Introduction : Une nouvelle ère pour la sûreté nucléaire

Parmi les nombreux défis opérationnels auxquels sont confrontés les exploitants de réacteurs, l'empoisonnement au xénon – aussi connu sous le nom de fosse au xénon ou d'effet de fosse à iode – demeure l'un des plus critiques. Ce phénomène, causé par le produit de fission xénon-135, peut rapidement dérailler une économie de réacteur à neutrons, entraînant des réductions de puissance inattendues, des conditions de redémarrage difficiles et, dans les cas extrêmes, des préoccupations de sécurité. Les méthodes traditionnelles de gestion de l'accumulation de xénon reposent sur l'expertise manuelle des opérateurs et des systèmes de contrôle fondés sur des règles, mais ces approches sont réactives et limitées par les temps de réaction humaine.

Comprendre le Xénon-135 et le Mécanisme d'empoisonnement

Xenon-135 (Xe-135) est un isotope instable produit directement comme produit de fission ou par la dégradation bêta de l'iode-135. Sa signification provient de sa section transversale d'absorption des neutrons – environ 2,7 millions de granges pour les neutrons thermiques – qui est plusieurs fois plus grande que celle des combustibles ou des matériaux structuraux typiques. Lorsque Xe-135 s'accumule, il vole les neutrons de la réaction en chaîne, supprimant la réactivité.

Le comportement de Xe-135 est étroitement couplé à l'histoire de la puissance du réacteur. À l'état stationnaire, la concentration de Xe-135 atteint un équilibre où la production (de la désintégration de I-135 et de la fission directe) égale l'élimination (par capture de neutrons et désintégration radioactive). Cependant, lorsque la puissance est réduite, le flux de neutrons diminue fortement. Le taux de capture de Xe-135 diminue alors que son taux de désintégration demeure constant, et la production de I-135 continue, ce qui fait monter la concentration de Xe-135 à un pic environ 6-10 heures plus tard.

De plus, les oscillations spatiales du xénon – redistribution complexe du Xe-135 et du flux de neutrons à travers le noyau – peuvent apparaître dans les grands réacteurs commerciaux (p. ex., réacteurs à eau pressurisée). Si elles ne sont pas amassées, ces oscillations provoquent des pics de puissance et des instabilités locales qui exigent des mesures correctives immédiates.

Gestion traditionnelle du xénon : forces et limites

Depuis des décennies, les opérateurs se sont appuyés sur une combinaison de tables précalculées, de modèles informatiques simplifiés (par exemple, les codes cinétiques des réacteurs) et de jugement manuel pour gérer le xénon. Les simulateurs d'entraînement sont utilisés pour pratiquer des manœuvres telles que des tiges de traction au bon moment pour surmonter la fosse.

  • Réactifs plutôt que prédictifs:[ Les opérateurs n'agissent qu'après que la concentration de xénon ait déjà dévié, ce qui entraîne une réponse retardée.
  • Modèles simplifiés:[ Les modèles traditionnels assument souvent des propriétés de cœur homogènes et ne peuvent capter avec précision les interactions tridimensionnelles flux-xénon.
  • Charge cognitive élevée: Les opérateurs doivent surveiller plusieurs paramètres (flux de neutron, puissance, températures, estimations du xénon) et prévoir un comportement futur sous contrainte.
  • Marges de conservation:[ Pour rester en sécurité, les opérateurs peuvent maintenir la puissance inférieure à l'optimum ou éviter certains profils de suivi de charge, réduisant ainsi l'efficacité et la flexibilité de l'installation.

L'augmentation des sources d'énergie renouvelables exige que les centrales nucléaires fonctionnent de manière plus flexible – en augmentant leur puissance pour soutenir la stabilité du réseau. De telles manœuvres augmentent considérablement le risque d'empoisonnement au xénon.

Comment l'apprentissage automatique prédit l'empoisonnement au Xénon

Les modèles d'apprentissage automatique ingèrent de vastes flux de données provenant de l'instrumentation du réacteur et produisirent une prévision de la concentration du xénon et de sa distribution spatiale.

Acquisition de données et fusion de capteurs

Les réacteurs modernes sont équipés de centaines de capteurs : détecteurs à neutrons in-core (p. ex. détecteurs à moteur à rhodium ou Vanadium), thermocouples, débitmètres et indicateurs de position de la tige de commande.Les modèles d'apprentissage automatique fusionnent ces données pour reconstruire la distribution de puissance tridimensionnelle. Les données d'exploitation historiques couvrant des mois ou des années de différents profils de charge sont essentiels.

Les principales caractéristiques d'entrée sont les suivantes :

  • Flux de neutrons locaux et à l'échelle du noyau (axial et radial)
  • Positions des berges de la tige de contrôle (et profondeurs d'insertion)
  • Température et débit d'entrée du liquide de refroidissement
  • Historique de la combustion (extraction d'énergie cumulative)
  • Temps écoulé depuis le dernier changement de puissance
  • Concentration de xénon-135 estimée à partir des modèles de désintégration (un point de départ)

Architectures modèles pour la prévision de séries chronologiques

Comme le comportement du xénon est une fonction du flux de puissance et de neutrons passé, les réseaux neuronaux récurrents (RNN) – en particulier la mémoire à court terme longue (LSTM) et l'unité de courant de vitesse (GRU) – sont des choix naturels. Ces architectures peuvent apprendre les dépendances temporelles sur plusieurs étapes temporelles (heures à jours).

Une autre approche prometteuse est des modèles basés sur les transformateurs (p. ex., Temporal Fusion Transformer) qui traitent des séquences de longueur variable et peuvent intégrer des variables exogènes comme les prévisions de la demande de grille. des réseaux neuronaux (GNN) qui traitent chaque assemblage de combustible comme un nœud avec des bords représentant des chemins de diffusion de neutrons sont une nouvelle direction de recherche.

Formation et validation

L'apprentissage supervisé est utilisé : le modèle apprend à cartographier les caractéristiques d'entrée vers une sortie cible – généralement la concentration de Xe-135 à chaque point mesuré (ou une moyenne de base) à des étapes ultérieures (p. ex. +1 heure, +6 heures, +12 heures). L'ensemble de données de formation doit être équilibré pour inclure à la fois les conditions d'équilibre et de transition. La qualité des données est primordiale – les capteurs doivent être étalonnés et les valeurs aberrantes (p. ex., de la dérive des instruments) doivent être indiquées et manipulées.

La validation est effectuée en retenant une partie des données historiques et en mesurant l'erreur de prédiction (p. ex. MAE, RMSE). Comme la concentration de xénon n'est pas directement mesurée dans la plupart des réacteurs (il est déduit), les sorties du modèle peuvent être comparées aux calculs de code de référence ou au changement de réactivité observé (par des calibrations de la tige de commande).

De la prévision à la prévention : l'apprentissage automatique en action

Prévoir l'empoisonnement au xénon n'est que la moitié de la bataille. La valeur réelle réside dans l'utilisation de cette prédiction pour éclairer les actions de contrôle. L'apprentissage automatique peut être intégré dans le système de contrôle de la centrale soit comme un outil de conseil ou comme une partie d'une boucle de contrôle autonome.

Systèmes de conseil pour les opérateurs

Un système de consultation basé sur le ML prend des lectures de capteur en temps réel et affiche une carte de risque de -l'arrivée des concentrations de xénon. Il pourrait mettre en évidence quelles zones du noyau sont susceptibles d'éprouver le pic Xe-135 dans les prochaines heures. Le système peut alors recommander des actions spécifiques[: par exemple, -Retirer la banque D de 5 étapes et réduire la puissance à 85% pendant 2 heures pour atténuer un pic de xénon dans le quadrant sud.

Contrôle prédictif automatisé

Pour aller plus loin, renforcement learning (RL) peut être appliqué pour apprendre une politique de contrôle optimale pour le mouvement de la tige et la manoeuvre de puissance qui minimise les oscillations du xénon. Dans cette configuration, l'agent RL interagit avec un simulateur de haute fidélité (ou un modèle de substitution simplifié) et reçoit des récompenses pour obtenir une puissance stable, éviter les oscillations induites par le xénon et rester dans les limites de sécurité. La politique est un réseau neuronal profond qui produit des vitesses de la tige de contrôle ou des points de réglage de puissance cibles.

Avant de se déployer sur un véritable réacteur, ces systèmes doivent faire l'objet d'une vérification et d'une validation rigoureuses (V&V) et être certifiés par les régulateurs nucléaires.C'est un objectif à long terme, mais des solutions provisoires comme ] , l'automatisation humaine dans la boucle sont déjà réalisables : le système ML suggère des actions ; l'opérateur approuve ; l'ordinateur de l'usine exécute.

Intégration numérique jumelle

Une autre application puissante est le » double numérique[ – une réplique virtuelle du cœur du réacteur qui utilise ML pour prédire le comportement du xénon et tester les scénarios -What-if. Les opérateurs peuvent demander -Qu'en est-il si nous réduisons la puissance de 10% pendant 3 heures?- et obtenir une prévision instantanée de l'évolution du xénon, y compris les oscillations potentielles.

Avantages de l'apprentissage automatique pour la gestion du Xenon

  • Sécurité améliorée:[ La détection précoce de l'accumulation de xénon empêche les déplacements accidentels du réacteur et réduit le stress de l'opérateur.
  • Flexibilité opérationnelle accrue :[ Les centrales nucléaires peuvent participer plus en toute sécurité au suivi de la charge pour soutenir la production variable d'énergie renouvelable, sachant que ML les alertera aux conditions imminentes du xénon et suggérera des mesures d'atténuation.
  • Épargne des coûts:[ Éviter les arrêts imprévus permet d'économiser des millions de dollars en électricité de remplacement et réduit l'usure des tiges de commande et autres équipements.
  • Cycles de carburant optimisés: Des prédictions précises du xénon permettent aux opérateurs d'étendre les cycles de carburant en évitant les réductions de puissance prématurées. Ils peuvent également optimiser les patrons de tige pour une meilleure économie de neutrons, améliorant le facteur de capacité globale de la centrale.
  • Retenue des connaissances:[ À mesure que les exploitants vétérans prennent leur retraite, les modèles ML saisissent leurs connaissances implicites et servent d'outil de formation pour les nouveaux employés, en préservant la mémoire institutionnelle.

Défis et perspectives

Malgré cette promesse, l'intégration du ML dans le contrôle des réacteurs nucléaires est confrontée à des obstacles importants :

  • Qualité et quantité des données:[ Les données historiques peuvent ne pas couvrir les transitoires extrêmes nécessaires à une modélisation robuste. Les données simulées peuvent combler des lacunes mais ne pas représenter la réalité.
  • Modèle Interpretabilité: Les régulateurs nucléaires exigent des prédictions explicables. -Coffre noire Les réseaux neuraux sont difficiles à valider. La recherche dans l'IA (XAI) – p. ex., les valeurs SHAP, les mécanismes d'attention – est essentielle pour gagner la confiance réglementaire.
  • Intégration avec les systèmes legacy:[ La plupart des réacteurs en exploitation ont des systèmes de contrôle conçus il y a des décennies. La remise en état des algorithmes ML nécessite une cybersécurité et une conception d'interface soignée.
  • Validation et certification: Les organismes de réglementation (p. ex., le CNRC, l'AIEA) n'ont pas de cadre établi pour approuver les systèmes de sécurité fondés sur les LM. Des groupes industriels comme les INE et l'EPRI élaborent des lignes directrices, mais une adoption généralisée peut prendre des années.
  • Contraintes informatiques : La prédiction et l'optimisation en temps réel nécessitent une inférence rapide. L'informatique de bord (sur place ou embarquée) peut réduire la latence, mais l'infrastructure informatique de l'usine peut avoir besoin de mises à niveau.

Orientations futures : Réacteurs autonomes ?

L'AIEA a identifié le contrôle autonome comme l'une des principales tendances pour les futurs systèmes d'énergie nucléaire, tels que les petits réacteurs modulaires (RSM) et les microréacteurs. Ces petites unités, souvent conçues pour les réseaux éloignés ou distribués, bénéficieront énormément de la gestion du xénon basée sur le LM parce qu'elles ne disposeront pas d'équipes d'exploitation importantes. Un système de contrôle entièrement numérique qui anticipe et atténue l'empoisonnement au xénon sans intervention humaine est techniquement réalisable dans la prochaine décennie.

De plus, le couplage des modèles de xénon ML avec d'autres systèmes de prévision (p. ex. pour la température du combustible, la chimie du liquide de refroidissement et la contrainte mécanique) peut créer un cadre complet de surveillance et de diagnostic en ligne. Cela ferait passer la sûreté nucléaire d'une approche défensive fondée sur la marge à un paradigme prédictif fondé sur les conditions – une transformation que l'apprentissage machine est spécialement équipé pour fournir.

Les initiatives de recherche du département américain de l'Énergie et de la feuille de route technologique des IEA mettent l'accent sur les méthodes fondées sur les données pour la sûreté des réacteurs.

Conclusion

L'apprentissage de la machine ne remplace pas la physique fondamentale des réacteurs – il s'agit d'un puissant améliorateur. En tirant des leçons des données opérationnelles et des simulations de haute fidélité, les modèles ML peuvent prédire les concentrations de xénon-135 avec une vitesse et une précision sans précédent.Cette capacité prédictive, combinée à un contrôle consultatif ou automatisé, permet aux centrales nucléaires d'éviter les conséquences coûteuses et dangereuses de l'empoisonnement au xénon.Bien que les défis liés aux données, à l'interprétation et à l'acceptation réglementaire demeurent, la trajectoire est claire.