השימוש ב- Machine Learning Algorithms כדי לחזות ולמנוע כשלים במערכת גרעינית

אלגוריתמי למידת מכונות משנים את הדרך שבה אנו מנהלים מערכות גרעין מורכבות.על ידי ניתוח כמויות עצומות של נתונים, אלגוריתמים אלה יכולים לזהות דפוסים שעשויים להצביע על כישלונות פוטנציאליים, המאפשרים תחזוקה ואמצעי בטיחות יזום.שינוי זה מניתוח חוזר לחיזוי אנליטיקה מעצב מחדש את פעולות תחנת הכוח הגרעינית, צמצום זמני השבתה ושיפור האמון הציבורי באנרגיה גרעינית כמקור חשמל נקי ואמינה.

מבוא ל Machine Learning in Nuclear Safety

שיטות מסורתיות של ניטור מערכות גרעיניות מסתמכות רבות על בדיקות ידניות, בדיקות תקופתיות ופרוטוקולים בטיחותיים מוגדרים מראש.בעוד יעיל בתרחישים רבים, גישות אלה יכולות להחמיץ אינדיקטורים עדינים, בשלבים המוקדמים של ההשפלה או מערכת האנומליות. Machine Learning מציעה אלטרנטיבה דינמית על ידי למידה מתמדת של נתונים תפעוליים - כגון טמפרטורה, לחץ, רטט, וקריאה קרינה - כדי לשפר את הבטיחות והיעילות של בינה מלאכותית לתוך תרבות גרעינית היא כבר לא מציאותית (סוכנות הבינלאומית של הסוכנות).

מודלים של למידת מכונות מצטיינים בזיהוי מערכות יחסים לא לינאריות ואינטראקציות מורכבות בתוך זרמי חיישן כי מפעילי אנוש עשויים להתעלם.לדוגמה, שינוי הדרגתי בחתימה של משאבה מגניבה במשך שבועות יכול לאותת על כישלונות לפני כל סף מסורתי חצו.על ידי הפעלת הניתוח של terabytes של נתונים היסטוריים ומציאותיים, אלגוריתמים אלה חופשיים להתמקד במהנדסים אסטרטגיים ולא ידניים נתונים מונעים יותר.

סוגים של Machine Learning Algorithms המשמשים

למידת מכונה כוללת ספקטרום של משפחות אלגוריתמיות, כל אחת מתאימה להיבטים שונים של ניטור מערכת גרעינית וחיזוי כישלונות.שלוש הקטגוריות העיקריות המשמשות בהנדסה גרעינית הן למידה מבוקרת, למידה ללא פיקוח, ולמידה חיזוק.

למידה סופר-מעודכן

מודלים למידה על-ידי פיקוח מאומנים על נתונים מתוייגים שבו זוגות קלט- ⁇ ידועים - למשל, צילומי חיישן היסטוריים מתאימים לרשומות של כשלים של רכיב בפועל. אלגוריתמים נפוצים כוללים יערות אקראיים, מכונות וקטורנטים תומכים ורשתות עצביות עמוקות. ביישומים גרעיניים, למידה מבוקרת משמשת לחיזוי החיים השימושיים הנותרים (RUL) של רכיבים קריטיים כגון צינורות קיטור, מנגנוני בקרה, משאבות קירור ומשאבות קרוניות על ידי למידה, כמו מודלים מוקדמים של נתונים.

פריסה בולטת אחת כוללת שימוש בעצים ⁇ -boosted כדי לחזות עייפות סדק בכלי לחץ הכור.המודל ingests משתנים כמו מחזורי טמפרטורה, neutron flux ונכסים חומריים, ואז מפיץ הסתברות של סדקים על התקופה המבצעית הנותרים.זה מאפשר מפעילי הצמח לקבוע בדיקות במהלך הפסקות מתוכננות ולא הפעלת הפסקות חירום.

למידה בלתי מבוקרת

אלגוריתמים לא מבוקרים, כגון autoencoders, k-means מקבץ יערות, יערות בידוד, אינם דורשים נתונים של כשל מתוייגים במקום, הם לומדים את המעטפה התפעולית הרגילה של מערכת וסטיות דגל כאנומליות. זה חשוב במיוחד בסביבות גרעיניות שבו אירועים נדירים ומוכרים נתונים בקושי.

שיטות דיג שימשו כדי קבוצה של משטרים הפעלה דומים, עוזר מהנדסים לזהות כאשר הצמח נסחף למצב לא נראה בעבר אשר עשוי להתאים לביצועים מוזנחים.במקרה אחד מחקר בכור מים מחודד, למידה לא מבוקרת זיהתה דליפה מתפתחת בלולאה משנית שעתיים לפני כל אזעקה קונבנציונלית מופעלת, למנוע אובדן אפשרי של מקרי מוות.

Reinforcement Learning

למידה מחדש (RL) שונה מגישות מבוקרות ולא מבוססות בכך סוכן לומד פעולות אופטימליות באמצעות ניסוי וטעייה, קבלת תגמולים או עונשים המבוססים על תוצאות. במערכות גרעין, RL נחקרה עבור שליטה בזמן אמת של פונקציות בטיחות, כגון ניהול מערכת קירור ליבה (ECCS) הפעלה במהלך טרנספורמטיבי גבוה.

לדוגמה, רשתות Q-Networks כבר הוחלו על פעולות מעקב עומס אוטומטי, התאמת עמדות מוטות שליטה ושיעורי זרימה קרירים כדי לאזן את הביקוש כוח ללא מגבלות תרמיות גבוהות יותר, למרות ש-RL עדיין אינה פרוסה באופן נרחב בכורים מסחריים בשל חששות רגולטוריים, מחקר במוסדות כגון FLT:0 ה-IEAFLT:1 ו-F:2 U.SRCFIRD, ממשיך לסימולציה נרחבת ו-D.

יישומים במערכות גרעין

מודלים של למידת מכונות מוחלים על מחזור החיים המלא של ייצור כוח גרעיני, החל מייצור דלק ועד לפירוק.היישומים הבוגרים ביותר להתמקד תחזוקה חיזוי, זיהוי אנומלי ואופטימיזציה של תהליכים. להלן הם אזורים מרכזיים שבהם האלגוריתמים האלה מספקים השפעה מדידה.

תחזוקה חיזוי של תגובה

רכיבים קריטיים כגון משאבות, שסתום, מחליפי חום, גנרטורים קיטור כפופים ללבוש, קורוזיה ועייפות. תחזוקה חיזוי משתמש במכונות למידה לפני שהן מתרחשות, ומאפשרים להחליף חלקים או לתקן במהלך הפסקות מתוכננות. לדוגמה, רשת עצבית לטווח קצר ארוך (LSTM) ניתוח נתונים של רטט עצום של משאבה ראשונית יכול להעריך את ההסתברות של איטום בתוך 100 שעות הבאות, אשר יכול למנוע תובנה של אובדן של אובדן גרעיני של 100 שעות.

המכון דה רדיו הגנה ו דה Sureté Nucléaire (IRSN) פרסם מחקרים המציגים כי תחזוקה חיזוי מופעל על ידי ML יכול להפחית את עלויות תחזוקה ב 20-30% תוך שיפור זמינות הצמח הכוללת.ב בארה"ב, ה-FLT:0 (Department of Energy's Office of EnergyFevolver:1LT) מספר פרויקטים המשלבים מודלים דיגיטליים לאבחון רפואי אמיתי.

גילוי אוטומטי ב-חיישנים

צמחי גרעין מודרניים מצוידים באלפי חיישנים המדידה פרמטרים כגון טמפרטורה, לחץ, זרימה, מוטציות נויטרונים וקרינה. אלגוריתמים זיהוי אנומלי עוברים נתונים אלה ברציפות, מענישים קריאה שמבדילה מתבניות צפויות.טכניקה נפוצה אחת משתמשת במכונת תמיכה חד-כית (SVM) רק על נתונים רגילים; כל נקודה שנרדמת מחוץ לגבול המלומד נחקרת.

בשנת 2022, החוקרים במעבדה הלאומית של איידהו הפגינו מסגרת המשלבת נוגדנים עם בקרת תהליכים סטטיסטית כדי לזהות חריגות עדין הליבה של כור גרעיני מדומה.המערכת השיגה שיעור זיהוי מעל 95% עם שיעור חיובי כוזב מתחת ל-1%, אימות יכולת ניטור לא מבוקר בסביבה ביקורתית.

אופטימיזציה של פרוטוקולי קוליזציה ובטיחות

למידת מכונות גם ממלאת תפקיד בקידוד פעולות קירור ותגובה חירום.לדוגמה, סוכני למידה חיזוק הוכשרו לנהל את הסטארט-אפ ורצף הסגור של מערכות הסרת חום ריקבון, להבטיח כי ⁇ טמפרטורה להישאר בתוך גבולות עיצוב.

עיצובים מתקדמים של כור, כגון כורים מודולריים קטנים (SMRs) וכורים מלח מלוטשים, נהנים במיוחד משליטה מבוססת ML מכיוון שהם פועלים לעתים קרובות בתנאים שבהם תאוריית הבקרה המקובלת נאבקת – לדוגמה, עם לולאות משוב חד-פעמיות מאוד.

מעקב אחר רמות קרינה ונתונים סביבתיים

ניטור סביבתי סביב אתרי הגרעין כרוך מדידת רדיואקטיביות באוויר, במים ובקרקע.מודלים למידת מכונה לשפר את הרגישות של גילוי על ידי הפרדה רעש רקע מקריאה גבוהה אמיתית.לדוגמה, תהליך גאוסיאני יכול לנטר את רשתות החיישן החשופות כדי למפות שדות קרינה בזמן אמת, זיהוי דליפות פוטנציאליות מסדקים אחסון או במהלך תחבורה דלק מובזבז.

היתרונות של שימוש ב- Machine Learning

שילוב של אלגוריתמי למידת מכונה לניהול מערכת גרעינית מציע מספר יתרונות משמעותיים, החל מבטיחות מוגברת להפחתה בעלויות. היתרונות האלה מוכרים יותר ויותר על ידי הרגולטורים והמפעילים ברחבי העולם.

בטיחות מוגברת

גילוי מוקדם של כישלונות פוטנציאליים מקטין את הסיכון לתאונות והודעות רדיואקטיביות לא מתוכננות. על ידי זיהוי חודשי השפלה לפני שהוא מגיע לרמות קריטיות, מערכות מונעות על ידי ML מאפשרות למהנדסים להתערב עם שולי בשפע.בנוסף, זיהוי אנומלי יכול לתפוס מצבי כישלונות לא ידועים בעבר כי אזעקה מבוססת הסף להחמיץ.אפקט המצטבר הוא צמצום חדיר בתדירות וחומרת של אירועים בטיחות, לתרום לתרבות חזקה יותר.

חיסכון בעלויות

תחזוקה חיזויית מצמצם את זמן השבתה הלא מתוכנן, שהוא המקור היחיד בגודלו של אובדן כלכלי עבור מפעילי גרעין.יום אחד של הפסקת אש במפעל 1,000 מ"ר יכול לעלות מעל $ 1-2 מיליון בעלויות כוח חלופיים והכנסות שאבדו. על ידי הרחבת המרווחים בין בדיקה והימנעות מכשלונות קטסטרופליים, כלי ML יכולים להפחית את התחזוקה של 20-30% לפי הערכות התעשייה, אופטימיזציה ועומס לאחר מכן, שיפור יעילות מופרזת של דלק נמוכה יותר.

יעילות תפעול

מערכות ניטור אוטומטיות ותמיכה בהחלטות לשפר את זמני התגובה לתנאים חריגים.במקום לחכות למפעילים לשים לב לסחף על לוח הבקרה, אלגוריתמי ML יכולים להטיל התראות בתוך שניות ולספק המלצות הסתברותיות.רווח יעילות זה חשוב במיוחד בצמחים רב-ענישה שבו תשומת לב אנושית היא משאב מוגבל.עם הזמן, הצמח יכול להיות מופעל קרוב יותר בשוליי העיצוב שלו ללא מגבלות בטיחות גבוהות, שיפור התפוקה הכוללת.

אתגרים וכיוונים עתידיים

למרות היתרונות שלה, יישום למידת מכונה במערכות גרעיניות מציג אתגרים אדירים שיש לטפל בהם לפני הפריסה הנרחבת בתפקידים קריטיים בטיחותיים.אלה כוללים אבטחת מידע, הפרשות מודל, איכות נתונים וקבלה רגולטורית.

אבטחת מידע ופרטיות

מתקני גרעין הם מטרות בעלות ערך גבוה להתקפות סייבר.מודלים של למידת מכונות דורשים נתונים עצומים, לעתים קרובות מועברים ברשתות או מאוחסנים בסביבות ענן, אשר מגבירים את פני השטח של ההתקפה.יועצים יכולים לתפעל נתונים כדי להציג הטיה עדינה או לגרום למודל להיכשל באופן ספציפי, מסוכן. Robust אמצעי אבטחת סייבר - כגון פרטיות שונה, מוצפנת, ומודלים מתקדמים - הם עדיין תקנים אבטחה, אך מתפתחים.

מודל Interpretability

מודלים רבים עוצמה של למידת מכונה, במיוחד רשתות עצביות עמוקות, פועלים כקופסאות שחורות.בהגדרה גרעינית, מהנדסים ורגולטורים צריכים להבין מדוע מודל שטופס אנמאמטי או חזו כישלון.אם אין להסביר את ההיגיון, קשה לסמוך על הפלט ואפילו קשה יותר להגן עליו במהלך רישוי או בדיקה.מחקר ל- AI (XAI) הופך את ההתקדמות - מנגנונים כמו SHAPSH (תוספת חיזויים) ותכונות מורכבות) עדיין יכולות להוסיף חיזוי (תוכנות) עם זאת, אך ורקמותרפיות) יכולות להניע שיטות חישוביות.

איכות נתונים וזמינות

מערכות גרעין מייצרות כמויות עצומות של נתונים, אך לא כל זה מתאים לאימון מודלים ML חזקים.מחישים, ערכים חסרים, ולייבלים לא עקביים הם בעיות נפוצות.יתר על כן, אירועים כישלונ הם נדירים, כך שהנתונים לעתים קרובות מאוד לא מאוזנים - מה שהופך אותו מאתגר להכשיר מודלים כי הכללת טוב לתרחישים לא נראים.

« « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « « «

תעשיית הגרעין מוסדרת במידה רבה, עם דרישות קפדניות של אישור תוכנה לרישום בטיחות.שיטות ⁇ מסורתיות פועלות היטב, אך פלטים פרוביביליסטיים ממודלי ML אינם מתאימים באופן מסודר למסגרות קיימות. Regulators פועלים על הדרכה חדשה - לדוגמה, סדרת תקני הבטיחות של IEA ומסגרת הרגולטור המוצעת של ה-NRC - אך אימוץ יהיה הדרגתי לכל שימוש בפונקציות הקשורות ל-V סטנדרטיות (וכן) וחייב להיות אלגוריתם מחקר סטנדרטי (V) ומאובטח) ובלבד שעדיין רלוונטי, אשר חייב להיות אלגוריתם מחקר סטנדרטי (V) ובלבד שעדיין רלוונטי).

כיוונים עתידיים

במבט קדימה, כמה מגמות מתעוררות מבטיחות להתגבר על המגבלות הנוכחיות ולהאיץ את אימוץ הלמידה של מכונות במערכות גרעין.אלה כוללים בינה מלאכותית, תאומים דיגיטליים ושילוב עם האינטרנט של הדברים (IoT).

AI (XAI)

כדי להשיג את האמון הרגולטורי והמפעיל, מודלים עתידיים של ML יועדו עם שקיפות כדרישה הליבה.טכניקות XAI לא רק יסבירו תחזיות אישיות, אלא גם יספקו מרווחי ביטחון וזיהוי אי ודאות.מודלים היברידיים המשלבים סימולציות המבוססות על פיזיקה עם למידה מבוססת נתונים (רשתות עצביות מבוססות פיזיקאיות המבוססות על נתונים) מבטיחים במיוחד משום שהם מתאימים לאינטואיציה הנדסית הקיימת וניתן לאמת מפני חוקים פיזיים ידועים.

תאומים

תאום דיגיטלי הוא זמן אמת, העתק וירטואלי של מערכת גרעינית פיזית המשקפת את התנהגותה באמצעות נתוני חיישן ומודלים סימולציה. אלגוריתמי למידת מכונה הפועלים על תאומים דיגיטליים יכול לבדוק תרחישים "מה אם" ללא סיכון, לייעל את לוח הזמנים של תחזוקה, ולנבא ימים או שבועות מראש.משרד האנרגיה האמריקאי השקיעה רבות בטכנולוגיה תאומים, כולל פרויקט ב-Raldemoation, המשלב את מחזור זיהוי דיגיטלי עם מחזור אופטימה המבוסס על ידי זיהוי אופטימה.

שילוב עם IoT ו- Edge Computing

כמו צמחי גרעיני לפרוס יותר חיישנים אלחוטיים ומכשירים חכמים (IoT), נפח הנתונים הסטרימינג יגדל באופן אקספוננציאלי. Edge מחשוב – עיבוד נתונים באופן מקומי במקום לשלוח אותו לשרת מרכזי – יאפשר בזמן אמת השוויון עם שקיפות נמוכה, חיוני לפעולות בטיחות.מודלים של למידת מכונות דחוסים וייעלו לרוץ על חומרה מוגבלת, וטכניקות למידה מוזנים יאפשרו מודלים להיות מאומן על פני צמחים מרובים ללא שיתוף רגיש זה.

לסיכום, אלגוריתמי למידת מכונה נועדו להפוך כלי חיוני לחיזוי ומניעת כשלים במערכת גרעינית.באמצעות למידה רציפה מהנתונים התפעוליים, מערכות אלה משפרות את הבטיחות, להפחית את העלויות ולשפר את היעילות.בעוד שהאתגרים נשארים - במיוחד בפירוש, איכות הנתונים, והיערכות רגולטורית - על המשך המחקר ושיתוף הפעולה בין התעשייה, האקדמיה, הרגולטורים הם לסלול קדימה.