Einführung: Die neue Grenze der nuklearen Sicherheit

Die US-amerikanische Nuclear Regulatory Commission (NRC) ist für den sicheren Betrieb ziviler Kernkraftwerke und -materialien verantwortlich. Traditionelle Sicherheitsbewertungen beruhen auf deterministischen Analysen, probabilistischen Risikobewertungen (PRAs) und Expertenurteilen. Die Komplexität moderner Reaktorsysteme, die schiere Menge an Sensordaten und die Notwendigkeit schnellerer, genauerer Entscheidungsfindung treiben jedoch die Integration von künstlicher Intelligenz (KI) und maschinellem Lernen (ML) in NRC-Sicherheitsbewertungen voran. Diese Technologien bieten das Potenzial, subtile Anomalien zu erkennen, Geräteausfälle vorherzusagen und Entscheidungsunterstützung in Echtzeit zu bieten, die menschliches Fachwissen ergänzt. Dieser Artikel bietet einen tiefen Einblick in die Art und Weise, wie KI und ML in das Gewebe der nuklearen Sicherheitsbewertungen eingewoben werden - von Datenintegration und Modellentwicklung bis hin zu regulatorischen Rahmenbedingungen und Zukunftsaussichten.

Die Rolle von AI und ML in NRC-Sicherheitsbewertungen

KI- und ML-Algorithmen eignen sich besonders gut für den Umgang mit den multidimensionalen, hochfrequenten Daten, die von Nuklearanlagen erzeugt werden. Durch das Lernen aus historischen Mustern und die kontinuierliche Aktualisierung mit neuen Informationen können diese Werkzeuge Erkenntnisse liefern, die für menschliche Analysten nicht praktikabel wären, um sie manuell aufzudecken. Das NRC hat dieses Potenzial durch seinen strategischen Plan und die laufenden Forschungspartnerschaften mit nationalen Labors und Industriekonsortien erkannt.

Datenquellen und Integration

Die Grundlage jeder KI/ML-Anwendung in Sicherheitsbewertungen sind Daten. Kernkraftwerke sammeln Daten von Tausenden von Sensoren, die Temperatur, Druck, Durchflussrate, Strahlungspegel und Vibration messen. Wartungsprotokolle, Inspektionsberichte und Vorfalldatenbanken liefern auch umfangreiche textuelle und strukturierte Informationen. Die Integration dieser unterschiedlichen Quellen in einen einheitlichen, sauberen Datensatz ist ein kritischer erster Schritt. Der Reaktorübersichtsprozess (ROP) des NRC verwendet bereits Leistungsindikatoren, und KI kann dies ergänzen, indem sie automatisch Indikatortrends mit den zugrunde liegenden Sensorströmen korreliert. Organisationen wie das Electric Power Research Institute (EPRI) haben Frameworks für die Datenfusion in Kernanwendungen entwickelt (EPRI).

Mustererkennung und Anomalieerkennung

Unüberwachte maschinelle Lerntechniken wie Autoencoder, Clustering-Algorithmen und Einklassen-Unterstützungsvektormaschinen zeichnen sich durch die Erkennung von Abweichungen von normalen Betriebsbedingungen aus, ohne dass beschriftete Fehlerbeispiele erforderlich sind. Beispielsweise kann ein Autoencoder, der auf stundenlangen normalen Schwingungsdaten von Reaktorkühlmittelpumpen trainiert ist, sogar geringfügigen Lagerverschleiß kennzeichnen, bevor er einen Schwellenwert für einen erzwungenen Ausfall erreicht. Das NRC hat die Forschung am Idaho National Laboratory (INL) unterstützt, die die Verwendung von Anomalieerkennung bei simulierten Unfallszenarien demonstriert und eine frühzeitige Erkennung von Kühlmittelsystemverletzungen erreicht.

Predictive Maintenance

Die Vorteile gehen über die Kosteneinsparungen hinaus - die Vermeidung einer ungeplanten Abschaltung reduziert das Risiko von thermischen Zyklen und transienten Bedingungen, die Sicherheitssysteme herausfordern. Eine bekannte Studie des Advanced Test Reactor (ATR) am INL zeigte, dass ein Gradienten-verstärktes Baummodell den Pumpenabbau bis zu 30 Tage im Voraus mit einer Genauigkeit von über 95% vorhersagen kann. Die NRC hat Leitlinien zur Akzeptanz solcher Modelle herausgegeben, wobei die Notwendigkeit einer strengen Validierung gegenüber anlagenspezifischen Daten hervorgehoben wurde.

Risikobeurteilung und Entscheidungsunterstützung

KI und ML verbessern auch die probabilistische Risikobewertung (Probabilistic Risk Assessment, PRA). Traditionelle PRA beruhen auf statischen Ereignisbäumen und Fehlerbäumen, die oft nur bei größeren Änderungen aktualisiert werden. Maschinelles Lernen kann Fehlerwahrscheinlichkeiten dynamisch aktualisieren, basierend auf der Echtzeit-Zustandsüberwachung und Betriebshistorie. Beispielsweise kann ein Bayes-Netzwerk, das aus aktuellen Sensorwerten lernt, die Wahrscheinlichkeit einer Abfolge von Kühlmittelverlusten (Loss-of-Cool-Unfällen) anpassen, wodurch Betreibern und Regulierungsbehörden ein aktuelleres Risikoprofil gegeben wird. Während der Notfallreaktion können Modelle zum verstärkenden Lernen Tausende von möglichen Bedienaktionen simulieren und die optimale Abfolge empfehlen, um die Kernkühlung aufrechtzuerhalten und gleichzeitig die Freisetzungen außerhalb des Standorts zu minimieren. Die Entscheidungshilfeinstrumente des NRC, wie das Reactor Safety Research Program, untersuchen diese Fähigkeiten (NRC Reactor Safety Research).

Technische Grundlagen von AI / ML in der nuklearen Sicherheit

Der erfolgreiche Einsatz von KI und ML in regulierten Umgebungen erfordert ein tiefes Verständnis der Algorithmen, ihrer Stärken und ihrer Grenzen. Im Folgenden untersuchen wir die wichtigsten technischen Ansätze, die für die Sicherheitsmission des NRC relevant sind.

Beaufsichtigtes Lernen für die Fehlerklassifizierung

Wenn markierte Daten aus vergangenen Vorfällen verfügbar sind, können überwachte Lernmodelle (wie zufällige Wälder, Unterstützungsvektormaschinen oder konvolutionale neuronale Netze) Sensorsignaturen in normale, degradierte oder Ausfallzustände klassifizieren. Die Gewinnung großer, markierter Datensätze ist jedoch im Nuklearbereich aufgrund der Seltenheit signifikanter Ereignisse eine Herausforderung. Techniken wie die Erzeugung synthetischer Daten mit physikbasierten Simulatoren (z. B. RELAP5-3D, MELCOR) helfen, diese Einschränkung zu überwinden. Die eigenen Unfallanalysecodes des NRC können verwendet werden, um Tausende von transienten Simulationen zu erstellen, die dann zu Trainingsdaten für ML-Klassifikatoren werden.

Unüberwachtes und halbüberwachtes Lernen

Da normale und anormale Daten ungleich sind, werden häufig unüberwachte Methoden bevorzugt. Semi-überwachtes Lernen nutzt eine kleine Anzahl von markierten Beispielen kombiniert mit einem großen Pool von unmarkierten Daten, was einen pragmatischen Mittelweg bietet. Tiefe generative Modelle, wie z. B. variationale Autoencoder, können die Wahrscheinlichkeitsverteilung normaler Operationen modellieren und unsichtbaren abnormalen Mustern eine geringe Wahrscheinlichkeit zuweisen. Diese Modelle können auch synthetische Daten erzeugen, um andere Algorithmen zu trainieren oder um Menschen im Schleifen zu überprüfen.

Deep Learning und Computer Vision für Inspektionen

Visuelle Inspektionen innerhalb des Containments und um primäre Systemkomponenten herum sind kritisch, aber zeitaufwendig. Deep-Learning-Modelle für Objekterkennung und -klassifizierung können Bilder oder Video-Feeds von Roboter-Crawlern oder Drohnen analysieren, um Korrosion, Risse oder Trümmer zu identifizieren. Das Büro für nukleare Regulierungsforschung des NRC hat Projekte finanziert, bei denen konvolutionale neuronale Netze (CNNs) verwendet werden, um die Erkennung von Spannungsrissen in Edelstahlrohrleitungen zu automatisieren. Ähnliche Techniken werden verwendet, um analoge Messgeräte zu lesen und Anzeigeleuchten in Legacy-Kontrollräumen zu interpretieren.

Natural Language Processing für Incident Reports

Jedes Jahr werden Tausende von Lizenznehmer-Ereignisberichten (LER) und anderen narrativen Dokumenten bei der NRC eingereicht. Pipelines zur Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) können ursächliche Sequenzen extrahieren, Ereignisse kategorisieren und aufkommende Trends identifizieren. Die auf dem Gebiet der Kerntaxonomie ausgebildete Anerkennung benannter Entitäten (Named Entity Recognition, NER) kann spezifische Komponenten, Ursachen und Korrekturmaßnahmen identifizieren. Die Themenmodellierung (z. B. latente Dirichlet-Zuordnung) kann Berichte nach Fehlermodus gruppieren, so dass die Regulierungsbehörden wiederkehrende Probleme in der gesamten Flotte erkennen können. Dieser Berechnungsansatz ergänzt die derzeit von NRC-Analysten durchgeführte Expertenüberprüfung.

Fallstudien und Pilotprogramme

Mehrere Pilotprogramme und Forschungsinitiativen veranschaulichen die reale Anwendung von AI / ML in NRC-Sicherheitsbewertungen.

Autonome Kontroll- und Sicherheitsanalysen von INL

Idaho National Laboratory hat sich mit dem NRC zusammengetan, um die Autonomous Control and Safety Analytics Platform (ACSAP) zu entwickeln. Im Jahr 2023 wurde ACSAP an einem simulierten kleinen modularen Reaktormodell (SMR) getestet. Das System integrierte Echtzeit-Sensordaten vom Prüfstand des Reglers, wandte Online-Anomalieerkennung an und aktualisierte eine dynamische PRA in weniger als einer Sekunde pro Zyklus. Das NRC bewertete die Fähigkeit der Plattform, ein simuliertes, unangetastetes Druckminderer-Überdruckventil korrekt zu identifizieren und eine kontrollierte Abschaltung zu empfehlen.

Westinghouse und Machine Learning für Kraftstoffleistung

Westinghouse Electric Company hat in Zusammenarbeit mit der NRC Modelle für maschinelles Lernen untersucht, um einen Ausfall der Brennstoffverkleidung während der Stromrampen vorherzusagen. Durch die Schulung von jahrzehntelangen Testreaktordaten erreichte ein tiefes neuronales Netzwerk eine Genauigkeit von 98 % bei der Vorhersage, welche Stäbe die verkleidete Ausbeutegrenze überschreiten würden. Die NRC verwendete diese Vorhersagen, um ihre Akzeptanzkriterien für Kraftstoffkonstruktionen unter der 10 CFR 50.46 Regel zu verfeinern.

Die KI der IAEA für Sicherheitspiloten

Die Internationale Atomenergie-Organisation (IAEO) hat ein koordiniertes Forschungsprojekt über KI für nukleare Sicherheit unter Beteiligung des NRC gestartet, das sich auf die Entwicklung bewährter Verfahren für die Validierung von ML-Modellen, die Transparenz und die Quantifizierung von Unsicherheiten konzentriert - Fragen, die für die Akzeptanz dieser Instrumente durch die Regulierungsbehörde direkt relevant sind (IAEO-KI-Aktivitäten.

Herausforderungen und Überlegungen

Trotz des Versprechens steht die Integration von KI und ML in die Sicherheitsbewertungen von NRC vor erheblichen Hürden, die vor einer weit verbreiteten regulatorischen Akzeptanz angegangen werden müssen.

Datenqualität und -sicherheit

Das Sprichwort „garbage in, waste out gilt insbesondere in sicherheitskritischen Bereichen. Sensordrift, Zeitstempelsynchronisationsprobleme und beschädigte Protokolle können Verzerrungen oder falsche Positive hervorrufen. Der NRC verlangt, dass alle in einer Sicherheitsanwendung verwendeten Daten auf genehmigte Mess- und Kalibrierungsverfahren zurückgeführt werden können. Darüber hinaus sind Cybersicherheitsbedenken für KI-Systeme von größter Bedeutung: Kontradiktorische Eingaben könnten einen Anomaliedetektor dazu verleiten, einen echten Fehler zu verpassen. Der NRC-Regulierungsleitfaden 5.71 zur Cybersicherheit bietet eine Baseline, aber KI-spezifische Schwachstellen - wie Modellvergiftung oder Ausweichangriffe - erfordern neue Sicherheitsvorkehrungen.

Modellvalidierung und Verifizierung (V&V)

Traditionelle Nuklearsoftware unterliegt strengen V&V, aber Modelle für maschinelles Lernen sind nicht deterministisch und ihr Verhalten kann sich durch Umschulung ändern. Das NRC hat in Zusammenarbeit mit Sandia National Laboratories einen Rahmen für V&V von ML-Modellen entwickelt, der Stresstests unter Out-of-Distributions-Eingaben, Monotonie-Prüfungen im Einklang mit der Physik und Ensemble-Methoden zur Quantifizierung von Unsicherheit umfasst. Ein Ergebnis dieser Arbeit ist die "AI V&V Toolbox", die Methoden zur Bewertung der Modellrobustheit bietet (DOE Office of Nuclear Energy).

Transparenz und Erklärbarkeit

Regulierungsbehörden und Anlagenbetreiber müssen verstehen, warum ein Modell eine bestimmte Empfehlung abgibt. Deep-Learning-Modelle sind oft „Black Boxes, aber Techniken wie SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations) und Aufmerksamkeitsmechanismen in Transformatoren können lokale Erklärungen liefern. Für Entscheidungen mit hoher Konsequenz erwartet das NRC, dass jede KI-Ausgabe überprüfbar ist und mit den ersten Prinzipien des Ingenieurwissens übereinstimmt. Forschung an der University of Tennessee hat unter einem NRC-Stipendium erklärbare KI-Frameworks hervorgebracht, die sowohl eine Vorhersage als auch eine physikalische Begründung liefern.

Regulatorische und ethische Überlegungen

Das NRC entwickelt aktiv einen technologieinklusiven Rechtsrahmen. 2020 veröffentlichte das NRC den Entwurf eines Weißbuchs über den Einsatz von KI im Regulierungsprozess, in dem Grundsätze wie menschliche Verantwortung, Transparenz und schrittweise Einführung hervorgehoben werden. Ein von der Kommission einberufenes Ethikgremium empfahl, dass KI-Entscheidungen, die zu einer Abschaltung von Anlagen oder einer Eskalation der Sicherheit führen könnten, einen Human-in-the-Loop-Ansatz haben müssen. Das NRC koordiniert sich auch mit der Kernenergie-Agentur der Organisation für wirtschaftliche Zusammenarbeit und Entwicklung (OECD) zur Harmonisierung der KI-Aufsichtsansätze auf internationaler Ebene (NEA.

Verantwortlichkeit und Haftung

Wer ist verantwortlich, wenn ein KI-Modell ein sicherheitskritisches System falsch einschätzt? Die derzeitige Position des NRC ist, dass der Lizenzinhaber die volle Rechenschaftspflicht behält. KI-Systeme werden als Werkzeuge behandelt, die Informationen liefern, nicht als autonome Entscheidungsträger. Dieses Prinzip entspricht der Betonung der Branche auf menschliche Leistung und der Philosophie der Verteidigung in der Tiefe.

Bias und Fairness

Die Schulungsdaten können historische Verzerrungen widerspiegeln, beispielsweise dass bestimmte Anlagenkonfigurationen oder Betriebsbedingungen überrepräsentiert sein können. Wenn sie nicht berücksichtigt werden, könnten Modelle die Risiken für weniger häufige, aber wichtige Szenarien systematisch unterschätzen. Die NRC empfiehlt die Verwendung einer geschichteten Validierung und Sensitivitätsanalyse, um sicherzustellen, dass die Modelle über den gesamten Konstruktionsraum eines Reaktors robust sind.

Die Zukunft der KI in der nuklearen Sicherheit

Mit Blick auf die Zukunft wird die Rolle von KI und ML in NRC-Sicherheitsbewertungen erheblich ausgebaut, was auf drei Faktoren zurückzuführen ist: den Einsatz fortschrittlicher Reaktoren, die Entwicklung digitaler Instrumente und die Reifung von KI-Sicherheitstechniken.

KI für kleine modulare und fortschrittliche Reaktoren

Kleine modulare Reaktoren (SMRs) und Nicht-Leichtwasser-Designs (z. B. geschmolzenes Salz, gasgekühltes Hochtemperatur-System) haben oft weniger Bediener und sind auf automatisierte Steuerungssysteme angewiesen. AI / ML kann Steuerungsstrategien in Echtzeit optimieren und gleichzeitig die Sicherheitsmargen kontinuierlich überwachen. Das NRC überprüft bereits Voranwendungsvorträge, die die Verwendung von KI für Flussabbildung, Shim-Steuerung und sogar Kerndesignoptimierung unter dem "sicher genug" -Lizenzierungsparadigma vorschlagen. Die von der Agentur vorgeschlagene Regel für "technologieinklusive, risikoinformierte, leistungsbasierte" Regulierung (Teil 53 Regelgebung) ermöglicht ausdrücklich den Einsatz von Advanced Analytics.

AI-Driven Predictive und Prescriptive Operations

Über die vorausschauende Wartung hinaus können präskriptive Analysen spezifische Bedieneraktionen oder präventive Wartungspläne empfehlen, um das Risiko zu minimieren. Verstärkungslernagenten, die in High-Fidelity-Simulatoren ausgebildet sind, können Politikräume erkunden, die menschliche Bediener nicht intuitiv in Betracht ziehen würden. Das Forschungsprogramm des NRC evaluiert derzeit einen digitalen Zwilling eines Siedewasserreaktors (BWR), der einen verstärkenden Lernagenten verwendet, um optimale Umwälzpumpengeschwindigkeiten während des Stromaufstiegs zu empfehlen und einen Spielraum für kritischen Wärmefluss zu erhalten.

Human-AI-Zusammenarbeit

Die Zukunft geht nicht darum, Menschen zu ersetzen, sondern sie zu erweitern. Das NRC sieht ein Teaming-Modell für Menschen und KI vor, bei dem KI Datenfusion, Mustererkennung und Szenariogenerierung übernimmt, während Expertenanalysten sich auf das Denken, die Entscheidungsfindung unter Unsicherheit und den Umgang mit neuen Situationen konzentrieren. Schulungsprogramme für Reaktorbetreiber und NRC-Inspektoren werden KI-Kenntnisse integrieren, um dem Personal zu helfen, Modellergebnisse zu interpretieren und zu identifizieren, wenn ein Modell unzuverlässig sein könnte.

Kontinuierliches Lernen und Anpassung

Da sich die Flotte weiterentwickelt und neue Betriebsdaten verfügbar werden, müssen ML-Modelle unter Wahrung der Sicherheit aktualisiert werden. Techniken wie kontinuierliches Lernen und föderiertes Lernen (bei dem Modelle über mehrere Anlagen hinweg ohne gemeinsame Nutzung von Rohdaten trainiert werden) werden erforscht. Der Rechtsrahmen der NRC für diese „lebenden Modelle ist ein aktiver Entwicklungsbereich, der vom Nuclear Energy Institute (NEI) bereitgestellt wird.

Schlussfolgerung

Die Integration von KI und maschinellem Lernen in die Sicherheitsbewertungen von NRC stellt einen bedeutenden Fortschritt bei der Mission zum Schutz der öffentlichen Gesundheit und Sicherheit dar. Von der vorausschauenden Wartung und dynamischen Risikobewertung bis hin zu Computer Vision und Verarbeitung natürlicher Sprache bieten diese Werkzeuge die Möglichkeit, Risiken schneller und präziser als je zuvor zu erkennen und darauf zu reagieren. Ihre Einführung muss jedoch von einer strengen Validierung, Transparenz und einem unerschütterlichen Bekenntnis zum Grundsatz geleitet werden, dass Menschen letztendlich für Sicherheitsentscheidungen verantwortlich bleiben. Durch die fortgesetzte Zusammenarbeit zwischen dem NRC, nationalen Laboratorien, der Industrie und internationalen Partnern können KI und ML genutzt werden, um die Sicherheit der Kernenergie für kommende Generationen nicht nur zu erhalten, sondern zu stärken.