L'énergie nucléaire demeure la pierre angulaire de la production d'énergie à faible intensité de carbone, mais la marge d'erreur dans les opérations des centrales est en voie de disparition. À mesure que les conceptions des réacteurs deviennent plus sophistiquées et que les réseaux de capteurs se développent, les systèmes traditionnels de surveillance fondés sur des règles se battent pour suivre le rythme de la complexité croissante.

Comment AI améliore la surveillance de la sûreté nucléaire

Bien qu'efficaces pour les modes de défaillance connus, ces méthodes manquent souvent de subtils indicateurs précoces de dégradation. L'IA augmente la surveillance conventionnelle en analysant en permanence les flux de données de capteurs à haute dimension, en reconnaissant les modèles que les opérateurs humains pourraient négliger et en déclenchant des alertes avant qu'un problème mineur ne se transforme en un événement grave.

Détection d'anomalies en temps réel

Les installations nucléaires modernes sont équipées de milliers de capteurs qui surveillent la température, la pression, le débit, les niveaux de rayonnement, les vibrations et les signatures acoustiques. Le volume de données qui rend impossible le suivi simultané de chaque paramètre pour les opérateurs. Les modèles d'apprentissage automatique, en particulier ceux basés sur les autoencodeurs et les réseaux neuronaux convolutionnels, peuvent apprendre l'enveloppe normale d'exploitation d'un réacteur et les déviations de drapeau en temps réel.

Une étude de 2023 publiée dans Nuclear Engineering and Design[ a démontré qu'un modèle d'apprentissage profond formé sur 18 mois de données opérationnelles d'un réacteur simulé pouvait identifier les défaillances de gainage de combustible naissant avec 97 % de précision, comparativement à 82 % pour la logique d'alarme conventionnelle.

Entretien prédictif et santé de l'équipement

Les pannes d'équipement non planifiées sont une source principale de risque dans les centrales nucléaires. L'entretien prédictif alimenté par l'IA utilise des dossiers de défaillance historiques couplés à la surveillance de l'état en temps réel pour prévoir les défaillances probables des composants.

Le Electric Power Research Institute (EPRI) a lancé des programmes pilotes dans plusieurs centrales nucléaires américaines où des modèles pronostiques basés sur l'IA ont réduit les pannes inattendues de turbines de 40 % sur une période de deux ans. Dans un cas, un modèle LSTM a prédit une panne principale de pompe à eau d'alimentation 72 heures avant qu'elle ne se produise, permettant aux exploitants de prendre la pompe hors ligne en toute sécurité pour réparation pendant une fenêtre à faible demande plutôt que de faire face à un arrêt forcé.

Fusion et analyse de données avancées

La sûreté nucléaire ne dépend pas d'un seul capteur, mais de l'image intégrée de l'état de la centrale. L'IA excelle dans la fusion de données provenant de sources hétérogènes : flux de capteurs, journaux historiques, prévisions météorologiques, réseaux de surveillance sismique et entrées d'opérateurs humains. Les réseaux bayésiens et les modèles graphiques probabilistes peuvent combiner ces entrées pour produire un profil de risque constamment mis à jour.

L'utilisation du traitement du langage naturel (NLP) pour analyser des données non structurées comme les rapports d'entretien, les registres d'incidents et la correspondance réglementaire.En extrayant des millions de pages de documentation, l'IA peut faire apparaître des tendances récurrentes dans des événements quasi-manifestés et suggérer des améliorations aux procédures ou à la formation. L'Agence internationale de l'énergie atomique (AIEA) a commencé à intégrer ces techniques dans ses équipes d'examen de la sécurité opérationnelle (OSART) afin de déterminer les facteurs de risque systémiques qui pourraient échapper aux examinateurs humains.

Les défis de l'intégration de l'IA dans les systèmes de sûreté nucléaire

Malgré les avantages évidents, le déploiement de l'IA en sûreté nucléaire n'est pas simple. L'industrie est parmi les plus fortement réglementées au monde, et tout changement de logiciel lié à la sûreté doit répondre à des exigences strictes en matière de fiabilité, de sécurité et d'explication.

Risques liés à la cybersécurité

Les systèmes d'IA introduisent de nouvelles surfaces d'attaque. L'apprentissage par machine de l'adversaire – où un acteur malveillant artisane des entrées conçues pour tromper un modèle d'IA – est une préoccupation particulière pour les applications nucléaires. Une perturbation subtile à la lecture d'un capteur, imperceptible à un opérateur humain, pourrait causer un modèle de détection d'anomalies pour classer une condition dangereuse comme normale.

Les organismes de réglementation comme la Commission de réglementation nucléaire des États-Unis (CNRC) et les centres nationaux de cybersécurité élaborent des lignes directrices pour l'IA dans les contextes nucléaires.Par exemple, le guide 5.71 du NRC, qui couvre les programmes de cybersécurité pour les installations nucléaires, est mis à jour pour tenir compte des vulnérabilités uniques des composants de l'IA.

Explicabilité et confiance

Un réseau neuronal profond qui produit un score de risque -- sans expliquer quelles caractéristiques ont conduit au résultat est peu susceptible d'obtenir la confiance de l'opérateur ou l'approbation réglementaire. Cela a suscité un intérêt pour les méthodes d'AI explicables (XAI), comme SHAP (explications additives Shapley) et LIME (explications interprétables locales de modèle-agnostique), qui peuvent mettre en évidence les capteurs et les modèles qui ont influencé une prédiction.

Dans la pratique, de nombreux exploitants nucléaires préfèrent des systèmes hybrides qui combinent les suggestions d'IA et un raisonnement transparent fondé sur des règles.Par exemple, une AI pourrait signaler une anomalie potentielle, puis un second module déterministe vérifie si le modèle détecté correspond aux précurseurs connus d'une base de connaissances sécurisées par l'homme.Cette approche en couches préserve la capacité de reconnaissance des modèles de l'apprentissage des machines tout en veillant à ce que chaque action suggérée puisse être tracée à une chaîne logique de preuves.

Les obstacles réglementaires

Les modèles d'IA qui mettent à jour leurs paramètres au fil du temps — ou qui reposent sur des algorithmes à boîte noire — ne s'intègrent pas de façon précise aux processus d'approbation existants. Le CNRC et d'autres organismes de réglementation travaillent activement à l'élaboration de normes de vérification et de validation (V et V) pour l'IA, mais elles demeurent sous forme d'ébauche.

Un réacteur construit dans un pays peut utiliser des composants d'IA provenant d'un autre pays, soulevant des questions sur la surveillance juridictionnelle des données de formation modèles et des protocoles de mise à jour. L'AIEA a créé un Groupe de travail sur l'intelligence artificielle pour les applications nucléaires pour harmoniser les lignes directrices, mais une norme internationale unifiée est encore à l'horizon.

Études de cas et applications du monde réel

Plusieurs exploitants et organismes de recherche nucléaires ont déjà fait sortir l'IA du laboratoire et dans des environnements opérationnels, qui illustrent à la fois le potentiel et les leçons pratiques apprises.

AI aux réacteurs à eau légère existants

Framatome, un OEM nucléaire majeur, a déployé un système de surveillance basé sur l'IA appelé VERA (Environnement virtuel pour les applications de réacteurs) dans plusieurs usines aux États-Unis et en Europe. VERA utilise un jumeau numérique du cœur du réacteur, mis à jour en temps réel avec les données de la centrale, pour prédire le départ des marges d'ébullition nucléée (DNB) – un paramètre clé de sécurité. Le modèle AI, un réseau neuronal formé à des simulations de physique de haute fidélité, peut calculer la marge DNB en millisecondes au lieu des heures requises par les résolveurs CFD traditionnels. Cette vitesse permet aux opérateurs d'explorer -What-if---

En Corée du Sud, l'Institut de recherche sur l'énergie atomique de Corée (KAERI) a mis au point un système d'alerte rapide basé sur l'IA pour l'éclaircie des parois de tuyaux causée par la corrosion accélérée par le débit. En analysant les mesures d'épaisseur ultrasonore avec un modèle de stimulation des gradients, le système prévoit l'épaisseur restante des parois avec une marge d'erreur inférieure à 2%.

AI pour les réacteurs modulaires avancés et petits

La conception de réacteurs de nouvelle génération, comme les petits réacteurs modulaires (RSM), les réacteurs à sel fondu et les réacteurs refroidis au gaz à haute température, présente de nouveaux défis de surveillance. Bon nombre de ces conceptions reposent sur des dispositifs de sécurité passive et fonctionnent à des températures plus élevées ou avec différents réfrigérants, ce qui rend les données historiques éparses.

Les startups comme Énergie terrestre[ et NuScale Power intègrent des diagnostics à moteur d'IA dans leurs systèmes de contrôle dès la conception. Par exemple, NuScale=2 utilise un modèle d'apprentissage automatique pour surveiller la santé de chacun de ses 12 modules de réacteur (77 MWe chacun) et prévoir des écarts dans l'inventaire des réfrigérants.

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

À mesure que l'IA sera en phase de maturité et que les cadres réglementaires s'adapteront, le rôle des systèmes intelligents dans la sûreté nucléaire s'élargira.

Systèmes de surveillance autonomes

Une des orientations prometteuses est le concept d'un superviseur de la sécurité d'IA qui surveille en permanence tous les sous-systèmes d'usine, valide la qualité des données et augmente les anomalies aux opérateurs en ordre de priorité. De tels systèmes pourraient fonctionner 24 heures sur 24 sans fatigue, en maintenant une vigilance constante.Le programme du département américain de l'énergie (US Department of Energy) a démontré un prototype au Laboratoire national Idaho qui utilise un agent d'apprentissage du renforcement pour équilibrer de façon autonome la puissance du réacteur avec la capacité de refroidissement pendant les scénarios de panne de station.

Pour les microréacteurs à distance – petites unités transportables conçues pour alimenter les opérations minières ou les bases militaires – la surveillance de la sécurité est essentielle parce que les opérateurs humains peuvent être à des centaines de kilomètres.Des entreprises comme Westinghouse[ et Oklo[ conçoivent leurs microréacteurs eVinci et Aurora avec des systèmes de contrôle pilotés par l'IA qui peuvent réagir aux perturbations sans intervention humaine, en s'appuyant sur des algorithmes redondants et divers pour assurer la sécurité même si un modèle échoue.

Collaboration entre l'homme et l'AI

Malgré les progrès de l'autonomie, la culture de la sûreté de l'industrie nucléaire met l'accent sur la surveillance humaine. L'avenir le plus probable à court terme est un modèle collaboratif où l'IA gère la surveillance et la reconnaissance des modèles à forte intensité de données, tandis que l'homme se concentre sur la prise de décisions stratégiques, la validation et le jugement éthique.

Il est tout aussi important d'élaborer des normes internationales pour la fiabilité de l'IA dans les applications critiques en matière de sûreté. Des organisations telles que l'Institut des ingénieurs en électricité et en électronique (IEEE)[ et la Commission électrotechnique internationale (IEC)[ rédigent des guides comme l'IEEE P7009 (Fail-Safety of Autonomous Systems) et l'IEC 62859 (Nuclear Power Plants – Instrumentation and Control – Artificial Intelligence), qui fourniront un plan pour un déploiement sûr.

En conclusion, l'intelligence artificielle n'est pas une puce précieuse pour la sûreté nucléaire, mais c'est un outil puissant qui peut améliorer considérablement la vitesse, la précision et l'exhaustivité des systèmes de surveillance.De la prédiction des pannes d'équipement à l'avance à la fusion de données sur des milliers de capteurs en temps réel, l'IA s'attaque à la complexité croissante des centrales nucléaires modernes.Les défis – la cybersécurité, l'explication et la réglementation – sont réels, mais ils sont activement abordés par la recherche, les programmes pilotes et la collaboration internationale.