Introducción: La nueva frontera de la seguridad nuclear

La Comisión Reguladora Nuclear de los Estados Unidos (NRC) es responsable de garantizar el funcionamiento seguro de las centrales y materiales nucleares civiles. Las evaluaciones de seguridad tradicionales dependen del análisis determinístico, las evaluaciones de riesgos probabilistas (PRAs) y el juicio experto. Sin embargo, la complejidad de los sistemas de reactores modernos, el volumen de datos de sensores y la necesidad de una adopción de decisiones más rápida y precisa están impulsando la integración de la inteligencia artificial (AI) y el aprendizaje automático (ML)

El papel de la AI y la LM en las evaluaciones de la seguridad de la RN

Los algoritmos de IA y ML son especialmente adecuados para manejar los datos multidimensionales y de alta frecuencia generados por las instalaciones nucleares. Al aprender de patrones históricos y actualizar continuamente con nueva información, estas herramientas pueden ser información superficial que sería poco práctico para que los analistas humanos descubrieran manualmente. La RN ha reconocido este potencial a través de su Plan Estratégico] y las asociaciones de investigación en curso con laboratorios nacionales.

Fuentes de datos e integración

El IINI basa cualquier aplicación de IA/ML en evaluaciones de seguridad es datos. Las plantas nucleares recopilan datos de miles de sensores que miden temperatura, presión, caudal, niveles de radiación y vibración. Los registros de mantenimiento, informes de inspección y bases de datos de incidentes también proporcionan información rica en texto y estructura. Integrar estas fuentes dispares en un conjunto de datos unificado y limpio es un primer paso crítico.

Reconocimiento de Patrones y Detección de Anomalía

Técnicas de aprendizaje automático no supervisadas, como autoencoders, algoritmos de agrupación y máquinas vectoriales de soporte de una clase, sobresalen en identificar las desviaciones de las condiciones normales de operación sin requerir ejemplos etiquetados de fallas. Por ejemplo, un autoencoder entrenado en horas de datos de vibración de bomba refrigerante de reactores normales puede marcar incluso el desgaste menor de los rodamientos antes de alcanzar un umbral para una salida forzada.

Mantenimiento predictivo

El mantenimiento predictivo (PdM) es una de las aplicaciones más maduras de ML en entornos nucleares. Combinando datos de sensores con registros históricos de fallas, modelos de regresión o redes neuronales recurrentes (RNNs) puede prever la vida útil restante (RUL) de componentes tales como válvulas, bombas y mecanismos de control de la unidad de barras.

Evaluación de riesgos y apoyo a las decisiones

Las herramientas de investigación de los sistemas de control de seguridad (PRA) y de los sistemas de control de seguridad (INC) son también el mejor funcionamiento de los modelos de respuesta de los usuarios.

Fundaciones técnicas de AI/ML en seguridad nuclear

El exitoso despliegue de AI y ML en entornos regulados requiere una comprensión profunda de los algoritmos, sus fortalezas y sus limitaciones. A continuación, examinamos los enfoques técnicos clave relevantes para la misión de seguridad de la NRC.

Aprendizaje supervisado para clasificación por defecto

Cuando se pueden etiquetar datos de incidentes pasados, modelos de aprendizaje supervisados (como bosques aleatorios, máquinas vectoriales de apoyo o redes neuronales convoces) pueden clasificar firmas de sensores en estados normales, degradados o de fracaso. Sin embargo, obtener conjuntos de datos grandes y etiquetados es un reto en el dominio nuclear debido a la rareza de eventos significativos.

Aprendizaje no supervisado y semisupervisado

Dado el desequilibrio de los datos normales vs. anómalos, se prefieren métodos no supervisados. El aprendizaje semisupervisado hace uso de un pequeño número de ejemplos etiquetados combinados con un gran grupo de datos no etiquetados, ofreciendo un terreno medio pragmático. Los modelos generativos profundos, como los autoencoders de variación, pueden modelar la distribución de probabilidad de operaciones normales y asignar una baja probabilidad de modelos sintéticos.

Deep Learning and Computer Vision for Inspections

Las inspecciones visuales dentro de la contención y alrededor de los componentes del sistema primario son críticas pero consumen tiempo. Los modelos de aprendizaje profundo para la detección y clasificación de objetos pueden analizar imágenes o vídeos de rastreadores robóticos o drones para identificar la corrosión, las grietas o los escombros. La Oficina de Investigación Reguladora Nuclear de NRC ha financiado proyectos utilizando redes neuronales convolutivas para automatizar la detección de la grisión de la corrosión de presión de acero inoxidable.

Procesamiento de lenguaje natural para informes de incidentes

Miles de informes de eventos licenciados (LER) y otros documentos narrativos se presentan al NRC cada año. Los conductos de procesamiento de idiomas naturales (NLP) pueden extraer secuencias causales, clasificar eventos e identificar tendencias emergentes. El reconocimiento de entidad nombrada (NER) entrenado en taxonomía nuclear puede identificar componentes específicos, causas profundas y acciones correctivas.

Estudios de Casos y Programas Pilotos

Varios programas piloto e iniciativas de investigación ilustran la aplicación real de AI/ML en evaluaciones de seguridad de la Comisión Nacional de Reformas.

Análisis de control y seguridad autónomos de INL

El Laboratorio Nacional de Idaho se ha asociado con el NRC para desarrollar la Plataforma de Análisis de Control y Seguridad Autónomos (ACSAP). En 2023, ACSAP fue probado en un modelo de reactor modular pequeño simulado (SMR). El sistema integró datos de sensores en tiempo real del centro de control de la válvula, aplicó la detección de anomalías en línea y actualizó un PRA dinámico en menos de un segundo por ciclo.

Westinghouse y Machine Learning para el rendimiento del combustible

Westinghouse Electric Company, en colaboración con el NRC, ha explorado modelos de aprendizaje automático para predecir fallo de cierre de combustible durante las rampas de energía. Mediante la capacitación en décadas de datos del reactor de prueba, una red neuronal profunda alcanzó la precisión del 98% en la predicción de qué barras violarían el límite de rendimiento de la clad. El NRC utilizó estas predicciones para perfeccionar sus criterios de aceptación para los diseños de combustible bajo la regla 10 CFR 50.46.

El piloto de inteligencia artificial del OIEA para la seguridad

El Organismo Internacional de Energía Atómica (OIEA) ha puesto en marcha un proyecto de investigación coordinado sobre la IA para la seguridad nuclear, con la participación del Centro Nacional de Investigación. El proyecto se centra en desarrollar prácticas óptimas para la validación de modelos de ML, la transparencia y la cuantificación de incertidumbres, que son directamente pertinentes para la aceptación por el regulador de estos instrumentos (] Actividades AIIAEA]).

Retos y consideraciones

A pesar de la promesa, la integración de la AI y la LM en las evaluaciones de la seguridad de la RN se enfrenta a obstáculos importantes que deben abordarse antes de una aceptación reglamentaria generalizada.

Calidad y seguridad de los datos

El adage “garbage in, waste out” es especialmente cierto en los dominios críticos de seguridad. Sensor deriva, problemas de sincronización de tiempo y registros dañados pueden introducir sesgos o falsos positivos. La NRC requiere que cualquier dato utilizado en una aplicación de seguridad sea rastreable para procedimientos de medición y calibración aprobados. Además, las preocupaciones de ciberseguridad para los sistemas de IA son primordiales: los insumos de adversarios pueden engañar un detector de anomalías reales en un ciberdesapare

Validación y verificación modelo (V tercioV)

El software nuclear tradicional se somete a rigurosos V C.V., pero los modelos de aprendizaje automático no son deterministas y su comportamiento puede cambiar con la reeducación. La NRC, en cooperación con los Laboratorios Nacionales de Sandia, ha desarrollado un marco para V C.V. de modelos ML que incluye pruebas de estrés bajo insumos de distribución, cheques de monotónica consistentes con física y métodos conjuntos para cuantificar la incertidumbre.

Transparencia y Explicabilidad

Los reguladores y operadores de plantas necesitan entender por qué un modelo hizo una recomendación particular. Los modelos de aprendizaje profundo son a menudo “cajas negras”, pero técnicas como SHAP (Explanaciones de Aditivos de SHAP), LIME (Explicaciones de Modelo-Agnóstico Local Interpretable), y mecanismos de atención en transformadores pueden proporcionar explicaciones locales. Para decisiones de alta calidad, el NRC espera que cualquier salida AI sea auditable y consistente con la ingeniería de primera prioridad.

Consideraciones normativas y éticas

El NRC está desarrollando activamente un marco regulatorio que incluye tecnología. En 2020, el NRC publicó un proyecto de documento blanco sobre el uso de la IA en el proceso regulatorio, destacando principios como la responsabilidad humana, la transparencia y la adopción incremental. Un panel de ética convocado por la Comisión recomendó que las decisiones de la IA que pudieran conducir a una reducción de la planta o una escalada de seguridad tengan un enfoque humano en el campo de control.

Responsabilidad y responsabilidad

¿Quién es responsable si un modelo AI juzga mal un sistema de seguridad crítica? La posición actual del NRC es que el titular de la licencia mantiene plena responsabilidad. Los sistemas AI son tratados como herramientas que proporcionan información, no como responsables autónomos de la decisión. Este principio se alinea con el énfasis de la industria en el desempeño humano y la filosofía de Defensa en Profundidad.

Bias y equidad

Los datos de capacitación pueden reflejar los prejuicios históricos, por ejemplo, ciertas configuraciones de plantas o condiciones de funcionamiento pueden estar sobrerrepresentados. Si no se abordan, los modelos podrían subestimar sistemáticamente los riesgos para escenarios menos comunes pero importantes. El NRC recomienda utilizar validación estratificada y análisis de sensibilidad para asegurar que los modelos sean robustos en todo el espacio de diseño de un reactor.

El futuro de la IA en la seguridad nuclear

En el futuro, se ha establecido que el papel de la AI y la ML en las evaluaciones de la seguridad de la Comisión Nacional de Reformas se expanda significativamente, impulsado por tres factores: el despliegue de reactores avanzados, la evolución de la instrumentación digital y la maduración de técnicas de seguridad de la AI.

AI para pequeños reactores modulares y avanzados

Los pequeños reactores modulares (SMR) y los diseños no de agua ligera (por ejemplo, sal fundida, refrigerada por gas de alta temperatura) a menudo tienen menos operadores y dependen de sistemas de control automatizados. AI/ML puede optimizar las estrategias de control en tiempo real mientras monitorea continuamente los márgenes de seguridad. El NRC ya está revisando los soportes de pre-application que proponen usar la norma de flujo, control de shimclus y la licencia de diseño explícitamente

Operaciones predictivas y prescriptivas de AI

Más allá del mantenimiento predictivo, la analítica prescriptiva puede recomendar acciones específicas de los operadores o planes de mantenimiento preventivo para minimizar el riesgo. Los agentes de aprendizaje de refuerzo, entrenados en simuladores de alta fidelidad, pueden explorar espacios de políticas que los operadores humanos no considerarían intuitivamente. El programa de investigación de NRC está evaluando actualmente un gemelo digital de un reactor de agua de techo (BWR) que utiliza un agente de aprendizaje de refuerzo para recomendar velocidades óptimas de recirculación de energía

Colaboración de Human-AI

El futuro no es sobre reemplazar a los humanos sino aumentarlos. El NRC prevé un modelo de equipo humano-AI donde AI maneja la fusión de datos, el reconocimiento de patrones y la generación de escenarios, mientras que los analistas expertos se centran en el razonamiento, la toma de decisiones bajo incertidumbre y la manipulación de situaciones novedosas. Programas de capacitación para operadores de reactores e inspectores del NRC incorporarán alfabetización de IA, ayudando al personal a interpretar los productos de modelos e identificar cuándo un modelo podría ser inconfiable.

Aprendizaje y adaptación continuos

A medida que la flota evoluciona y se dispone de nuevos datos operativos, los modelos ML deben actualizarse manteniendo la seguridad. Se están investigando técnicas como el aprendizaje continuo y el aprendizaje federado (donde los modelos se entrenan en múltiples plantas sin compartir datos brutos).El marco regulatorio de estos modelos “vivientes” es un área activa de desarrollo, con entrada del Instituto de Energía Nuclear (]NEI).

Conclusión

La integración de la IA y el aprendizaje automático en las evaluaciones de la seguridad de la RN representa un avance significativo en la misión de proteger la salud y la seguridad públicas. Desde el mantenimiento predictivo y la evaluación dinámica del riesgo hasta la visión informática y el procesamiento de lenguajes naturales, estos instrumentos ofrecen la capacidad de detectar y responder a riesgos más rápido y más precisamente que nunca. Sin embargo, su adopción debe guiarse por una rigurosa validación, transparencia y un compromiso constante con el principio de que los humanos siguen siendo responsables por decisiones de seguridad.