Le besoin croissant de sûreté avancée dans l'énergie nucléaire

L'énergie nucléaire fournit environ 10 % de l'électricité mondiale et demeure l'une des sources d'énergie les plus faibles au carbone. Alors que les pays poursuivent des objectifs d'émissions nettes nulles, beaucoup prolongent la durée de vie des réacteurs existants et investissent dans des projets de nouvelle génération tels que les petits réacteurs modulaires (RMR) et les systèmes avancés de la génération IV.

Les systèmes de sûreté traditionnels reposent sur des modèles déterministes, le jugement des opérateurs humains et les inspections périodiques, qui ont bien servi l'industrie, mais qui sont fondamentalement réactifs ou programmés. Ils ne peuvent pas anticiper en permanence les modes de défaillance qui émergent d'interactions subtiles et complexes entre les composantes vieillissantes, les conditions d'exploitation changeantes et les facteurs humains. C'est là que l'intelligence artificielle (IA) offre un pas en avant transformateur.

Comment l'intelligence artificielle remodele-t-elle les protocoles de sûreté nucléaire

Dans les installations nucléaires, les systèmes d'IA ingèrent des données de capteurs provenant de milliers de points à travers le cœur du réacteur, des boucles de refroidissement, des structures de confinement et des systèmes auxiliaires. Ces systèmes appliquent l'apprentissage statistique et la reconnaissance des modèles pour signaler les écarts par rapport au comportement normal.

Entretien prédictif et fiabilité de l'équipement

L'une des applications les plus matures de l'IA en matière de sûreté nucléaire est l'entretien prédictif.Les équipements rotatifs tels que les pompes, les turbines et les compresseurs, ainsi que les actifs fixes tels que les échangeurs de chaleur et les vannes, sont surveillés en permanence. L'analyse des vibrations, les émissions acoustiques, les tendances de température et les données de dégradation de la lubrification alimentent les modèles d'IA qui identifient les signes précoces d'usure ou de défaillances naissantes.

Au-delà des équipements rotatifs, les modèles AI prédisent la dégradation des câbles, des joints et des instruments. Les centrales nucléaires contiennent des centaines de kilomètres de câbles électriques qui peuvent souffrir de vieillissement thermique, de fragilisation des rayonnements ou d'infiltration d'humidité.

Systèmes de surveillance en temps réel et d'alerte rapide

Contrairement aux alarmes fixes qui ne déclenchent que lorsqu'une variable franchit un seuil dur, les modèles d'IA détectent des déplacements subtils et multivariés qui sont statistiquement anormaux mais individuellement dans une plage normale. Par exemple, une combinaison de température de refroidissement légèrement élevée, de débit légèrement réduit et d'une fluctuation de pression mineure ne déclencherait pas une seule alarme, mais un modèle d'IA formé sur des données transitoires historiques reconnaît ce modèle comme précurseur d'un événement de cavitation de pompe.

Ces systèmes améliorent également la sensibilisation à la situation lors d'événements anormaux. Lorsqu'une installation fonctionne en dehors des conditions normales, le volume d'alarmes peut surcharger les opérateurs. L'alarme basée sur l'IA filtre les alertes de nuisance et met en évidence les causes les plus probables, réduisant la charge cognitive et aidant les opérateurs à se concentrer sur les actions les plus critiques.

Détection des anomalies et reconnaissance des modèles

Les modèles d'IA formés à des données d'inspection historiques, y compris des mesures d'épaisseur ultrasonore, des signaux de courant de tourbillon et des images visuelles provenant de rampeurs robotisés, peuvent détecter des modèles qui indiquent des dommages naissants. L'analyse d'images d'apprentissage approfondi, par exemple, permet d'obtenir une grande précision dans l'identification des fissures de corrosion par stress dans les tubes générateurs de vapeur à partir de données d'essai de courant de tourbillon, ce qui permet souvent de détecter des défauts que les analystes humains ne peuvent pas détecter.

Jumelles numériques et prévision fondée sur la simulation

La technologie numérique à double génération crée une réplique virtuelle d'un système de réacteur physique qui reflète son comportement en temps réel. L'IA améliore les jumeaux numériques en apprenant des données opérationnelles pour améliorer la fidélité de la simulation. Les ingénieurs peuvent exécuter des scénarios « what-if » sur le jumeau numérique – comme une perte d'accident de liquide de refroidissement, d'arrêt de station ou d'événement sismique – et observer comment le modèle amélioré par l'IA prédit l'évolution de l'incident. Cela permet aux opérateurs de répéter les interventions d'urgence dans un environnement sûr et d'affiner les procédures basées sur des données.

Techniques d'IA pour l'alimentation des systèmes de sûreté nucléaire

Plusieurs méthodes spécifiques d'IA et d'apprentissage automatique sont déployées ou recherchées pour des applications de sûreté nucléaire. La compréhension de ces techniques aide à clarifier la façon dont elles contribuent à la prédiction des incidents.

Apprentissage supervisé pour la classification et la régression

Les modèles supervisés sont formés à des ensembles de données étiquetés où les événements de défaillance connus ou les états de dégradation sont appariés aux signatures des capteurs. Par exemple, un ensemble de données sur les défaillances passées de la pompe avec les spectres de vibration correspondants permet à un modèle de machine à vecteur aléatoire de la forêt ou de support de classer de nouvelles données comme «normales» ou «pré-échec». Les modèles de régression estiment la durée de vie utile des composants, produisant une estimation du temps à l'échec que les opérateurs peuvent utiliser pour la maintenance de l'horaire.

Apprentissage non supervisé et semi-survisé

Un autoencodeur apprend à reconstruire des données d'exploitation normales; lorsqu'il est présenté avec des données anormales, ses pics d'erreur de reconstruction, en faisant apparaître l'anomalie. Cette approche est particulièrement utile pour détecter de nouveaux modes de défaillance imprévus. Les méthodes semi-supervisées utilisent une petite quantité de données marquées combinées à un plus grand ensemble de données non marquées, ce qui est réaliste pour les paramètres nucléaires où l'étiquetage est coûteux mais les données brutes sont abondantes.

Deep Learning pour les séries chronologiques multivariées

Les réseaux de mémoire à court terme (LSTM) et les modèles basés sur les transformateurs sont bien adaptés pour analyser les séries chronologiques multivariées des réacteurs nucléaires. Ces architectures permettent de saisir les dépendances temporelles à long terme et les interactions entre plusieurs flux de capteurs. Par exemple, un modèle LSTM formé sur les données du noyau du réacteur, de la boucle primaire de refroidissement et du système de vapeur secondaire peut prédire l'apparition d'instabilités d'écoulement ou d'oscillations d'onde de densité dans les réacteurs à eau bouillante.

Traitement des langues naturelles pour l'analyse historique des incidents

Le traitement du langage naturel (PNL) peut exploiter ces documents textuels non structurés pour extraire les modèles et les facteurs contributifs. La modélisation thématique et la reconnaissance des entités nommées aident à identifier les séquences de défaillance récurrentes, les voies d'erreur humaine ou les familles d'équipement à risque élevé. Cette connaissance se nourrit de modèles prédictifs et aide à affiner les procédures.

Applications et études de cas dans le monde réel

Aux États-Unis, l'Electric Power Research Institute (EPRI) a établi un partenariat avec les services publics pour déployer des modèles d'apprentissage des machines pour prédire le risque de défaillances du revêtement du combustible, de dégradation des tubes de générateur de vapeur et de dégradation des joints de la pompe de refroidissement des réacteurs, qui ont montré la capacité de détecter les problèmes émergents des semaines plus tôt que les contrôles conventionnels, donnant aux exploitants le temps d'ajuster la chimie, de réduire la puissance ou de prévoir les réparations.

Au Canada, Ontario Power Generation a mis en place une détection d'anomalies par l'IA dans ses centrales nucléaires Darlington et Pickering. Le système surveille les données de plus de 10 000 capteurs et émet des avertissements précoces pour les écarts dans des paramètres tels que la température du modérateur, la pression du système de transport de la chaleur et la sortie du générateur.

L'Agence internationale de l'énergie atomique (AIEA) a mis en place des projets de recherche coordonnés sur l'application de l'IA à la sûreté nucléaire, notamment la mise au point de séries de données de référence pour la validation des modèles d'IA, qui visent à créer des mesures de performance normalisées et à garantir que les modèles d'IA sont robustes et généralisables pour différents types de réacteurs et conditions d'exploitation.

En Corée du Sud, l'Institut coréen de recherche sur l'énergie atomique (KAERI) a mis au point un système d'apprentissage profond pour prédire le rapport critique de flux de chaleur dans les réacteurs à eau sous pression, un paramètre clé de sécurité qui détermine la marge de sortie de l'ébullition du nucléate.

Défis et limites

Malgré un potentiel évident, le déploiement de l'IA pour la prévision des incidents de sûreté nucléaire se heurte à des défis importants qui doivent être résolus pour une adoption généralisée.

Qualité et disponibilité des données

Dans le domaine de l'énergie nucléaire, la pénurie de données est un problème parce que les incidents majeurs sont rares, et même des transitoires mineurs peuvent ne pas être systématiquement capturés. De nombreuses usines ne disposent pas de la densité de capteurs ou de l'infrastructure d'archivage des données nécessaires pour former des modèles complexes. De plus, les données provenant de différentes usines ou conceptions de réacteurs peuvent ne pas être bien transférées en raison de différences dans les configurations d'instrumentation, de pratiques opérationnelles et d'équipement.

Modèle d'interprétation et de confiance

Les modèles d'IA à boîte noire qui ne peuvent expliquer leurs prédictions sont confrontés à une résistance des opérateurs et des régulateurs.Les méthodes d'IA explicables s'améliorent, mais il n'existe pas de norme universelle pour ce qui constitue une explication suffisante dans un contexte critique en matière de sécurité.Les régulateurs peuvent exiger que les systèmes d'IA soient vérifiés officiellement, ce qui montre que les prévisions du modèle sont vraisemblablement correctes dans toutes les conditions prévisibles, ce qui est difficile pour les systèmes d'apprentissage profond.

Risques liés à la cybersécurité

Un adversaire pourrait modifier les données d'entraînement pour empoisonner le modèle, manipuler les entrées de capteurs pour provoquer de fausses prédictions, ou attaquer directement le moteur de inférence de l'IA pour désactiver ses sorties. Protéger les modèles de l'IA contre des exemples contradictoires est un domaine de recherche actif, mais aucune solution n'est parfaite. Les centrales nucléaires doivent inclure les systèmes de l'IA dans leurs cadres de cybersécurité existants, appliquer des principes de défense en profondeur et s'assurer que les prévisions basées sur l'IA sont contre-vérifiées par des mesures indépendantes.

Les obstacles réglementaires

Les règlements actuels en matière de sûreté nucléaire ont été conçus pour un monde sans AI. L'octroi de licences à un système qui repose sur l'apprentissage automatique, où le comportement du modèle peut changer avec de nouvelles données, présente de nouveaux défis. Les organismes de réglementation doivent répondre aux questions sur la validation des modèles, le contrôle des changements, la gestion à vie et la vérification de la robustesse.

Considérations éthiques et réglementaires

L'IA en sûreté nucléaire soulève des questions éthiques qui dépassent le rendement technique. La responsabilité est une préoccupation centrale : si un système d'IA recommande une ligne de conduite menant à un incident de sûreté, qui est responsable – le développeur, l'exploitant, l'organisme de réglementation ou l'IA lui-même? Les cadres actuels établissent la responsabilité ultime avec le titulaire de permis, mais l'attribution pratique peut être ambiguë lorsque les décisions sont éclairées par des modèles opaques.

Les outils d'intelligence artificielle avancés sont coûteux et nécessitent des compétences spécialisées, ce qui peut creuser l'écart entre les exploitants nucléaires dotés de ressources suffisantes et ceux des pays en développement. La collaboration internationale et l'élaboration de modèles open-source peuvent contribuer à répartir les capacités de manière plus uniforme, mais le financement et l'infrastructure technique demeurent des obstacles.

La protection de la vie privée est un problème moindre dans ce contexte, car les données des capteurs provenant d'équipements industriels ne comportent pas de renseignements personnels. Cependant, les modèles d'IA formés sur les données provenant d'une usine pourraient révéler des modèles opérationnels qu'un concurrent ou un adversaire pourrait exploiter, ce qui soulèverait des dilemmes en matière de partage de données pour la recherche en collaboration.

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

La trajectoire de l'IA en matière de sûreté nucléaire permet d'atteindre des systèmes plus intégrés, adaptatifs et autonomes.

Modèles de base pour les applications nucléaires

Les chercheurs étudient l'utilisation de modèles pré-formés à grande échelle, semblables à ceux utilisés dans le traitement du langage naturel, qui peuvent être adaptés à des tâches spécifiques de sûreté nucléaire. Un modèle de base formé à un large corpus de données sur les réacteurs, de sorties de simulation et de procédures opérationnelles pourrait accélérer le développement de modèles spécialisés pour les installations individuelles.

fédéré apprentissage pour le renseignement transplantaire

L'apprentissage fédéré permet à plusieurs centrales nucléaires de former un modèle d'IA partagé sans partager de données brutes, en répondant aux préoccupations de partage de données tout en améliorant les performances du modèle. Chaque centrale forme un modèle local sur ses propres données, et seules les mises à jour du modèle — et non les données elles-mêmes — sont envoyées à un serveur central.

Systèmes de sécurité autonomes

À plus long terme, l'IA peut permettre des systèmes de sûreté autonomes qui peuvent détecter un incident imminent et déclencher des mesures de protection plus rapidement que les opérateurs humains. Ces systèmes fonctionneraient dans des limites strictes définies par approbation réglementaire et pourraient se limiter à des scénarios bien compris tels que le voyage du réacteur dans des conditions confirmées. L'adoption vers l'automatisation soulève des questions plus approfondies sur l'équipement de machines humaines et le niveau approprié d'autorité de la machine.

Jumelles numériques pour boîtier de sécurité continue

Les futures centrales nucléaires peuvent fonctionner avec des jumeaux numériques continus qui maintiennent un dossier de sûreté à jour. Comme le jumeau numérique intègre de nouvelles données issues des inspections, des lectures de capteurs et de l'expérience de fonctionnement, le dossier de sûreté est mis à jour en temps quasi réel. Les modèles d'IA au sein du jumeau identifieraient les risques émergents et suggéreraient des modifications aux limites d'exploitation ou aux calendriers d'inspection. Ce dossier de sûreté dynamique pourrait être examiné périodiquement par les organismes de réglementation, en s'éloignant du modèle actuel d'analyses statiques de sûreté effectuées lors des licences et des mises à jour majeures.

Conclusion

L'intelligence artificielle améliore déjà la prédiction des incidents de sûreté nucléaire en permettant une détection plus précoce de la dégradation des équipements, une reconnaissance plus précise des anomalies et un soutien plus efficace aux décisions des opérateurs.La maintenance prédictive, la surveillance en temps réel, les jumeaux numériques et les techniques avancées d'apprentissage des machines passent de la recherche à l'utilisation opérationnelle dans les installations du monde entier.

Toutefois, pour réaliser ce potentiel, il faut relever de véritables défis en matière de disponibilité des données, d'interprétation des modèles, de cybersécurité et de développement réglementaire. L'industrie doit faire preuve de prudence, en renforçant la confiance grâce à la transparence, à une validation rigoureuse et à une surveillance humaine soutenue.La collaboration entre les services publics, les concepteurs de technologies, les institutions de recherche et les organismes de réglementation est essentielle pour créer des normes solides et des pratiques acceptées.

Pour plus de détails, voir les ressources de Agence internationale de l'énergie atomique, de ]Commission de réglementation nucléaire des États-Unis et de Institut de recherche sur l'énergie électrique.