и ограничениям.

Экономика: почему заявления о “дешевле на 70–80%” надо проверять

Заявления о снижении стоимости на 70–80% звучат привлекательно, но для подземного реактора ключевые статьи затрат смещаются:

• бурение и обсадка (даже если отрасль умеет бурить — требования к качеству и контролю будут атомного уровня);
• материалы трубопроводов и герметизация на десятилетия;
• мониторинг (много датчиков, резервирование, кибербезопасность);
• процедуры обслуживания и перегрузок.

Мой практичный вывод: экономика будет держаться не на “дешёвом бетоне”, а на высокой серийности, высоком КИУМ и минимизации внеплановых работ. А значит, ИИ снова становится «частью себестоимости киловатт-часа», а не факультативом.

Какие вопросы стоит задать, если вы — заказчик мощности

Если вы представляете промышленный парк, добывающий кластер, металлургию или дата-центр, перед письмами о намерениях полезно прогнать проект через простой чек-лист:

1. Как устроена система мониторинга на глубине? Какие датчики, какие каналы связи, какое резервирование.
2. Как выглядит план обслуживания? Как часто модуль поднимается, сколько длится простой, что с радиационной защитой при работах.
3. Что заложено по кибербезопасности? Дистанционное управление и телеметрия — это цель №1 для атак.
4. Есть ли цифровой двойник и как он валидируется? На каких данных обучается, как подтверждается корректность.
5. Как решается интеграция в сеть? Есть ли план по накопителям, реактивной мощности, аварийной автоматике.

Если на эти вопросы нет конкретных ответов с цифрами и регламентами, проект пока «на стадии красивой картинки».

Что дальше: подземная атомная генерация как полигон для ИИ

Подземные SMR — это не просто ещё один тип реактора. Это сценарий, где энергетика становится “системой данных”: датчики, модели, дистанционное управление, прогнозирование режимов и обслуживания.

Для нашей серии про ИИ в энергетике здесь особенно важна мысль: чем сложнее инфраструктура для доступа человеку, тем больше ценность ИИ в управлении рисками. Под землю нельзя «съездить и посмотреть». Значит, придётся уметь видеть по данным.

Если вы думаете о таких проектах — как заказчик, девелопер или сетевик — разумный следующий шаг: описать требования к ИИ-контуру (цифровой двойник, предиктивная диагностика, прогноз нагрузки, диспетчеризация) ещё до выбора поставщика реактора. Иначе вы купите «15 МВт железа», а получите годы согласований и сюрпризов в эксплуатации.

Вопрос, который определит судьбу подземных реакторов: кто быстрее научится доказывать безопасность данными — разработчики реакторов или регуляторы, требующие прозрачности этих данных?