הפיתוח של אלגוריתמים בקרת כור בטיחות-ראשון הוא תחום קריטי של מחקר בהנדסה גרעינית.עם הופעת למידת מכונה, אפשרויות חדשות הופיעו כדי לשפר את הבטיחות והיעילות של כור גרעיני. מאמר זה חוקר כיצד טכניקות למידת מכונה משולבים במערכות בקרת כור כדי לאשר מחדש את הבטיחות תוך שמירה על ביצועים אופטימליים.על ידי שילוב מודלים הסתגלות, מונעי נתונים עם מגבלות בטיחות קפדניות, החוקרים מעצבים אסטרטגיות בקרה שיכולות לצפות, אופטימיזציה של מערכות כוח, ביעילות, מאשר תפוקה יעילה יותר מאשר למערכות יעילות.

ארכיון תגיות: From Analog to Intelligent control

בקרת הכור הגרעיני התפתחה מהתאמות ידניות ולוויות משוב אנלוגיות למערכות דיגיטליות שעוקבות אחר אלפי פרמטרים בזמן אמת. אלגוריתמים של בקרה מוקדמת התבססו על בקרים רבי-עוצמה ונקודות סט מראש.מערכות אלה חזקות אך חסרות גמישות לטיפול בתנאי בטיחות טרנספורמטיביים מעבר לבסיס העיצוב שלהם.23 חיישנים ומחשוב, מכונה לומדת דרך לחיזוי יעיל ל- AIFIA (המכונה הבין-AIFIF) לשיפור היעילות הבין-לאומית, כולל שיפור של בקרת בטיחות מתקדמת, כולל מערכת הביטחון האטומית (International Advanced Energy) ו-לאומית, כולל מערכת הבקרה הבין-לאומית, כולל מערכת הביטחון האטומית, כולל אטומית, כולל אטומית של מערכת הבקרה ה-לאומית (DVal Power) ו-לאומית, כולל שיפור יעיל של מערכת הבקרה המתקדמת, AIFLT1, כולל מערכת הבקרה הבין-לאומית, AIF) ו-אטומית, כולל שיפור יעילות, כולל שיפור יעיל של מערכת הבקרה הבין-לאומית, כולל שיפור יעיל של מערכת אבטחה מתקדמת, כולל מערכת אבטחה מתקדמת, AIFDRFDRFDRFDRFDRFDR) ו-לאומית, כולל שיפור יעילות, כולל שיפור יעילות (מערכת הבין-לאומית, כולל שיפור יעילות, כולל מערכת בקרה מתקדמת, כולל מערכת

דרישות בטיחותיות ב-Reactor control

כל אלגוריתם בקרה לכורים גרעיניים חייב לספק קריטריונים בטיחותיים קפדניים: עליו לשמור על הכור בגבולות תפעול בטוחים, למנוע פגיעה בדלק, ולהבטיח ניתוק אמין בעת הצורך.אלגוריתמים מסורתיים מתוכננים עם שולי שמרנים. Machine Learning, עם זאת, מציג אי ודאות כי מודלים לומדים מהנתונים ועלולים להתנהג באופן בלתי צפוי מחוץ להפצת האימונים שלהם. גישה ראשונה זה על ידי הטמעת מגבלות לתהליך הלמידה - בתנאי שלא ניתן להפר פעולה, אפילו לא צפויה, אם היא משפרת אבטחה, אם היא משפרת פעולות מאובטחות, אם לא צפויה, אם הן יכולות לעיתים קרובות, אם הן יכולות לשפר את יעילות, אם הן יכולות לשפר את יעילות, אם הן יכולות להיות מוגדרות באמצעות למערכות אבטחה, אם הן יכולות לשפר את יעילות, אם הן יכולות לשפר את יעילות, אם הן יכולות לשפר את יעילות, אם הן יכולות לשפר את יעילותן, אם הן יכולות לשפר את יעילותן, אם הן יכולות לשפר את יעילותן.

למידה ב Reactor Safety

אלגוריתמי למידת מכונות יכולים לנתח כמויות עצומות של נתונים מחיישנים כור כדי לזהות דפוסים מעידים על בעיות בטיחות פוטנציאליות.אלגוריתמים אלה יכולים לחזות omalies לפני שהם עולים, ומאפשרים התערבות פרואקטיבית.טכניקות מפתח כוללות למידה מבוקרת לגילוי פגמים ולמידה חיזוק עבור אופטימיזציה למידה שליטה.אדריכלות למידה עמוקה, כגון רשתות עצביות מהפכתיות ורשתות זיכרון לטווח קצר, יעילים במיוחד בעיבודים של נתונים ותפוצה מרחבית (תוכנות שטף).

למידה על ידי Fault Detection

מודלים למידה על-ידי פיקוח מאומנים על נתונים היסטוריים כדי לזהות חתימות של תקלות או תנאים לא בטוחים.פעם אימון, מודלים אלה יכולים לפקח על נתונים בזמן אמת כדי לזהות סטיות ולגרור פרוטוקולי בטיחות במהירות.לדוגמה, מתווך יכול להיות מאומן לזהות את תחילת של אובדן של תאונה או צינור אדים (F) מניתוח לחץ, טמפרטורה, וזרימה אותות של דגם זה משמש כדי להתאים את המיקום של קירור גבוה (F) או מדגמי חירום).

Reinforcement Learning for Control Optimization

למידה מחדש (RL) מאפשרת אלגוריתמים לשלוט על פעולות אופטימליות באמצעות ניסוי וטעייה בתוך סביבות מדמות.גישות בטיחות-ראשון משלבות מגבלות בתהליך הלמידה, ולהבטיח כי המערכת מקדמת את הבטיחות על ביצועים בעת הצורך. שיטה נפוצה היא להשתמש מבקר בטיחותי כי פעולות המבוססות על קרבתם לגבולות בטיחותיים.

בקרת מודלים עם למידה של Dynamics

כיוון מבטיח נוסף משלב למידת מכונה עם שליטה חיזוי מודל (MPC) במקום להשתמש במודל קבוע המבוסס על פיזיקה, רשת עצבית לומדת את הדינמיקה הכור מהנתונים.מתאים MPC ואז פותר בעיה אופטימיזציה מחוספס בכל שלב, באמצעות המודל המלומד לנבא מדינות עתידיות. כי המודל יכול להיות מעודכן באינטרנט, המערכת מתאימה לשינויים תנאים (למשל, שריפת דלק, שליטה, גם את שיטות אבטחה קשיחות).

שילוב בטיחותי ללמידה

הבטחת אלגוריתמי למידת מכונה לכבד את גבולות הבטיחות דורש תכנון זהיר.

  • (FLT:0) ניהול תהליכי החלטה של מרקוב מאומתים 1 בינואר – הסוכן ממקסם את הפרס בכפוף למגבלות על עלויות בטיחות מצטברות (למשל, מספר מקסימלי של נסיעות בשנה) ניתן למצוא באמצעות שיטות Lagrangian או אופטימיזציה ראשונית-dual.
  • (FLT:0) סיינטתזות של קיד:1 - מודול אימות נפרד, או "shield", לפקח על הפעולות של הסוכן ומתגבר על כל מה שיוביל להפרה.ניתן לבנות מגן ממודל פיזיקלי פשוט או מפרט רשמי של המעטפה התפעולית הבטוחה של הכור.
  • (FLT:0)Safe Bayesian Optimization (FLT:1) - המשמש עבור נקודות סט כוונון או רווחי בקר, אופטימיזציה Bayesian מודלים את תפקוד הבטיחות כתהליך גאוסיאן ורק חוקר נקודות כי הם עשויים להיות בטוחים עם הסתברות גבוהה.

שיטות אלה תועדו בסימולטורים של נאמנות גבוהה, וחוקרים עובדים כעת על העברתם לחומרה אמיתית – ב-FLT:0((Nclear Science and Engineering, 2024FLT:1).

אתגרים במימוש

למרות תוצאות מבטיחות, פריסת למידת מכונה בחדר בקרת כור גרעיני ניצבת בפני כמה מכשולים:

  • (FLT:0 InterpretentitentialFLT:1) - רגולטורים דורשים שהמפעילים יבינו מדוע מערכת בקרה קיבלה החלטה מסוימת.רשתות עצביות של Black-box קשה להסביר, אך טכניקות כגון הסתברות להתאמה וערכים של סגפניות יכולות לעזור לזהות תכונות קלט משפיעות.
  • (FLT:0) רובוטות להפצת שינוי ה-FLT:1) - תנאי התגובה יכולים לנסחף בהדרגה (למשל, הזדקנות דלק) או להשתנות בפתאומיות (למשל, שסתום) המודל חייב להישאר מדויק בתנאים שלא נראו במהלך אימון.
  • (FLT:0Verification and אימות (V&V)BuildFLT) 1 - שיטות V&V מסורתיות (המבחן נגד קבוצה של תרחישים) לא יכול להיות מספיק עבור בקרים למדים. כלי אימות פורמאלי אשר מוכיחים כי המערכת לעולם לא משאירה אזור בטוח הם אזור מחקר פעיל, במיוחד עבור רשתות עצביות ⁇ .
  • (FLT:0) קבלת אישור רשמי של רשות המידע 1:1 - ועדת הפיקוח הגרעינית של ארה"ב ורשויות אחרות יש הנחיות קפדניות עבור מערכות בטיחות דיגיטליות.קבלות של למידת מכונה תדרוש בסיס ראיות חזק, מדדים ברורים לביצועים אמינים, ומסגרת למעקב מתמשך של התנהגות האלגוריתם.

פרויקטים של אירועים וטייסים

כמה קבוצות מחקר הראו את הפוטנציאל המעשי של למידת המכונה הראשונה של בקרת הכור. at Forsmark כוח גרעיני תחנת כוח בשוודיה, סוכן למידה חיזוק למד לייעל מהירויות של משאבת תיקון תוך שמירה על גבולות תרמיים, השגת עלייה של 0.5% ביעילות ללא הפרות כל מגבלות. במכון הטכנולוגי של מסצ'וסטס, החוקרים השתמשו ברשת עצבית עמוקה כדי לעצבן ליבה של כור מודולרי קטן, ולאחר מכן מוחל על מנת לחזות את שיטות בקרה מהירות יותר, במהלך בדיקות בקרה קונבנציונאליות של בקר, הן על ידי בדיקות בקרה קונבנציונאליות.

כיוונים עתידיים

במבט קדימה, התחום נע לעבר מערכות בקרה של סוף-סוף, שיכולות להתמודד עם כורים מרובים בתחנה, הקצאה דינמית של קיטור, ואינטראקציה עם רשת החשמל.

  • (FLT:0) הסבירו את AIFLT:1 - פיתוח מודלים שלא רק לקבל החלטות בטוחות אלא גם לייצר הסברים לקריאה אנושית, כגון גרפים סיבתיים או תרחישים מנוגדים.
  • (FLT:0) אי-וודאות כימות קוונטיות (FLT:1) – שימוש ברשתות עצביות Bayesian או בשיטות הרכב כדי לספק מרווחי ביטחון בשני התחזיות ופעולות מומלצות.זה מאפשר למערכת הבקרה לבקש התערבות אנושית כאשר אי הוודאות גבוהה.
  • (FLT:0) למידה ממולאת 1 (FLT:0) מודלים קדם-אימון על סימולטורים הכור הגנרית וכוונון עדין לצמחים ספציפיים, צמצום כמות הנתונים הספציפיים של האתר הנדרש.
  • (FLT:0 Human-in-the-loop SystemsFreaLT:1) - עיצוב ממשקים שבהם סוכן למידת המכונה מציע פעולות, אך ההחלטה הסופית נחה עם מפעיל.המערכת חייבת להיות שקופה מספיק כדי לבנות אמון.

מסקנה

השילוב של למידת מכונה לאלגוריתמים של בקרת כור, מציע התקדמות מבטיחה בבטיחות ויעילות.על ידי מינוף טכניקות הסתגלות וחיזוייות - למידה מבוססת על גילוי מוקדם של תקלות, חיזוק למידה לשליטה אופטימלית תחת מגבלות, ודינמיקה היברידית MPC-learned - כור גרעיני יכול לפעול בבטחה בסביבה מורכבת יותר ויותר.עם זאת, הדרך לפריסה דורשת תשומת לב זהירה לפרשנות, עמידות, רגולציה ואימות להמשיך את שיתוף הפעולה בין רשויות אבטחה חיוניות, לבין פעילות גופנית, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, דרך פריסה של שיטות למידה יעילה יותר ויותר יעילה של שיטות בקרה מלאה של שיטות למידה יעילה של שיטות למידה, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, עם זאת, דרך פריסה, עם זאת