Introduction : La nouvelle frontière de la sûreté nucléaire

Les évaluations de sûreté traditionnelles reposent sur une analyse déterministe, des évaluations probabilistes des risques (APR) et un jugement d'expert. Toutefois, la complexité des systèmes modernes de réacteurs, le volume des données des capteurs et la nécessité d'une prise de décision plus rapide et plus précise conduisent à l'intégration de l'intelligence artificielle (IA) et de l'apprentissage des machines (LM) dans les évaluations de sûreté du CNRC. Ces technologies offrent la possibilité de détecter des anomalies subtiles, de prévoir les défaillances de l'équipement et de fournir un soutien en temps réel pour la prise de décisions qui complète l'expertise humaine.

Rôle de l'IA et de la LM dans les évaluations de la sécurité du CNRC

En tirant des enseignements des modèles historiques et en mettant à jour continuellement de nouvelles informations, ces outils peuvent faire ressortir des idées qui ne seraient pas pratiques pour les analystes humains de découvrir manuellement. Le CNRC a reconnu ce potentiel grâce à son plan stratégique et à ses partenariats de recherche en cours avec des laboratoires nationaux et des consortiums industriels.

Sources de données et intégration

Les centrales nucléaires recueillent des données provenant de milliers de capteurs mesurant la température, la pression, le débit, les niveaux de rayonnement et les vibrations. Les registres d'entretien, les rapports d'inspection et les bases de données sur les incidents fournissent également de l'information textuelle et structurée riche. L'intégration de ces sources disparates dans un ensemble de données unifié et propre est une première étape critique. Le processus de surveillance des réacteurs du CNRC utilise déjà des indicateurs de rendement, et l'IA peut l'augmenter en corrélant automatiquement les tendances des indicateurs avec les flux de capteurs sous-jacents.

Reconnaissance des patrons et détection des anomalies

Par exemple, un autoencodeur formé sur des heures de données de vibration de la pompe de refroidissement du réacteur peut signaler une usure moindre des roulements avant d'atteindre un seuil de panne forcée. Le CNRC a appuyé des recherches au Laboratoire national Idaho (INL) qui démontrent l'utilisation de la détection d'anomalies sur des scénarios d'accident simulés, permettant de détecter rapidement les pannes du système de refroidissement.

Entretien prédictif

En combinant les données de capteur avec les données historiques de défaillance, les modèles de régression ou les réseaux neuronaux récurrents (RNN) peuvent prévoir la durée de vie utile restante (RUL) de composants tels que les vannes, les pompes et les mécanismes d'entraînement à tige de commande.Les avantages dépassent les économies de coûts – la prévention d'un arrêt non planifié réduit le risque de cycles thermiques et de conditions transitoires qui mettent en péril les systèmes de sécurité.Une étude bien connue du réacteur d'essai avancé (ATR) d'INL a démontré qu'un modèle d'arbre à gradient pouvait prédire la dégradation de la pompe jusqu'à 30 jours à l'avance avec plus de 95 % de précision.

Évaluation des risques et soutien à la décision

L'IA et la ML améliorent également l'évaluation probabiliste des risques (APR). L'AVR traditionnelle repose sur des arbres d'événements statiques et des arbres défectueux, souvent mis à jour seulement lorsque des changements importants surviennent. L'apprentissage automatique peut mettre à jour dynamiquement les probabilités de défaillance en fonction de la surveillance de l'état en temps réel et de l'historique de fonctionnement. Par exemple, un réseau bayésien qui apprend des lectures de capteurs actuelles peut ajuster la probabilité d'une séquence d'accident avec perte de liquide (LOCA), ce qui donne aux exploitants et aux régulateurs un profil de risque plus actuel.

Fondations techniques de l'IA/ML en sûreté nucléaire

Le déploiement réussi de l'IA et de la LM dans des environnements réglementés exige une compréhension approfondie des algorithmes, de leurs forces et de leurs limites.

Apprentissage supervisé pour la classification des fautes

Lorsque des données marquées provenant d'incidents antérieurs sont disponibles, des modèles d'apprentissage supervisés (tels que des forêts aléatoires, des machines à vecteur de soutien ou des réseaux neuronaux convolutionnels) peuvent classer les signatures de capteurs dans des états normaux, dégradés ou de défaillance. Cependant, l'obtention de séries de données importantes et étiquetées est difficile dans le domaine nucléaire en raison de la rareté des événements importants.

Apprentissage non supervisé et semi-survisé

Étant donné le déséquilibre entre les données normales et les données anormales, les méthodes non supervisées sont souvent préférées. L'apprentissage semi-supervisé utilise un petit nombre d'exemples marqués combinés à un grand nombre de données non marquées, offrant un milieu pragmatique. Des modèles générateurs profonds, comme les autoencodeurs variationnels, peuvent modéliser la distribution de probabilités des opérations normales et attribuer une faible probabilité à des modèles anormales invisibles.

Apprentissage approfondi et vision informatique pour les inspections

Les modèles d'apprentissage approfondi pour la détection et la classification des objets peuvent analyser des images ou des flux vidéo provenant de rampeurs robotisés ou de drones pour identifier la corrosion, les fissures ou les débris. Le Bureau de la recherche en réglementation nucléaire du CNRC a financé des projets utilisant des réseaux neuronaux convolutionnels (RNC) pour automatiser la détection de fissures de corrosion sous contrainte dans les tuyaux en acier inoxydable.

Traitement des déclarations d'incidents en langage naturel

Les pipelines de traitement en langage naturel (PNN) peuvent extraire des séquences causales, catégoriser des événements et identifier les tendances émergentes. La reconnaissance des entités désignées (NER) formées à la taxonomie nucléaire peut identifier des composantes spécifiques, des causes profondes et des mesures correctives. La modélisation thématique (p. ex., la répartition latente des Dirichlet) peut regrouper les rapports par mode de défaillance, permettant aux organismes de réglementation de repérer les problèmes récurrents dans le parc automobile.

Études de cas et programmes pilotes

Plusieurs programmes pilotes et initiatives de recherche illustrent l'application réelle de l'IA/ML dans les évaluations de la sécurité du CNRC.

INL , Analyse autonome de contrôle et de sécurité

En 2023, l'ACSAP a été testé sur un modèle de petit réacteur modulaire simulé (SMR). Le système a intégré les données du capteur en temps réel du lit d'essai du régulateur, a appliqué une détection d'anomalie en ligne et a mis à jour un ARP dynamique en moins d'une seconde par cycle. Le CNRC a évalué la capacité de la plateforme à identifier correctement une valve de décompression du pressuriseur simulée et ouvert et à recommander une séquence d'arrêt contrôlée.

Westinghouse et l'apprentissage automatique pour la performance en carburant

En formant des décennies de données sur les réacteurs d'essai, un réseau neuronal profond a permis d'obtenir 98 % de précision pour prédire quelles tiges pourraient enfreindre la limite de rendement du revêtement. Le CNRC a utilisé ces prévisions pour affiner ses critères d'acceptation pour les conceptions de combustible en vertu de la règle des 10 CFR 50.46.

L'IA de l'AIEA pour le pilote de sûreté

L'Agence internationale de l'énergie atomique (AIEA) a lancé un projet de recherche coordonné sur l'IA pour la sûreté nucléaire, avec la participation du CNRC. Le projet vise à élaborer des pratiques exemplaires pour la validation des modèles de LM, la transparence et la quantification de l'incertitude, questions directement pertinentes pour l'acceptation de ces outils par l'organisme de réglementation (Activités de l'AIEA en matière d'IA.

Défis et considérations

Malgré cette promesse, l'intégration de l'IA et de la LM dans les évaluations de la sécurité du CNRC est confrontée à d'importants obstacles qui doivent être abordés avant l'acceptation générale de la réglementation.

Qualité et sécurité des données

Le NRC exige que les données utilisées dans une application de sécurité soient traçables aux méthodes de mesure et d'étalonnage approuvées. De plus, les préoccupations en matière de cybersécurité des systèmes d'IA sont primordiales : les intrants adversaires pourraient tromper un détecteur d'anomalie en ce qu'ils ne sont pas vraiment responsables d'une faute réelle. Le NRC , Guide de réglementation 5.71 sur la cybersécurité fournit une base, mais les vulnérabilités spécifiques à l'IA – comme les attaques d'empoisonnement ou d'évasion modèles – exigent de nouvelles mesures de protection.

Validation et vérification du modèle (V et V)

Le CNRC, en collaboration avec Sandia National Laboratories, a élaboré un cadre pour les V et V des modèles de ML qui comprend des essais de stress sous des intrants hors distribution, des contrôles de monotonicité conformes à la physique et des méthodes d'ensemble pour quantifier l'incertitude. Un produit livrable de ce travail est la Boîte à outils -AI V et V, - qui fournit des méthodes pour évaluer la robustesse du modèle ( DOE Office of Nuclear Energy.

Transparence et explicabilité

Les modèles d'apprentissage profond sont souvent des boîtes noires, mais des techniques comme SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explications) et des mécanismes d'attention dans les transformateurs peuvent fournir des explications locales. Pour les décisions à fort impact, le CNRC s'attend à ce que toute sortie d'IA soit vérifiable et conforme aux premiers principes de la connaissance en génie.

Considérations réglementaires et éthiques

En 2020, le CNRC a publié un projet de livre blanc sur l'utilisation de l'IA dans le processus de réglementation, mettant en lumière des principes comme la responsabilité humaine, la transparence et l'adoption progressive. Un comité d'éthique convoqué par la Commission a recommandé que les décisions d'IA qui pourraient mener à l'arrêt d'une usine ou à une escalade de la sûreté soient prises en main par des humains. Le CNRC coordonne également avec l'Agence de l'énergie nucléaire de l'Organisation de coopération et de développement économiques (OCDE) (AEN) afin d'harmoniser les approches de surveillance de l'IA à l'échelle internationale (NEA.

Responsabilité et responsabilité

Qui est responsable si un modèle d'IA juge mal un système critique en matière de sécurité? La position actuelle du NRC est que le titulaire de licence conserve une pleine responsabilité. Les systèmes d'IA sont traités comme des outils qui fournissent de l'information, et non comme des décideurs autonomes.

Bénéfices et équité

Les données de formation peuvent refléter des biais historiques, par exemple, certaines configurations d'usine ou conditions d'exploitation peuvent être surreprésentées. Si elles ne sont pas traitées, les modèles pourraient systématiquement sous-estimer les risques pour des scénarios moins communs mais importants.

L'avenir de l'IA en matière de sûreté nucléaire

Dans l'avenir, le rôle de l'IA et de la ML dans les évaluations de la sécurité du CNRC devrait s'accroître de façon significative, en raison de trois facteurs : le déploiement de réacteurs de pointe, l'évolution de l'instrumentation numérique et la maturation des techniques de sécurité de l'IA.

AI pour les petits réacteurs modulaires et avancés

Les réacteurs modulaires de petite taille (RMR) et les systèmes de contrôle automatisés (p. ex., sel fondu, gaz refroidi à haute température) sont souvent moins nombreux à utiliser les systèmes de contrôle automatisés. L'IA/ML peut optimiser les stratégies de contrôle en temps réel tout en surveillant continuellement les marges de sécurité. Le CNRC examine déjà les présentations avant la demande qui proposent l'utilisation de l'IA pour la cartographie des flux, le contrôle des shims et même l'optimisation de la conception de base selon le paradigme de l'autorisation -Safe.

Opérations prédictives et normatives conduites par l'IA

Au-delà de la maintenance prédictive, l'analyse prescriptive peut recommander des actions spécifiques de l'opérateur ou des calendriers de maintenance préventive pour minimiser les risques.Les agents d'apprentissage du renforcement, formés en simulateurs de haute fidélité, peuvent explorer des espaces stratégiques que les opérateurs humains ne considéreraient pas intuitivement.Le programme de recherche du CNRC évalue actuellement un jumeau numérique d'un réacteur à eau bouillante (BWR) qui utilise un agent d'apprentissage du renforcement pour recommander des vitesses optimales de récirculation pendant l'ascension de puissance, en maintenant une marge au flux thermique critique.

Collaboration entre l'homme et l'AI

Le CNRC envisage un modèle d'équipement humain-AI où l'IA gère la fusion des données, la reconnaissance des modèles et la production de scénarios, tandis que les analystes experts se concentrent sur le raisonnement, la prise de décisions dans l'incertitude et la gestion de situations nouvelles.

Apprentissage continu et adaptation

Les techniques comme l'apprentissage continu et l'apprentissage fédéré (où les modèles sont formés à travers plusieurs usines sans partager de données brutes) sont en cours de recherche. Le cadre réglementaire du CNRC pour ces modèles -Living-- est un domaine de développement actif, avec la contribution de l'Institut de l'énergie nucléaire (NEI.

Conclusion

L'intégration de l'IA et de l'apprentissage automatique dans les évaluations de la sûreté du CNRC représente un pas important dans la mission de protection de la santé et de la sécurité publiques.De la maintenance prédictive et de l'évaluation dynamique des risques à la vision informatique et au traitement du langage naturel, ces outils offrent la capacité de détecter les risques et d'y réagir plus rapidement et plus précisément que jamais. Toutefois, leur adoption doit être guidée par une validation rigoureuse, la transparence et un engagement ferme envers le principe selon lequel les humains doivent en dernier ressort rendre compte des décisions en matière de sûreté.