Entretien prédictif piloté par l'IA comme impératif stratégique pour les réacteurs CANDU

La technologie de production d'électricité sans carbone a placé l'énergie nucléaire au premier rang des technologies de production fiable de charge de base, notamment la conception de l'eau lourde sous pression CANDU (CANada Deuterium Uranium) et la conception de l'eau lourde sous pression ont démontré une longévité opérationnelle remarquable et une capacité d'adaptation dans toutes les flottes du Canada, de la Corée du Sud, de l'Argentine, de la Roumanie, de la Chine et de l'Inde. Pour ces unités, la fiabilité n'est pas seulement un indicateur de performance; il s'agit d'un contrat sociétal visant à fournir une puissance sûre et ininterrompue.

Pour les réacteurs CANDU, qui peuvent se ravitailler en ligne, la planification de la maintenance est particulièrement essentielle pour maximiser les facteurs de capacité. La maintenance prédictive axée sur l'IA transforme les données brutes des capteurs en données concrètes permettant aux exploitants de passer des calendriers calendaires à des interventions basées sur l'état. Ce changement réduit la maintenance inutile, prolonge la durée de vie des composants et améliore la sécurité en captant les défauts naissants avant qu'ils ne deviennent des événements importants pour la sécurité.

Fondations de l'entretien prédictif dans les environnements nucléaires

Dans les applications nucléaires, l'approche doit faire face à des complexités propres aux opérations du réacteur. À l'intérieur d'une unité CANDU, les flux de données des capteurs décrivent le flux de neutrons, la pression et la température du liquide de refroidissement en eau lourde, la migration de deutérium dans les tubes de pression, les modèles de vibrations provenant de machines tournantes et la chimie de la corrosion.

Les fondements de cette capacité reposent sur trois piliers : la détection à haute résolution, l'intégration sécurisée des données et l'apprentissage automatique en connaissance de cause en physique.

Infrastructure du capteur et intégration des données

Une installation CANDU moderne est largement instrumentée avec des thermocouples, des émetteurs de pression, des débitmètres, des accéléromètres de vibration et des détecteurs de neutrons pour alimenter les historiens et les systèmes de contrôle des usines. La maintenance prédictive étend cette référence en ajoutant un échantillonnage continu à haute fidélité sur des actifs critiques. Par exemple, les thermocouples d'entrée et de sortie de tubes de pression échantillonnent maintenant souvent à intervalles d'une seconde, les capteurs d'émission acoustique sur les tuyaux d'alimentation captent le bruit ultrasonore des fissures naissantes et les sondes à courant de vapeur sont déployées plus fréquemment pour détecter la dégradation des parois de tubes.

Au-delà de l'ajout de capteurs, l'intégration des données implique le nettoyage, l'alignement des horodatages et la combinaison de sources de données disparates. Par exemple, une mesure de l'épaisseur des tubes de pression doit être corrélée avec l'historique de puissance du réacteur et la chimie du liquide de refroidissement au moment de la mesure.

Ensembles d'apprentissage automatique pour la détection d'anomalies et la pronostic

Pour la détection des anomalies, les auto-encodeurs, les machines vectorielles de support d'une classe et les forêts d'isolement identifient les écarts par rapport aux modes de fonctionnement normaux sans exiger de grandes séries de données de défaillance marquées. Pour l'estimation du temps à l'échec, les architectures récurrentes telles que les longs réseaux de mémoire à court terme (LSTM) et les modèles à base de transformateurs ingèrent de longues séquences de l'histoire des capteurs. Un facteur distinctif dans les applications nucléaires est l'intégration de l'apprentissage des machines à l'aide d'une connaissance physique. Au lieu de traiter le modèle comme une boîte noire pure, les ingénieurs intègrent les connaissances du domaine dans les fonctions de perte et les architectures de réseau.

L'approche globale comprend également des méthodes statistiques traditionnelles comme la détection de points de changement bayésiens pour les dérives lentes (p. ex., les changements de vitesse de fluage) et l'estimation multivariée des états pour détecter les défauts des capteurs.Ces méthodes s'accompagnent de modèles d'apprentissage profond, offrant redondance et interprétabilité.

Applications ciblées dans les systèmes CANDU

La conception de CANDU présente un ensemble distinct de défis de maintenance : canaux de combustible horizontaux, ravitaillement en énergie et un grand système de transport de chaleur avec des centaines de canaux de carburant individuels.

Tubes à pression et intégrité du canal de carburant

Les tubes de pression sont les composants les plus examinés dans tout programme d'extension de vie CANDU. Ils abritent des faisceaux de carburant et un liquide de refroidissement à haute température et à haute pression, et sont sujets à l'irradiation de fluage, à l'entrée de deutérium et à la fissuration retardée de l'hydrure. Les mesures en service de l'allongement axial, du sag et du changement de diamètre produisent des données de séries chronologiques qui consomment des modèles prédictifs. Un système AI formé sur des données dimensionnelles historiques provenant de plusieurs unités peut détecter une accélération subtile dans les mois de fluage avant que les projections de tendance de l'ingénierie traditionnelle ne le signalent.

Les modèles prédictifs combinent la chimie du liquide de refroidissement, la distribution de la vitesse du flux et les spécifications du matériau pour classer les aliments par risque et par remplacement ciblé. Une étude 2023 réalisée dans Nuclear Engineering and Design[ a indiqué que cette approche a réduit les pannes forcées liées aux aliments de l'alimentation de près de 40 % dans une station à plusieurs unités. La même étude a noté que l'intégration de la surveillance en ligne de la corrosion avec l'IA a réduit le nombre d'inspections manuelles de 60 % tout en améliorant la fiabilité de la détection.

Au cours des décennies, le poids des tubes de carburant et de pression provoque des fuites de gaz qui peuvent affecter les opérations de ravitaillement et l'économie des neutrons. Les modèles prédictifs utilisent l'historique de l'irradiation, les gradients de température et les données sur les matériaux pour prévoir les débits de gaz. À une station, un réseau neuronal a prédit que trois canaux de carburant dépasseraient la limite de gaz dans le prochain cycle d'exploitation.

Gestion des générateurs de vapeur

Les générateurs de vapeur CANDU subissent des encrassements de tubes, de la corrosion des fissures aux plaques de support et de l'usure aux barres antivibrations. L'entretien prédictif applique l'IA aux tendances de contrepression du condenseur, aux profils de la chimie et aux profils d'inspection des courants de Foucault. Un réseau neuronal axé sur l'attention corréle de petits changements dans le coefficient global de transfert de chaleur avec l'accumulation de dépôts de magnétite, signalant lorsque le nettoyage chimique ciblé est optimal.

Une seconde application consiste en la prédiction des fuites de tubes. En analysant les signaux de courants de Foucault provenant des inspections précédentes, un modèle d'arbre à gradient a appris à classifier la dégradation de la paroi des tubes qui passerait à une fissure traversante dans l'intervalle d'inspection suivant. Le modèle a réduit les faux positifs de 50 % par rapport aux méthodes de seuil empiriques, permettant aux opérateurs de concentrer les décisions de branchement sur des tubes réellement menacés.

Les modèles AI analysent les tendances du pH, de l'oxygène dissous et des concentrations d'impuretés (p. ex., sodium, chlorure) pour optimiser les ajouts chimiques. En anticipant les conditions d'encrassement des produits dans les semaines à venir, le système prévoit des éclatements ciblés ou un nettoyage chimique, en maintenant l'efficacité du transfert de chaleur et en réduisant les risques de fissuration par corrosion sous contrainte.

Équipement de transport de chaleur primaire et de circuit modérateur

Les principales pompes de circulation du système de transport de chaleur primaire et du circuit modérateur sont des machines tournantes critiques. Les spectres de vibration, les températures des roulements et les signatures du courant moteur sont introduits dans des modèles de perceptron multicouches qui détectent un désalignement précoce ou une dégradation des roulements. Parce qu'un réacteur CANDU peut continuer à fonctionner avec une pompe dégradée par redistribution du débit, l'IA génère des alertes qui permettent aux opérateurs de planifier un échange de pompe pendant une fenêtre à faible risque plutôt que de réagir à une défaillance soudaine.

Les modèles prédictifs utilisent des données différentielles sur la pression, le débit et la température pour estimer l'épaisseur de la salissure. Une station a utilisé un modèle de régression forestière aléatoire pour planifier le nettoyage chimique en ligne d'un échangeur de chaleur modérateur, évitant une panne de quatre jours qui aurait été nécessaire pour le nettoyage mécanique. Le modèle a obtenu une précision de 90 % pour prédire les taux de salissure, permettant à la station de reporter le nettoyage à une panne planifiée sans perte de performance.

Avantages opérationnels et améliorations de la sécurité

Le passage de l'entretien réactif et périodique à des stratégies prédictives fondées sur l'IA donne des avantages composés tout au long du cycle de vie des plantes.

La détection précoce des défauts renforce la défense en dèpth

La sûreté nucléaire repose sur la défense en profondeur et la maintenance prédictive ajoute une couche d'intelligence de première ligne. L'identification des anomalies dans les systèmes d'eau de service essentiels, les générateurs diesel d'urgence ou les systèmes de refroidissement des arrêts quelques semaines avant qu'ils ne déclenchent une défaillance de l'essai de surveillance permet à l'usine de résoudre les vulnérabilités latentes de façon proactive. Dans un contexte CANDU, la détection précoce de la dégradation des tubes de pression est particulièrement critique parce qu'une rupture soudaine pourrait remettre en question le confinement.

Au-delà des avantages directs pour la sécurité, l'entretien prédictif réduit la fréquence des transitoires imprévus. Moins de trajets du réacteur signifie moins de cycles thermiques sur les limites de pression, prolongeant la durée de vie des composants. Une analyse 2022 d'une station CANDU à plusieurs unités a révélé que l'entretien par l'IA a réduit les déplacements imprévus de 30 % sur trois ans, réduisant de moitié le nombre d'actionnements du système de sécurité.

Planification de l'optimisation des pannes et de la remise en état

Les pannes prévues pour les réacteurs CANDU coûtent des millions de dollars par jour en revenus de production perdus. La maintenance prédictive transforme la portée de panne d'une liste de vérification prudente en un ensemble de travaux ciblés. Au lieu d'ouvrir toutes les voies de production de vapeur pour inspecter chaque tube à chaque panne, les équipes d'usine utilisent le classement des risques d'IA pour sélectionner uniquement les tubes dont la probabilité de croissance des défauts est la plus élevée, ce qui réduit l'exposition aux rayonnements pour les équipes d'entretien et la durée de panne.

La réduction de la durée des pannes présente également un avantage pour la performance humaine. Moins de jours de travail sous une pression accrue de l'horaire réduisent la probabilité d'erreurs humaines. L'entretien prédictif aide à concevoir les arriérés de maintenance en accordant la priorité aux composantes essentielles, en veillant à ce que les ressources limitées en matière de panne soient affectées aux articles à risque élevé.

Surmonter les obstacles à la mise en œuvre

Le déploiement de la maintenance prédictive axée sur l'IA dans une station CANDU implique beaucoup plus que l'installation de logiciels.

Cybersécurité et confiance en données

La solution standard est une architecture stratifiée : les données de la technologie opérationnelle (OT) passent unidirectionnellement par des diodes de données dans un environnement analytique distinct, garantissant qu'aucune commande externe ne peut atteindre les systèmes liés à la sécurité. L'intégrité des données est tout aussi critique – les modèles AI se dégradent rapidement sur les flux de capteurs corrompus. Des pipelines de validation robustes utilisant des vérifications de la justesse basées sur la physique et des empreintes digitales sont maintenant standard avant que les données entrent dans le pipeline de formation.

De plus, l'environnement analytique lui-même doit être durci. De nombreuses stations déploient des grappes locales à gain d'air pour la formation des modèles, avec seulement des résultats curés transférés au réseau OT pour l'affichage. L'essai de pénétration du pipeline de données complet est une condition préalable à l'approbation réglementaire.

AI explicable et acceptation réglementaire

Les premiers réseaux neuraux étaient des boîtes noires et répondaient au scepticisme.L'augmentation des outils d'IA (XAI) explicables a résolu cette situation.Les valeurs SHAP (SHapley Additive exPlanations) et les visualisations de poids d'attention permettent maintenant aux analystes de voir quels capteurs d'entrée et fenêtres temporelles ont conduit une note d'anomalie donnée. Lorsqu'un modèle signale un risque élevé de fracture du tube de pression, il génère automatiquement un rapport reliant l'alerte à des oscillations de température spécifiques, des pics chimiques récents et des données historiques provenant de canaux semblables.Cette transparence permet à l'industrie de passer de --fiducie l'algorithme à -fiducie l'examen technique soutenu par l'algorithme.

Pour renforcer la confiance, de nombreux services publics adoptent un déploiement échelonné : d'abord, ils utilisent des modèles d'IA en mode ombre (uniquement des avis) en plus de la surveillance existante, puis ils accroissent progressivement leur confiance à mesure que la confiance augmente.

Volume de données et infrastructure informatique

Une seule unité CANDU peut générer des téraoctets de données opérationnelles par an. Le déplacement de ces données vers les installations du cloud central est souvent peu pratique en raison de la bande passante et des contraintes de sécurité. Les solutions de calcul sur bord sont de plus en plus déployées, exécutant des modèles légers directement sur des passerelles industrielles durcies à proximité des capteurs.

Les dispositifs de bord sont conçus pour une grande fiabilité dans des conditions environnementales nucléaires, y compris la tolérance aux rayonnements et des plages de température prolongées. Ils exécutent souvent des modèles quantifiés pour réduire l'empreinte mémoire, en utilisant des cadres comme TensorFlow Lite ou ONNX Runtime. Certaines stations déploient des grilles programmables sur le terrain (FPGA) pour une inférence ultra-faible de latence sur les formes d'onde de vibration.

Progrès de l'industrie et études de cas prouvées

Ontario Power Generation (OPG), le plus grand opérateur CANDU au monde, a investi massivement dans une plateforme numérique jumelle pour les stations Darlington et Pickering. La plateforme ingère des décennies de données opérationnelles – de la déformation des canaux de combustible à l'équipement d'équilibre des installations – et exécute des milliers de simulations quotidiennes de -quoi-si-quoi. Lors d'une récente panne planifiée à Darlington, le jumeau numérique a prédit qu'un ensemble précis de tuyaux d'alimentation atteindrait leur limite d'épaisseur des parois neuf mois avant la date de conception-bassis; l'usine les a remplacées pendant cette même panne, évitant ainsi une intervention coûteuse à mi-cycle.

Un autre exemple est celui d'une station CANDU multi-unités à l'extérieur du Canada qui a connu des fuites récurrentes de tubes générateurs de vapeur.Après avoir déployé un système de surveillance acoustique combiné à un classificateur de démarrage de gradient, le délai de détection des fissures de tubes a sauté de 18 heures (en utilisant l'analyse traditionnelle de capteurs d'éclatement) à plus de 200 heures – un temps suffisant pour décroître et isoler l'unité touchée en toute sécurité sans procédures d'urgence.

En Corée du Sud, les unités de Wolsong CANDU ont mis en place une surveillance par l'IA pour leur système modérateur. Un réseau neuronal récurrent formé sur dix ans de données de vibration de la pompe modérateur détecte maintenant une dégradation de roulement avec une précision de 95 % au moins huit semaines avant la panne. Le système génère automatiquement des commandes de travail dans le système de gestion de la maintenance de la station, intégrant sans heurts dans les flux de travail existants.

Une station CANDU roumaine a utilisé l'apprentissage du renforcement pour optimiser son calendrier de pannes. L'agent AI a été chargé de séquencer les activités de travail pour minimiser le chemin critique tout en respectant les contraintes de ressources et de sécurité. Le calendrier résultant a réduit la durée de panne de cinq jours, économisant 2,5 millions d'euros en coûts de remplacement.

Orientations futures : Gestion autonome de la flotte et RMR

Les modèles d'apprentissage automatique ingéreront les données des capteurs de prochaine génération tels que les jauges de contrainte fibre-optiques intégrées dans le confinement en béton et la détection acoustique distribuée le long des longueurs des tubes de pression. Les techniques d'apprentissage du transfert permettront à un modèle formé sur une unité de l'historique de dégradation d'être affiné pour une unité soeur avec des données supplémentaires minimales, ce qui accélérera le déploiement sur plusieurs sites.

Les systèmes de gestion de l'énergie, qui sont conçus pour les réacteurs modulaires de petite taille (RMR), qui tirent parti de la technologie CANDU, comme les concepts canadiens de RMR en eau lourde, sont conçus dès le départ avec des conseillers autonomes en maintenance. Ces systèmes négocieront automatiquement des calendriers de maintenance avec l'exploitant du réseau, en optimisant la santé des actifs et la valeur marchande de l'électricité.

Une autre frontière intéressante est l'intégration de la maintenance prédictive avec les jumeaux numériques qui comprennent des modèles d'intégrité structurelle en temps réel.Ces jumeaux, mis à jour avec les prévisions d'IA, peuvent simuler les conséquences des composants dégradants sur les marges de sécurité globale des usines, permettant aux exploitants de prendre des décisions éclairées sur le risque de poursuivre leur exploitation par rapport à la prise de mesures immédiates.

Conclusion

En fusionnant l'apprentissage par machine, en connaissance de physique, avec des données de capteurs denses, les opérateurs peuvent maintenant anticiper l'usure des tubes de pression, l'encrassement des générateurs de vapeur et la dégradation des pompes avec précision, impossible à atteindre il y a une décennie. Le résultat va au-delà des coûts d'entretien plus faibles ou de moins d'interruptions imprévues – il renforce fondamentalement la philosophie de la sécurité en profondeur qui sous-tend l'énergie nucléaire.

Les efforts de normalisation du Groupe des propriétaires de CANDU, combinés aux directives réglementaires de l'AIEA et des organismes nationaux, créent un écosystème où la fiabilité à l'IA devient la norme plutôt que l'exception. Pour les exploitants qui font face à la double pression de l'extension de la vie des installations et de la concurrence avec les énergies renouvelables à faible coût, l'entretien prédictif offre une voie claire vers une production nucléaire plus sûre, moins coûteuse et plus fiable.