L'avenir de l'énergie nucléaire dépend du déploiement réussi de systèmes de contrôle des réacteurs autonomes renforcés par l'intelligence artificielle (IA) et l'apprentissage des machines (ML). À mesure que les exigences énergétiques mondiales s'intensifient et que l'impératif de la puissance à faible charge de carbone se développe, l'industrie nucléaire se tourne vers l'automatisation avancée pour surmonter les limites opérationnelles des décennies précédentes.

Comprendre les systèmes autonomes de contrôle des réacteurs

Les systèmes autonomes de contrôle des réacteurs se réfèrent à des plates-formes matérielles et logicielles intégrées qui surveillent en permanence les principaux paramètres du réacteur, tels que le flux de neutrons, la température du liquide de refroidissement, la pression et la position de la tige de commande, et qui les règlent sans intervention humaine directe. Contrairement aux systèmes traditionnels de contrôle de supervision et d'acquisition de données (SCADA), les systèmes autonomes intègrent des algorithmes de prise de décision qui peuvent réagir en temps réel à l'évolution des conditions, optimiser les performances et atténuer de façon préventive les risques potentiels.

Évolution du manuel à l'opération autonome

Les accidents de Three Mile Island et de Tchernobyl ont mis en évidence les risques d'erreur humaine et de lenteur de la prise de décision en cas d'événements anormaux. En réponse, l'industrie a développé des systèmes de sécurité automatisés pour les salles de contrôle avancés, tels que les circuits de sortie des réacteurs et les systèmes de refroidissement de base d'urgence. Ces systèmes, cependant, étaient largement fondés sur des règles et n'avaient pas la capacité d'adaptation pour optimiser le fonctionnement normal. L'émergence de l'IA et du ML permet maintenant de passer des réponses préprogrammées au contrôle adaptatif, où le système tire des leçons des données opérationnelles et peaufine continuellement ses stratégies.

Composantes essentielles d'un système autonome

Les systèmes de commande de réacteurs autonomes modernes comprennent généralement : 1) un vaste réseau de capteurs mesurant les variables thermiques, hydrauliques, neutroniques et mécaniques; 2) une infrastructure informatique à haute performance pour le traitement des données en temps réel; 3) des modèles d'apprentissage des machines qui détectent les anomalies, prévoient les tendances et recommandent des mesures de contrôle; 4) une couche d'actionnement qui exécute des commandes sur des tiges de commande, des pompes, des vannes et d'autres actionneurs; et 5) une interface homme-machine (HMI) qui fournit aux opérateurs des capacités de surveillance et de dépassement.

Le rôle de l'IA et de l'apprentissage automatique

L'IA et le ML apportent une série de capacités analytiques avancées au contrôle du réacteur qui dépassent de loin les méthodes déterministes traditionnelles. En traitant de vastes flux de données de capteurs en temps quasi réel, ces algorithmes peuvent identifier des modèles subtils que les humains ou de simples alarmes seuil passeraient à côté. Cela permet un entretien prédictif, la détection précoce des défauts, et des stratégies de contrôle optimisées qui s'adaptent à la combustion du combustible, le vieillissement des composants et les exigences de charge.

Apprentissage supervisé pour la détection des anomalies

L'une des applications les plus immédiates est l'apprentissage supervisé pour la détection des anomalies.Les données opérationnelles historiques provenant de conditions normales et hors-normes sont utilisées pour former des classificateurs – comme les machines vectorielles de soutien, les forêts aléatoires ou les réseaux neuraux profonds – qui peuvent signaler des écarts qui indiquent des problèmes de développement.Par exemple, un modèle formé peut détecter l'apparition d'instabilités de débit ou la dégradation des tubes générateurs de vapeur bien avant le déclenchement des alarmes conventionnelles.

Renforcement de l'apprentissage pour un contrôle optimal

Dans le cadre de la RL, un agent apprend à prendre des séquences de décisions en interagissant avec l'environnement – ici, un simulateur de physique des réacteurs ou un jumeau numérique – et reçoit des récompenses pour obtenir les résultats souhaités tels que la puissance constante, le stress thermique minimal ou le respect des limites de sécurité. On a démontré que des algorithmes de RL profonds, comme l'optimisation de la politique proximale (PPO) ou des réseaux Q profonds, contrôlaient les réacteurs simulés pour les manœuvres de suivi de charge, les séquences de démarrage, voire les scénarios d'atténuation des accidents.

Réseaux neuronaux pour la modélisation prédictive

Les réseaux neuronaux d'alimentation, les réseaux neuronaux récurrents (RNN) et les architectures de transformateurs plus récentes sont utilisés pour construire des modèles prédictifs du comportement du réacteur.Ces modèles peuvent prévoir des distributions de température, des effets d'empoisonnement au xénon ou des marges d'intégrité du combustible heures à l'avance, permettant un contrôle proactif plutôt que réactif.En intégrant ces modèles dans un cadre de contrôle prédictif du modèle (MPC), le système peut planifier des trajectoires optimales qui minimisent l'usure des composants tout en maintenant la sécurité.

Principaux avantages du contrôle amélioré par l'IA

L'intégration de l'IA et de la ML dans les systèmes de contrôle des réacteurs apporte des améliorations tangibles dans plusieurs dimensions de l'exploitation de l'usine, qui vont au-delà de simples économies de coûts pour améliorer fondamentalement la fiabilité et la sûreté de l'énergie nucléaire en tant que source d'énergie à faible intensité de carbone.

  • Marges de sécurité améliorées :[ Les modèles d'IA surveillent en permanence les événements précurseurs – comme les vibrations, les asymétries de température ou les oscillations de flux de neutrons – qui pourraient entraîner des accidents. En répondant en millisecondes, le système peut empêcher des perturbations mineures de s'aggraver en déplacements ou en dommages de cœur.
  • Performance optimisée et utilisation du combustible:[ Les algorithmes d'apprentissage automatique peuvent ajuster les patrons de tige de commande et le débit de liquide de refroidissement pour aplatir les distributions d'énergie et prolonger la longueur du cycle du combustible.Cela réduit le nombre de pannes de carburant et réduit les coûts du combustible.
  • L'automatisation des tâches routinières et répétitives permet aux opérateurs humains de se concentrer sur la supervision stratégique et la prise de décisions complexes.Lors des événements de stress élevé, le système d'IA peut également fournir un soutien décisionnel – par exemple, recommander la séquence optimale d'actions basées sur des évaluations probabilistes des risques.
  • Entretien prédictif: En analysant les vibrations, la température et les signatures acoustiques, l'IA peut prévoir des défaillances de composants – comme l'usure ou le collage de la pompe – jours ou semaines à l'avance, ce qui permet de réduire les pannes forcées et la durée de vie de l'équipement.
  • Film-Suivi et flexibilité du réseau:[ À mesure que les sources d'énergie renouvelables comme le vent et le solaire se développent, les centrales nucléaires sont de plus en plus nécessaires pour ajuster la puissance de sortie pour équilibrer les fluctuations du réseau.

Problèmes de mise en œuvre

Malgré les avantages indéniables, le déploiement de l'IA et de la LM dans les systèmes de contrôle nucléaire présente des défis techniques, opérationnels et réglementaires redoutables qu'il faut relever avant d'adopter largement.

Qualité et disponibilité des données

Les réacteurs génèrent de grands volumes de données de capteurs à haute fréquence, mais les anomalies, la dérive des capteurs ou les valeurs manquantes peuvent dégrader les performances des modèles. De plus, de nombreuses usines ne disposent pas d'archives complètes des conditions transitoires ou des accidents nécessaires pour former des modèles de détection d'anomalies robustes. L'industrie travaille à créer des ensembles de données et des environnements de simulations à haute fiabilité partagés et anonymes, comme les repères de physique des réacteurs de l'AIEA, afin de compléter les données réelles.

Fiabilité et validation de l'algorithme

Les réseaux neuraux profonds, cependant, sont souvent des boîtes noires difficiles à interpréter et à vérifier. La communauté de l'IA élabore des méthodes d'AI explicables (XAI), comme des mécanismes d'attention et des cartes de saliabilité, pour donner un aperçu indépendant des décisions modèles. Pourtant, le défi demeure : comment certifier un système non déterministe et axé sur l'apprentissage selon les normes rigoureuses du CNRC ou des organismes internationaux de réglementation.

Vulnérabilités en matière de cybersécurité

Un acteur malveillant pourrait tenter de modifier les données des capteurs, d'injecter de fausses commandes dans le réseau d'actionneur ou de empoisonner l'ensemble de données de formation pour causer des défaillances cachées. L'industrie nucléaire doit adopter des stratégies de cybersécurité en profondeur de défense, y compris des communications chiffrées, des réseaux à gain d'air pour des fonctions critiques en matière de sûreté et une surveillance continue de l'activité contradictoire. L'AIEA a publié des directives pour la cybersécurité dans les installations nucléaires, soulignant que les systèmes de contrôle basés sur l'IA devraient être conçus avec des modes de sécurité qui reviennent à fonctionner manuellement si une cyberintrusion est détectée.

Les obstacles réglementaires

Les organismes de réglementation tels que le CNRC des États-Unis et l'Agence internationale de l'énergie atomique (AIEA) élaborent encore des normes pour les systèmes de sûreté basés sur des logiciels, et encore moins pour l'IA adaptative. Les questions clés sont les suivantes : Comment définir et valider le caractère raisonnable des décisions relatives à l'IA? Quel niveau de transparence est requis? Comment gérer la responsabilité si un système d'IA provoque ou ne parvient pas à prévenir un incident? En 2022, le CNRC a lancé un projet de recherche visant à élaborer une approche réglementaire pour le contrôle autonome, et l'AIEA a établi un projet de recherche coordonné sur l'IA en matière de sûreté nucléaire.

Paysage réglementaire et éthique

L'IA et l'apprentissage des machines étant devenus plus essentiels au contrôle des réacteurs, l'industrie doit naviguer dans un réseau complexe de considérations éthiques et de réglementations en évolution.C'est le principe selon lequel l'IA devrait augmenter la prise de décision humaine, et non le remplacer entièrement dans des rôles critiques pour la sécurité.

Normes et cadres

Pour les applications nucléaires, la norme IEEE 7-4.3.2 (Critères standard pour les ordinateurs numériques dans les systèmes de sûreté des centrales nucléaires) fournit une référence, mais elle ne traite pas des systèmes d'apprentissage. L'industrie a adapté le concept de domaine de conception opérationnelle (ODD) de véhicules autonomes aux réacteurs nucléaires, limitant l'exploitation de l'IA à des conditions clairement définies et exigeant une transition sûre vers le contrôle humain lorsque les limites sont dépassées.

Responsabilité et responsabilité

Si un système à IA fait une erreur – par exemple, diagnostiquer incorrectement une faille de capteur et déclencher un voyage inutile du réacteur – qui est responsable? Le propriétaire de l'installation? Le développeur de IA? L'organisme de réglementation qui a approuvé le système? Des lignes claires de responsabilité sont essentielles pour éviter l'impasse juridique. Certains experts préconisent un enregistreur -boîte noire pour les décisions d'IA dans les centrales nucléaires, comme les enregistreurs de données de vol dans l'aviation, pour permettre l'analyse post-événement.

Dimensions éthiques

Les parties prenantes doivent également tenir compte du risque de biais algorithmique si les données de formation surpassent un type de réacteur ou un mode opérationnel. La transparence dans la conception des modèles et la validation des sources ouvertes sont de plus en plus sollicitées par les groupes d'intérêt public. L'industrie nucléaire, historiquement sensible à la confiance du public, doit engager un dialogue ouvert sur la façon dont l'IA est introduite, évitant la perception qu'il s'agit d'une boîte noire qui pourrait cacher des problèmes.

Applications et études de cas dans le monde réel

Bien que l'exploitation autonome à grande échelle ne soit pas encore déployée dans les réacteurs commerciaux, plusieurs instituts de recherche et développeurs de réacteurs avancés testent activement les prototypes et intègrent l'IA dans leurs architectures de contrôle.

Projet de contrôle autonome des réacteurs du Laboratoire national Idaho

En 2023, ils ont démontré un contrôleur de renforcement profond (DRL) sur un simulateur à grande échelle d'un réacteur rapide refroidi au sodium. Le système a géré avec succès le démarrage, l'exploitation en état d'équilibre et un accident simulé de perte de débit sans entrée d'opérateur. Le contrôleur DRL a réglé les positions de la tige de commande et les vitesses de la pompe en temps réel pour maintenir la température du noyau dans les limites, même sous des perturbations soudaines.

TerraPowers Natrium avec I&C amélioré par l'IA

TerraPower , un réacteur rapide refroidi au sodium et doté d'un stockage thermique en fusion de sel, intègre un jumeau numérique parallèle à l'usine physique. Les modèles d'apprentissage de la machine formés sur le jumeau numérique permettent un contrôle prédictif qui optimise la charge et le rejet du stockage thermique en fonction des signaux du réseau et des prévisions météorologiques. Le système de contrôle est conçu pour fonctionner de façon autonome pendant les manoeuvres de routine, la surveillance humaine étant limitée aux événements anormaux.

Essais de simulation de réacteur modulaire de NuScale

NuScale Power a testé la gestion des alarmes et la détection des défaillances basées sur l'IA sur son simulateur de centrale VOYGR. Grâce à un ensemble de réseaux neuronaux convolutionnels (CNNs), le système a réduit les inondations d'alarme de 70% lors de scénarios d'accident simulés en corrélant les alarmes avec les causes profondes. NuScale explore également l'IA pour une charge autonome en suivant sa configuration multimodule, où le système de commande peut ajuster automatiquement la sortie de plusieurs modules pour répondre à la demande du réseau sans intervention de l'opérateur.

Perspectives d'avenir

La trajectoire vers des systèmes de contrôle autonomes des réacteurs est claire : à mesure que les algorithmes d'IA mûrissent, que le matériel informatique devient plus robuste et que les cadres réglementaires évoluent, l'industrie passera de l'automatisation assistée à la pleine autonomie dans des domaines opérationnels spécifiques.

Jumelles numériques et bord AI

Les jumeaux numériques, des répliques virtuelles de haute fidélité du réacteur, deviennent essentiels pour l'optimisation en temps réel. Ces jumeaux fonctionnent légèrement en amont de l'usine, permettant aux modèles AI de tester les actions de contrôle en simulation avant de les exécuter en réalité. Edge AI, où l'apprentissage machine se produit sur les contrôleurs locaux plutôt que dans le cloud, réduit la latence et élimine la dépendance à la connectivité réseau, critique pour les tâches de sécurité.

L'apprentissage adaptatif et tout au long de la vie

Les systèmes futurs utiliseront un apprentissage continu, en mettant à jour leurs modèles à mesure que le réacteur vieillit ou que de nouvelles données opérationnelles deviennent disponibles, sans oublier les connaissances acquises. Les techniques comme la consolidation du poids élastique et le calcul des réservoirs sont prometteuses pour stabiliser l'apprentissage tout au long de la vie dans les systèmes de contrôle.

Architectures d'équipement de l'IA humain

Les systèmes de visualisation avancés utilisant la réalité augmentée (AR) peuvent superposer les recommandations sur l'IA, les niveaux de confiance et les résultats prévus sur la vue de l'opérateur. Le défi consiste à concevoir l'interface homme-machine pour éviter la complaisance d'automatisation et faire en sorte que les opérateurs restent engagés et prêts à intervenir.

Collaboration et normalisation mondiales

La coopération internationale sera essentielle pour réaliser le plein potentiel des contrôles autonomes des réacteurs.Le rapport de la série Énergie nucléaire de l'AIEA sur l'intelligence artificielle pour l'exploitation des centrales nucléaires fournit des orientations fondamentales, mais beaucoup de travail reste à faire.Les programmes de recherche conjoints – comme l'initiative OCDE-AEN (Agence de l'énergie nucléaire) sur l'IA dans le domaine de la sûreté nucléaire – mettent en commun les données et les méthodes de validation entre les pays.

Conclusion

Les systèmes autonomes de contrôle des réacteurs alimentés par l'IA et l'apprentissage des machines représentent un changement de paradigme dans les opérations nucléaires, qui promet de rendre la technologie plus sûre, plus flexible et plus compétitive sur le plan économique.En tirant parti de la reconnaissance des modèles, en renforçant l'apprentissage et la modélisation prédictive, ces systèmes peuvent fonctionner à une vitesse et une précision supérieures à celles des capacités humaines, tout en permettant la surveillance humaine.