Table of Contents

העתיד של אנרגיה גרעינית מתכווץ על הפריסה המוצלחת של מערכות בקרת כור אוטונומיות המוגברת על ידי בינה מלאכותית (AI) ולמידה מכונה (ML) כדרישות אנרגיה גלובליות להגביר את ההקצאה של כוח המטענים בבסיס פחמן נמוך גדל, תעשיית הגרעין הופכת לאוטומציה מתקדמת כדי להתגבר על מגבלות תפעוליות ישנות של עשרות שנים.על ידי ניצול בקרת כור עם אלגוריתמים מתוחכמות, מפעילי יכול להשיג רמות חסרות תקדים של יעילות בטיחות, אמינות, ואמינות מבוססת-ידי צבעים, על מנת להתגבר על השפעות טכניות, על פני תהליכים מונעות על בסיס צמיגים, על בסיס מנגנוני בקרה מתקדמים, על בסיס מנגנוני בקרה מתקדמים.

מערכות בקרה אוטונומיות

מערכות בקרה הכור האוטונומיות מתייחסות לפלטפורמות חומרה-תוכנות משולבות המנטרות כל הזמן פרמטרים מרכזיים – כגון ערפילית פלוקס, טמפרטורה קרירה, לחץ ושליטה בעמדה המוט – ולהתאים אותן ללא התערבות אנושית ישירה, בניגוד לשיטות בקרה מסורתיות ורכישת נתונים (SCADA), מערכות אוטונומיות משלבות אלגוריתמים של קבלת החלטות שיכולים להגיב לשינוי תנאים בזמן אמת, ביצועים, וצמצום פוטנציאליות מראש משקף את הרזולוציה של 120 אוטומטי של צמחים, אך ורקמות, אך ורקמות, המייצגות של אטומיים, אך ורקמותק, אך מייצגת אטומים של אטומיים, אך ורקמותק, אך ורקמותק, אך ורק למנגנוני בקרה אוטומטית, ממערכות הגנה אוטומטית, אך ורקמותרפיעתית של אמצעי בקרה אוטומטית, אך מייצגת אטומית, אך מייצגת אטומית של אטומים, אך ורק לתקני בקרה אוטומטית, אך ורקמותק של אמצעי בקרה עצמית, אך ורקמות, ממערכות הגנה עצמית, אך ורקמות, תוך כדי בקרה אוטומטית, אך מייצגת אטומית, ממערכות הגנה עצמית, אך ורקמותרפיעתית, ממערכות הגנה עצמית, תוך כדי בקרה עצמית, ממערכות הגנה עצמית, תוך כדי בקרה אוטומטית, אך ורק לתקני בקרה אוטומטית, אך מייצגת

התפתחות ממדריך למבצע אוטונומי

מבחינה היסטורית, כור גרעיני התבסס רבות על מפעילי אנוש כדי לפרש קוראי חיישן ולבצע פעולות שליטה.אי שלושת מייל ותאונות צ'רנוביל הדגישו את הסיכונים של טעות אנושית וקבלת החלטות איטיות במהלך אירועים חריגים.בתגובה, התעשייה פיתחה עיצובים מתקדמים לחדר הבקרה עם מערכות בטיחות אוטומטיות, כגון מעגלי נסיעה ומערכות קירור ליבנו.

שילובים של מערכת אוטונומית

מערכות בקרה מודרניות של כור אוטונומיות מורכבות בדרך כלל: (1) רשת נרחבת של חיישנים המדורגים תרמיים, הידראוליים, ומשתנים מכניים; (2) תשתיות מחשוב ביצועים גבוהות לעיבוד נתונים בזמן אמת; (3) מודלים של למידת מכונה המזהים את האנומליות, מגמות חיזוי, וממליץ על פעולות בקרה; (4) שכבת פעולה המבצעת ביצוע פקודות על גבי מוטות בקרה, שסתום, משחתות, ופעולות אחרות; (5) מתווך של מערכת הפעלה אנושית (MI) מספקתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתתת חומרים אלה (מחשבה) עם תכונות הפעלה לקויות) עם תכונות הפעלה (IRM) עם תכונות) אוקטנות על גבי מחשביות (I) אוקטנות) אוקטנות על גבי מחשביות (I) באופן תדירות) עם תכונות הפעלה קשות) עם תכונות הפעלה קשות) באופן קבועות, לעתים קרובות, כולל פונקציות הפעלה בלתי מוגבלות (RM) עם תכונות הפעלה קשיחות (RM) של מערכות הפעלה) של פונקציות הפעלה בלתי מוגבלות) של מערכות הפעלה (מניעות (RM) על גבי מחשבתית (IRM) ומערכת הפעלה) ומערכת הפעלה) אשר לעיתים קרובות,

תפקידה של AI ו- Machine Learning

AI ו-ML מביאים חבילה של יכולות אנליטיות מתקדמות לשליטה הכורסה כי הרבה מעבר לשיטות הקבע המסורתיות.על ידי עיבוד זרמים עצומים של נתוני חיישן בזמן אמת, אלגוריתמים אלה יכולים לזהות דפוסים עדינים שבני אדם או אזעקה פשוטה של סף פספסו.זה מאפשר תחזוקה חיזויית, גילוי מוקדם, אופטימיזציה אסטרטגיות בקרה שמתאימות לשריפת דלק, רכיב, הזדקנות, מעקב אחר דרישות.

למידה על ידי Anomaly Detection

אחת האפליקציות המיידיות ביותר היא למידה מבוקרת לגילוי אנומלי.הנתונים התפעוליים ההיסטוריים משני התנאים הרגילים והחיצוניים משמשים לאימון מחוקקים - כגון מכונות וקטור תמיכה, יערות אקראיים או רשתות עצביות עמוקות - שיכולים להעיד על חריגות הדגל של בעיות מתפתחות.לדוגמה, מודל מאומן יכול לזהות את תחילת הזרמת ההתקפים או את המודעות של צינורות קיטור הרבה לפני שייגרמו לתגובתם של ועדת הגרעין של האו"ם (USRC) להפחתה של המערכת).

Reinforcement Learning for Optimal control

Reinforcement Learning (RL) מציע פרדיגמה חזקה לשליטה אוטונומית של מערכות דינמיות.In RL, סוכן לומד לעשות רצפי החלטות על ידי אינטראקציה עם הסביבה - כלומר, סימולטור פיזיקת כור או תאום דיגיטלי - ולקבל תגמולים להשגת תוצאות הרצויות כגון תפוקה קבועה, לחץ מינימלי מתאים או דבקות לגבולות בטיחות.

רשתות נידור לחיזוי מודלים

רשתות עצביות מתקדמות, רשתות עצביות חוזרות ונשנות (RNN), ואדריכלות טרנספורמטים עדכניות יותר משמשים לבניית מודלים חיזוייים של התנהגות כור.מודלים אלה יכולים לצפות התפלגות טמפרטורה, השפעות הרעלת xenon, או שולי דלק שעות מראש, המאפשרים יותר מאשר בקרה אקטיבית על ידי הטמעת מודלים אלה בתוך מסגרת בקרה חיזוי מודלים (MPC), המערכת יכולה להתאים את המסלולים אופטימליים כגון שמירה על תכונות אבטחה מתקדמות.

היתרונות העיקריים של AI-Enhanced Control

השילוב של AI ו-ML במערכות בקרת כור מניב שיפורים מוחשיים על פני ממדים מרובים של פעולת צמחים. היתרונות האלה מרחיבים מעבר לחיסכון בעלויות בלבד כדי לשפר את האמינות והבטיחות של כוח גרעיני כמקור אנרגיה נמוך פחמן.

  • (FLT:0) בטיחות מובטחת מרג'ינס: איורים 1 ; AI לפקח ברציפות על אירועים מבשריים - כגון רטטים, מתיחות טמפרטורה, או oscillations ניטרון פלוקס - שיכול להוביל לתאונות. על ידי תגובה בתוך מילימטריים, המערכת יכולה למנוע הפרעות קלות החל מגלישה או נזק ליבה.
  • (FLT:0) ביצועים ודלק Utilization: אלגוריתמי למידת מכונה 1 יכול להתאים את דפוסי המוט בקרה ואת זרימת קירור לפיזור חשמל שטוחה להאריך את אורך מחזור הדלק.זה מקטין את מספר התדלוקים מחדש והורדת עלויות הדלק.עבור כור מים טיפוסי 1 GW לחץ, עלייה של 1% ביעילות תרמית לעשרות מיליוני דולרים במחזור חשמל נוסף של 18 חודשים.
  • (FLT:0) ,העברת טעות אנושית ומעבדת עבודה: ⁇ FLT ( 1 אוטומציה של משימות שגרתיות ומשימות חוזרות משחררות את מפעילי האדם להתמקד בפיקוח אסטרטגי וקבלת החלטות מורכבת. במהלך אירועים בלחץ גבוה, מערכת הבינה המלאכותית יכולה גם לספק תמיכה בהחלטות - לדוגמה, להמליץ על רצף הפעולות האופטימליות של בהתבסס על הערכות סיכון פרוביביליסיות.
  • (FLT:0) תחזוקה מקדימה: FLT:1 על ידי ניתוח רטט, טמפרטורה וחתימות אקוסטיות, AI יכול לחזות כשלים רכיב - כגון משאבה ללבוש או שסתום מקלות - ימים או שבועות מראש, זה מאפשר תחזוקה מבוסס תנאי, צמצום הוצאות מאולץ להאריך את חיי הציוד.
  • (FLT:0)Load-following ו- Grid Flexibility:FLT:1 כמו מקורות אנרגיה מתחדשת כמו רוח וצמחים סולאריים, צמחים גרעיניים נדרשים יותר ויותר להתאים את תפוקת החשמל לאזן תנודות רשת. .בקרי AI יכולים לבצע תמרונים מעקב עומס בצורה חלקה תוך ניהול מתח תרמיים שאחרת יקצרו את חיי הרכיב.זה הופך את הגרעין לשותפה חשובה יותר ברשת מחוסמת.

אתגרים

למרות היתרונות המשכנעים, פריסת AI ו-ML במערכות בקרה גרעיניות מציגה אתגרים טכניים, תפעוליים ורגולטוריים שניתן לטפל בהם לפני אימוץ נרחב.

איכות נתונים וזמינות

מודלים של למידת מכונות הם רק טובים כמו הנתונים שהם מאומן על.הגיבים לייצר כמויות גדולות של נתונים חיישן גבוה, אבל אנומליות, סחף חיישן, או ערכים חסרים יכולים לדרג ביצועים במודלים.יתר על כן, צמחים רבים חסרים ארכיונים רחבים של תנאי transient או תאונה הדרושים כדי להכשיר מודלים לזיהוי אנמליות.התעשייה עובדת על יצירת נתונים משותפים, אנונימיות וגמישות גבוהה - כמו סימולציה של נתונים סטנדרטיים של טכנולוגיות למידה כגון I-A.

אלגוריג'ם הסתמכות ואימות

תקנות בטיחות גרעיניות דורשות שכל מערכת אוטומטית תהיה אמינה לחלוטין בכל התרחישים אמינים.רשתות עצביות עמוקות, עם זאת, הן לעתים קרובות קופסאות שחורות שקשה לפרש ולאמת.קהילת הבינה המלאכותית מפתחת שיטות AI (XAI) להסביר, כגון מנגנוני קשב ומפות סלנסיות, לספק תובנה על החלטות מודל באופן עצמאי.אך האתגר נותר: כיצד לאשר מערכת למידה לא-קבועת, המבוססת על בסיס סטנדרטים נוקשים של פיקוח בינלאומי או שמירה על אוטונומיה סטנדרטית על אוטונומיה.

Cybersecurity Vulnerabilities

מערכות בקרה אוטונומיות שמסתמך על רשתות IIoT וניתוח מבוסס ענן מציגות משטחים חדשים של התקפה.שחקן זדוני יכול לנסות לטבול עם נתוני חיישן, להזריק פקודות כוזבות לרשת ההפעלה, או להרעיל את נתוני האימון כדי לגרום לכשלים נסתרים.התעשייה הגרעינית חייבת לאמץ אסטרטגיות אבטחה מעמיקות, כולל תקשורת מוצפנת, רשתות המופעלות על ידי אוויר לפונקציות קריטיות בטיחות, ו ניטור רציף לפעילות יריבה של AIA מאובטחת על מנת למנוע בקרה גרעינית, אם היא לא תתמקדת במתקנים מאובטחים, אם אני מדגישה, אם אני לא תתמקד במנגנוני אבטחה מבוססי בינה מלאכותית, כלומר, אם אני מבטיח כי יש צורך להתמקד במנגנוני אבטחה מבוססי AI.

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

המסגרת הרגולטורית הקיימת לעוצמה גרעינית פותחה עבור פעולות של אדם-ב-הכלל. רגלטורים כגון US NRC וסוכנות האנרגיה האטומית הבינלאומית (EA) עדיין מבססות סטנדרטים עבור מערכות בטיחות מבוססות תוכנה, לא רק להתאים את AI. שאלות מפתח כוללות: כיצד להגדיר ולאמת את "הפרויקט ההסתברותי" של החלטות AI?

סיקור ו-Ethal Landscape

כשבינה מלאכותית ומכונה הופכים להיות מרכזיים יותר בשליטה כור, התעשייה חייבת לנווט באינטרנט מורכב של שיקולים אתיים ותקנות מתפתחות.מרכז זה הוא העיקרון ש-AI צריך להגדיל את קבלת ההחלטות האנושית, לא להחליף אותה לחלוטין בתפקידים קריטיים בטיחותיים.התפיסה של "שליטה אנושית משמעותית" היא דיון: המפעילים חייבים לשמור על היכולת להבין, לאתגר, להתגבר על פעולות אוטומטיות.

סטנדרטים ומסגרות

ארגונים כמו IEEE והארגון הבינלאומי לתקינה (ISO) מפתחים סטנדרטים עבור מערכות אוטונומיות בהגדרות תעשייתיות.ליישומים גרעיניים, תקן IEEE 7-4.3.2 (Standard Criteria for Digital מחשבים דיגיטליים במערכות בטיחות של תחנות ייצור גרעיניות) מספק בסיס, אך אינו מתייחס לשיטות למידה גבוהות.

אחריות ואמינות

אם מערכת המונעת על ידי בינה מלאכותית עושה טעות – למשל, אבחון שגוי של תקלה בחיישן ותיקון טיול כור מיותר – האחראי? בעל המפעל? מפתח ה-AI?ה הרגולטור אישר את המערכת? קווי אחריות ברורים חיוניים כדי להימנע ממלכוד משפטי.כמה מומחים תומכים ברשומות "קופסא שחורה" לקבלת החלטות AI בצמחים גרעיניים, בדומה לנתונים בטיסה, אפילו לבדיקות ביטוחיות אוטונומיות.

מידות מוסריות

בעלי העניין חייבים גם לשקול את הפוטנציאל להטיה אלגוריתמית אם נתוני אימון מייצגים סוג כור אחד או מצב תפעולי.שקיפות בעיצוב מודל ואימות קוד פתוח נקראים יותר ויותר על ידי קבוצות אינטרס ציבורי.תעשיית הגרעין, רגיש מבחינה היסטורית לאמון הציבור, חייב לעסוק בדיאלוג פתוח על איך AI מוצג - ביטול התפיסה כי הוא קופסה שחורה שיכולה להסתיר בעיות של ארגון ה-IGNIGNIN (G) הפך להשפעה אתית על בסיס מערכת אבטחה מלאכותית.

יישומים אמיתיים ומקריות

בעוד שפעולה אוטונומית בקנה מידה מלא עדיין לא פרוסה בכורות מסחריים, כמה מוסדות מחקר ומפתחי כור מתקדמים הם בדיקות אבטיפוס ושילוב בינה מלאכותית לתוך ארכיטקטורות הבקרה שלהם.

פרויקט בקרת התגובה האוטונומית של המעבדה איידהו

ב- 2023 הם מנהיגים ביישום AI לשליטה גרעינית.ב-2023, הם הפגינו בקר מעמיק של למידה (DRL) על סימולטור בקנה מידה מלא של כור מהיר מאולתרן-התעלל בהצלחה, ההפעלה הצליחה בהצלחה, פעולת מצב יציב, ותאונה מדומה של אובדן-of-flow עם כל קלט.

סוללת טרה-Power עם AI-Enhanced I & C

העיצוב של TerraPower (כור מהיר מאולתר עם אחסון תרמי מלח מלוטש) משלב תאומה דיגיטלית שפועל במקביל למפעל הפיזי.מודלים למידה מכונה מאומן על התאום הדיגיטלי מספקים שליטה חיזויית המייעלת את הטעינה ופירוק של האחסון התרמית המבוססת על אותות רשת ותחזיות מזג אוויר.מערכת הבקרה מיועדת לפעול באופן אוטונומי במהלך תמרונים שגרתיים, עם פיקוח אנושי על בסיס סטנדרטי של NRC.

NuScale Small Modular Reactor Simulator Trials

NuScale Power בחן ניהול אזעקה מבוסס AI וגילוי תקלות על סימולטור הצמח VOYGR שלה.שימוש בהרכב של רשתות עצביות מהפכתיות (CNN), המערכת הפחיתה את הצפות על ידי 70% במהלך תרחישים סימולציה על ידי correlating אזעקה עם סיבות שורש. NuScale הוא גם לחקור AI עבור עומס אוטונומי לאחר תצורה רב-מודול שלה, שבו מערכת הבקרה יכול להתאים באופן אוטומטי מפלט מרובים כדי לענות על ידי תאים ללא התערבות רשת.

תחזית העתיד

המסלולים לעבר מערכות בקרת כור אוטונומי ברורים: כאשר אלגוריתמי AI בוגרים, חומרת מחשוב הופכת להיות יותר חזקה, ורגולציה להתפתח, התעשייה תעבור מסיוע אוטומציה לאוטונומיה מלאה בתחומים תפעוליים ספציפיים.

תאומים ו- Edge AI

תאומים דיגיטליים - העתקים וירטואליים גבוהים של הכור - הופכים חיוניים עבור אופטימיזציה בזמן אמת. תאומים אלה לרוץ מעט לפני הצמח בפועל, המאפשר מודלים AI לבחון פעולות שליטה בסימולציה לפני ביצוע אותם במציאות. Edge AI, שבו למידת מכונה מתרחשת על בקרים מקומיים ולא בענן, מפחית את הגמישות ומבטלת את התלות ברשת, משימות קריטיות לשילוב של AI ו-"מפרק" מאפשר יכולת אבטחה" אחרת" ללא יכולת הפעלה מחדש" של .

הסתגלות ולמידה לכל החיים

מערכות עתידיות ישתמשו בלמידה מתמשכת, עדכון המודלים שלהם כמו הגילאים הכור או כפי שהנתונים התפעוליים החדשים יהיו זמינים - מבלי לשכוח ידע למד קודם לכן.טכניקות כמו עצירות משקל גמיש ומחשוב מאגר להראות הבטחה לייצוב למידה לכל החיים במערכות בקרה.יכולות אלה יהיו חיוניות עבור כורים שפועלים במשך 60-80 שנים, עם שינויים הדרגתיים בגיאומטריה הליבה, הרכיב, ותכונות הדלק.

אדריכלות: Human-AI Teaming Architectures

במקום אוטונומיה מלאה, פרדיגמת לטווח קרוב היא אנושית-AI צוותינג, שבו AI מטפל בשליטה שגרתית אבל מעלה את האנומליות למפעיל אנושי שיכול לקחת שליטה ידנית אם יש צורך במערכות הדמיה מתקדמות באמצעות מציאות מוגברת (AR) יכול לטעון המלצות AI, רמות ביטחון, לחזות תוצאות על ראיית המפעיל.

שיתוף פעולה גלובלי וסטנדרטיזציה

שיתוף פעולה בינלאומי יהיה חיוני לממש את מלוא הפוטנציאל של בקרת הכור האוטונומי.דוח האנרגיה הגרעינית של IEA על "אינטליגנציה מלאכותית של כוח גרעיני מבצע" מספק הדרכה בסיסית, אבל הרבה עבודה נשארות. תוכניות מחקר משותף - כגון סוכנות האנרגיה של ה-OECD-NEA (סוכנות האנרגיה של אנקלאר) על AI בביטחון גרעיני - הם מאגר נתונים ומתודולוגיות אימות ברחבי המדינה.

מסקנה

מערכות בקרה אוטונומיות המופעלות על ידי AI ולמידה מכונה מייצגים שינוי פרדיגמטי בפעילות גרעינית - אחת המבטיחה להפוך את הטכנולוגיה לבטוחה יותר, גמישה יותר, ותחרותית יותר מבחינה כלכלית.על ידי מינוף הכרה בדפוס, למידה חיזוק ומודלים חיזויים, מערכות אלה יכולות לפעול במהירות ובדיוק מעבר ליכולת האנושית, תוך כדי מתן אפשרות לתובנות כוח אדם.ה קדימה דורשות מכשולים משמעותיים בנתונים, אימות, וקידום יעיל של מערכת ההפעלה והשיפור שלה, וכן הלאה, עם פיתוח גרעיני, עם פיתוח יעיל, עם פיתוח יעיל, עם פיתוח יעיל, עם פיתוח יעיל, עם פיתוח יעיל, וקידום עצמי, עם פיתוח יעיל, עם פיתוח יעיל, עם פיתוח יעיל של כוח אוטונומי, עם יעילות, עם פיתוח יעיל של כוח אוטונומי, עם פיתוח עצמי, עם פיתוח יעיל של כוח אוטונומי, עם פיתוח יעיל של כוח אנושי, עם יעילות, עם פיתוח יעיל, עם פיתוח יעיל של כוח גרעיני, עם פיתוח יעיל, עם פיתוח יעיל, עם פיתוח יעיל, עם פיתוח יעיל של כוח אוטונומי, עם פיתוח יעיל של כוח אוטונומי, עם פיתוח מחדש, עם פיתוח מחדש, עם פיתוח יעיל של כוח אנושי, ועם זאת, עם פיתוח יעיל, עם פיתוח יעיל של כוח אנושי מחדש, עם פיתוח עצמי, עם פיתוח מחדש, עם פיתוח עצמי, עם פיתוח