以杜霍夫命名的全俄自动化研究所的材料科学家们。他们训练了一个神经网络来计算钢材的辐射膨胀。这对制造长期抗辐射材料非常重要，当然也对预测核反应堆材料的缺陷非常重要。主要研究人员帕维尔-科罗塔耶夫详细介绍了这项工作。钢材在辐照条件下的体积变化通常通过经验模型或数字模型进行预测。第一种方法的缺点是难以将结果应用于新材料和辐照条件。第二种方法的缺点是不准确和耗费大量计算资源。杜霍夫全俄自动化研究所的员工决定在这种情况下采用人工智能。要训练神经网络，就需要数据。我们从公开来源收集数据：文章、评论和报告。“几年来，我们分析了几十种奥氏体钢的材料，有大约一千个例子用于训练。帕维尔-科罗塔耶夫说："这些都是材料科学的标准数据：这里没有大数据，一切都是逐点分析。主要的困难在于协调和验证--既要使用现代研究成果，也要使用 20 世纪 80 年代发表的研究成果。专家是阿列克谢-亚尼尔金，他是开发工作的合作者之一，也是 杜霍夫全俄自动化研究所计算机材料科学部的负责人。对于每条记录，他都就其是否相关发表了意见。在数十个 “试验品 ”中，既有国外的 AISI 316、AISI 321 和 AISI 310 牌号，也有俄罗斯国内的 EK-164 和 CS-68 牌号。它们都属于奥氏体钢--快堆燃料元件包壳的材料。这些钢材耐热、耐腐蚀，能够在液态金属冷却剂的高温和中子通量条件下工作。要开始计算，程序用户需要输入钢的成分和辐照条件。“帕维尔-科罗塔耶夫解释说："您需要说明钢中含有多少镍、铬、硅、钛和其他合金添加剂。 - 钛、镍、磷等添加剂被认为可以减缓膨胀速度，我们的研究证实了这一点。此外，还必须输入辐射剂量，以总结材料中累积的损伤。结果以体积百分比（辐照后材料体积与原始体积之比）表示。该方法的精确度很高，平均误差为两个体积百分比。“工作已经完成，神经网络程序已在互联网上公布，任何用户都可以下载。帕维尔-科罗塔耶夫说："当然，如果钢的成分与我们训练模型时所使用的成分接近，预测结果将是可靠的。也就是说，你可以输入任意一组元件，神经网络会给出答案，但预测值的误差可能会非常大。在工作过程中，设计了专门用于解决材料科学问题的计算机模型的培训方法。在 “2030 年前俄罗斯联邦原子能利用领域的设备、技术和科研发展 ”综合计划框架内，这些模型将非常有用。该工作的开发者计划在与自动合成和优化获得高温导体的技术过程有关的新项目中使用这些知识。奥氏体钢是对铁的一种改性，具有高度合金化的两种成分：铬和镍。铬含量达到 25%，可在钢表面形成一层氧化膜，增强耐腐蚀性。镍（30% 及以上）可稳定奥氏体，提高钢的耐热性。
