Introduction: Convergence des réacteurs AI et Fast Geneder

Les réacteurs à générateur rapide (RBR) représentent une pierre angulaire des cycles avancés du combustible nucléaire, conçus pour produire plus de matières fissiles, généralement du plutonium-239, qu'ils consomment. En convertissant l'uranium fertile-238 en combustible utilisable, les RBR promettent d'étendre les ressources en uranium par ordre de grandeur tout en réduisant les déchets radioactifs à longue durée de vie. Cependant, les caractéristiques mêmes qui rendent les RBR attrayants — flux neutronien élevé, fluides et liquides (sodique, plomb ou plomb-bismuth) et la manipulation complexe du combustible — présentent également des défis opérationnels qui exigent une surveillance, un contrôle et une assurance de sécurité extrêmement précises.

AI et ML dans les opérations de réacteur

L'exploitation d'un réacteur d'élevage rapide est un ballet continu de centaines de paramètres interdépendants : distribution du flux de neutrons, températures de montage du combustible, débit de liquide de refroidissement, vitesses de pompe et conditions d'échangeur de chaleur, entre autres. Les opérateurs humains, même avec des décennies d'expérience, ne peuvent surveiller simultanément qu'une fraction de ces signaux. Les algorithmes AI et ML, en particulier les méthodes d'apprentissage et d'ensemble approfondis, excellent dans le traitement de données de série chronologique à haute dimension pour identifier des corrélations subtiles et des écarts qui précèdent la dégradation ou les anomalies de performance.

Analyse des données pour la gestion des ressources de base et des combustibles

Les modèles ML formés sur les données historiques de performance du combustible peuvent prédire le gonflement, la déformation de l'enrobage et le dégagement de gaz de fission avec une précision plus grande que les corrélations empiriques traditionnelles. Par exemple, des réseaux neuronaux ont été utilisés pour prévoir le brûlage et l'inventaire isotopique du combustible mixte (MOX) dans les réacteurs rapides, permettant une planification plus précise du rechargement du cœur et réduisant la nécessité de marges de sécurité prudentes. De même, les modèles basés sur la convolution peuvent analyser les cartes des flux de neutrons — de façon à déterminer comment fonctionne la reconnaissance de l'image — pour détecter des points chauds ou des anomalies localisées dans la distribution de puissance, ce qui incite les opérateurs à ajuster les positions des barres de commande ou les débits avant que les limites ne soient dépassées.

Surveillance et diagnostic en temps réel

Les appareils de classification de la machine, comme les forêts aléatoires ou les machines à vecteur de soutien, peuvent être formés sur des données de fonctionnement normales et simulées pour reconnaître les signatures précoces de modes de défaillance communs – par exemple, l'ébullition du sodium, le blocage des canaux de refroidissement ou une rupture de l'éclaboussure de combustible. Une fois déployés, ces modèles fonctionnent continuellement, émettant des alertes avec un score de confiance et, dans de nombreux cas, suggérant la cause la plus probable. Le Laboratoire national Idaho, par exemple, a démontré des diagnostics basés sur le LM pour les réacteurs rapides refroidis au sodium à l'aide d'un environnement numérique jumelé, obtenant plus de 95 % de précision dans la classification de sept conditions transitoires différentes.

Entretien prédictif

Les composants tels que les générateurs de vapeur, les échangeurs de chaleur intermédiaires et les pompes électromagnétiques sont coûteux à réparer et soumis à une dégradation rapide dans un environnement sodique à haute température. Les modèles de régression ML et les techniques d'analyse de survie peuvent fusionner les données de vibration, les tendances de température et les heures de fonctionnement pour estimer la durée de vie utile restante de ces actifs. Plutôt que de suivre un calendrier fixe qui pourrait remplacer les composants trop tôt ou trop tard, PdM permet un entretien basé sur l'état qui maximise la vie des composants tout en évitant les pannes imprévues. Dans les FBR refroidis au sodium, un autre défi est la nécessité de détecter de petites fuites de liquide de refroidissement qui peuvent déposer des produits de réaction dans des zones critiques.

Systèmes de contrôle automatisés

Les systèmes de commande à commande assistée par AI, utilisant l'apprentissage du renforcement (RL) ou le contrôle prédictif du modèle (MPC) avec une dynamique apprise, peuvent gérer ces transitoires plus efficacement que les contrôleurs PID à paramètres fixes. Dans un cadre de RL, le contrôleur apprend une politique optimale en interagissant avec un simulateur du réacteur, recevant des récompenses pour maintenir des températures et des pressions sécuritaires tout en répondant à la demande de puissance. La politique peut alors être déployée sur l'usine actuelle, où elle s'adapte continuellement à des conditions changeantes, telles que le burnup ou la pureté du liquide de refroidissement. La recherche effectuée par l'Institut avancé des sciences et technologies de la Corée (KAIST) a montré qu'un contrôleur basé sur RL pour un réacteur rapide refroidi au sodium peut régler les niveaux d'énergie tout au long d'un cycle de combustible avec des limites de température plus strictes que celles d'un contrôleur conventionnel, tout en respectant les contraintes de sécurité.

Améliorer la sécurité avec l'IA et le ML

La sécurité est l'impératif primordial de conception pour tout réacteur nucléaire, et les FBR présentent des défis uniques : la réactivité chimique du sodium avec l'air et l'eau, les températures de fonctionnement élevées (souvent supérieures à 500 °C) et le potentiel de coefficients de vide positifs dans certaines séquences d'accidents. L'IA et la ML offrent de nouvelles couches de défense en améliorant la prévention des accidents, la détection, l'atténuation et l'analyse post-accident.

Détection des anomalies et analyse des précurseurs d'accidents

Les systèmes de sécurité classiques reposent sur des seuils fixes et des capteurs redondants; ils peuvent détecter une rupture importante ou une déviation grave, mais ils peuvent manquer l'accumulation progressive de conditions qui entraînent une perte de refroidissement ou une insertion de réactivité.Des méthodes ML non supervisées — des auto-encodeurs, des machines à vecteur de support d'une classe et des forêts d'isolement — peuvent continuellement apprendre le régime normal d'exploitation du réacteur et signaler toute déviation, peu importe la taille de la pompe. En analysant simultanément les données à haute dimension provenant de centaines de capteurs, ces modèles peuvent identifier des corrélations qu'un opérateur humain ne verra peut-être jamais. Par exemple, une légère hausse de la température de sortie d'un assemblage de combustible particulier, combinée à un schéma de vibration inhabituel dans une pompe voisine, pourrait indiquer un blocage imminent, même si chaque signal individuel reste en dessous de son seuil d'alarme.

Prédiction et intervention d'urgence

Pour les accidents à très faible probabilité, comme la perte d'un puits de chaleur ou l'éjection d'une tige de commande, une prédiction rapide et précise de la progression de l'accident est essentielle pour atténuer rapidement les effets. Les modèles de substitution ML peuvent être formés à des simulations physiques de haute fiabilité (p. ex., dynamique des fluides calculateurs pour le débit de sodium, codes neutroniques pour la cinétique du réacteur) afin de prévoir les comportements transitoires en quelques secondes plutôt que des heures. Ces modèles de substitution peuvent être intégrés dans des systèmes d'intervention d'urgence qui ingèrent continuellement les données des installations, les comparent aux scénarios d'accident et prévoient l'évolution probable d'un événement. Si la prévision indique une violation des limites de sécurité, le système peut automatiquement entreprendre des mesures de protection – comme le brouillage du réacteur ou l'élimination de la chaleur passive – ou recommander des mesures spécifiques de l'opérateur.

Évaluation des risques et soutien à la décision

Les réseaux bayésiens, par exemple, peuvent intégrer des données provenant de sources multiples pour mettre à jour dynamiquement la probabilité de défaillances de composants ou d'événements de causes communes. Cela donne un modèle de risque vivant qui évolue à mesure que l'usine vieillit et que de nouvelles informations deviennent disponibles. De plus, les systèmes de soutien à la décision fondés sur la LM peuvent aider les analystes de la sécurité à évaluer les compromis entre différentes conceptions ou modifications de procédure. Par exemple, si une modification proposée au système de manutention du combustible réduit la probabilité d'un certain accident mais augmente les conséquences d'un autre, une analyse multicritères de décision assistée par la LM peut quantifier l'effet net sur le risque global.

Équipement de machines humaines

Dans les salles de contrôle FBR, les outils de soutien à la décision peuvent mettre en évidence les conditions de l'usine qui nécessitent une attention particulière, expliquer pourquoi une action particulière est suggérée et permettre aux opérateurs de creuser dans les données sous-jacentes. Des études ont montré que lorsque les opérateurs reçoivent des diagnostics et des conseils axés sur l'IA, ils prennent des décisions plus rapides et plus précises, surtout lors de scénarios complexes et sous pression de temps, comme une perte partielle de flux de liquide de refroidissement.

Défis et considérations

L'adoption de l'IA et de la ML dans les opérations FBR n'est pas sans obstacles. La qualité et la quantité des données sont des préoccupations principales. Les FBR ne sont pas nombreuses — seulement une poignée de prototypes et d'unités commerciales existent dans le monde entier — de sorte que les données de formation pour toute conception spécifique de réacteurs sont rares. Les données synthétiques issues de simulations de haute fidélité peuvent augmenter les ensembles de données réelles, mais la fidélité de ces simulations doit être validée par rapport aux expériences réelles. De plus, les données nucléaires sont souvent propriétaires ou classifiées en matière de sécurité, ce qui complique le développement de ensembles de données de référence ouverts pour la communauté de la recherche.

Perspectives d'avenir

L'évolution de l'IA et de la ML dans les applications de réacteurs à sélection rapide s'accélère, alimentée par les progrès dans le matériel informatique et la recherche algorithmique.

Jumelles numériques et apprentissage continu

Une double dimension numérique, une réplique virtuelle du réacteur physique qui reflète son état en temps réel, est l'extension logique des outils actuels de surveillance et de simulation de l'IA. En alliant un modèle basé sur la physique avec des paramètres mis à jour par ML, le jumeau numérique peut fournir une simulation haute fidélité, toujours sur la base qui prédit les états futurs, les jours, ou les cycles à venir. Pour les FBR, les jumelles numériques peuvent optimiser le brouillage du combustible, prédire l'inclinaison du cœur en raison de l'irradiation et simuler l'impact de la modification de la chimie du liquide de refroidissement.

Systèmes autonomes de fonctionnement et d'auto-guérison

L'IA au cœur d'un tel système devrait gérer toutes les opérations de routine, détecter et diagnostiquer les défauts, et même effectuer des réparations automatiques – par exemple, en repositionnant des tiges de commande, en ajustant les pompes de refroidissement ou en isolant un composant défectueux. Bien que l'autonomie totale soit probablement de plusieurs décennies pour les FBR commerciales, des étapes progressives sont déjà testées. Les boucles d'essai refroidies au sodium avec contrôle piloté par l'IA ont démontré la capacité de maintenir un débit et une température stables dans des scénarios simulés de défaillance.

Intégration avec d'autres technologies avancées

Lorsqu'elles sont combinées à des capteurs avancés (par exemple, détecteurs de température à fibre optique, surveillance acoustique et caméras à rayonnement durci), à des systèmes informatiques performants et à des réseaux de communication sécurisés, elles constituent une infrastructure numérique complète pour les systèmes FBR de prochaine génération. La disponibilité croissante de calcul quantique pour les problèmes d'optimisation peut améliorer encore la capacité de résoudre en temps réel des problèmes complexes de neutronique et de thermohydraulique.

Progrès en matière de réglementation et de normalisation

La communauté internationale, par l'intermédiaire d'organisations telles que l'AIEA et l'AEN de l'OCDE, a lancé des groupes de travail sur l'IA pour les applications nucléaires, et plusieurs régulateurs nationaux ont lancé des projets pilotes pour évaluer l'utilisation de la LM dans les systèmes critiques en matière de sûreté.La normalisation des formats de données, des paramètres d'évaluation des modèles et des protocoles de validation sera essentielle pour renforcer la confiance.La participation précoce des régulateurs au cycle de développement, plutôt qu'après déploiement, peut faciliter la voie vers l'octroi de licences.

Conclusion : Une ère plus sûre et plus efficace pour les éleveurs

L'apprentissage de l'IA et de la machine permet de réduire cette barrière en offrant des outils qui améliorent chaque phase des opérations de réacteur, de la gestion du combustible et du contrôle en temps réel à la maintenance prédictive et au contrôle automatisé. Du côté de la sécurité, ces technologies permettent une détection précoce des anomalies, une prévision d'urgence plus rapide, des évaluations des risques plus précises et une meilleure équipe de machines humaines. Les défis de la pénurie de données, de la robustesse des modèles et de l'acceptation réglementaire sont abordés par la recherche collaborative, les jumeaux numériques, les approches hybrides de la physique et du langage portable, et un engagement proactif auprès des autorités de sécurité. L'avenir verra presque certainement les RAF fonctionner avec des degrés d'autonomie variables, soutenus par des systèmes d'IA qui apprennent et s'adaptent continuellement.

Références et lectures complémentaires: