An AI knowledge management tool for nuclear materials properties: application to heat capacity of molten salt

In the context of next-generation nuclear energy systems, molten salts have emerged as promising candidates for both coolant and fuel materials due to their favorable thermophysical properties and high-temperature stability. Among them, the NaCl-UCl3 mixture is receiving increasing attention for potential use in advanced Molten Salt Reactor (MSR). However, the experimental and computational data regarding its thermophysical behavior remain limited, fragmented and difficult to compare due to inconsistent reporting practices and varying data quality. This thesis presents the development of a knowledge management tool based on Artificial Intelligence (AI), aimed at organizing and extrapolating the scattered information available on the heat capacity of the NaCl-UCl3 binary system. The proposed tool integrates data collected from different sources assigning each data point a trust score derived from an original ranking methodology adapted from the Molten Salt Thermophysical Database – Thermophysical Properties (MSTDB-TP) framework. A regression-oriented Artificial Neural Network (ANN) is trained to predict the thermophysical properties of the salt, providing not only a central prediction but also an associated uncertainty estimate. Key techniques such as adaptive sampling, explainability tools, and sensitivity analyses are employed to enhance transparency, robustness and user interaction. The final product is a user-friendly and scalable platform that can visualize the current state of experimental knowledge and support decision-making for future research and developments. The results demonstrate that this method can effectively complement traditional materials research by providing reliable predictions. This work represents a step forward in integrating data-driven approaches into the nuclear materials domain and sets the stage for future acceleration of the nuclear data pipeline.

Nel contesto dei sistemi nucleari di nuova generazione, i sali fusi si stanno affermando come dei candidati molto promettenti sia come fluidi refrigeranti sia come combustibili, grazie alle loro buonissime proprietà termofisiche e alla stabilità alle alte temperature. Tra questi, la miscela NaCl-UCl3 sta attirando crescente interesse per un possibile impiego nei reattori a sali fusi. Tuttavia, i dati sperimentali e computazionali disponibili sul suo comportamento termofisico risultano ancora limitati, frammentati e difficilmente confontabili a causa di pratiche di reportistica non uniformi e di una qualità molto variabile tra le diverse fonti. Questa tesi descrive lo sviluppo di uno strumento, basato su metodologie di intelligenza artificiale, pensato per raccogliere, organizzare e valutare le frammentarie informazioni attualmente disponibili sulle proprietà fisiche della miscela NaCl-UCl3. Lo strumento proposto integra dati provenienti da diverse fonti, attribuendo a ciascun dataset un voto di qualità calcolato attraverso una metodologia di punteggio già proposta nel contesto del MSTDB-TP. Una rete neurale è stata allenata per predire le proprietà termofisiche del sale, fornendo non solo una stima del valore di tale proprietà, ma anche la relativa incertezza. Campionamento adattivo, tecniche di interpretabilità e analisi di sensitività sono state impiegate per aumentare trasparenza, robustezza e interazione con l’utente. Il risultato è una piattaforma intuitiva e scalabile, capace di visualizzare lo stato attuale delle conoscenze sperimentali e di supportare le decisioni nella ricerca e negli sviluppi futuri. I risultati dimostrano che questo approccio può efficacemente affiancare la ricerca tradizionale offrendo previsioni affidabili. Il lavoro rappresenta un notevole passo in avanti nell’integrazione di metodi di intelligenza artificiale nel campo dei materiali nucleari e getta le basi per una futura accelerazione della validazione e qualificazione dei dati nucleari.