מבוא: עידן חדש לבטיחות גרעינית

תעשיית הכוח הגרעינית פועלת תחת לחץ מתמיד של איזון תפוקת גבוהה, בטיחות ויעילות כלכלית.בין האתגרים התפעוליים הרבים העומדים בפני מפעילי כור, הרעלת xenML - הידוע גם בשם אפקט הרנטגן או ה-iodine - נשאר אחד המסלול הקריטי ביותר.תופעה זו, הנגרמת על ידי מוצר סדקים xen-135, יכול במהירות לקלקל את הכלכלה המסורתית של כור, המוביל להפחתה מהירה של שיטות אבטחה קשות, אך ורקמות, על ידי ניתוח בעיות אבטחה, אך ורקמות, על ידי ניתוח בטיחות הפעלה מוגבלת של מערכות הפעלה מחדש של Xon-ידי ניתוח בטיחותיות, אך ורקמות, אך ורקמות, על ידי שיטות הפעלה מחדש של מערכות אבטחה, על ידי שיטות הפעלה מחדש של Xon-ידי שימוש במקרים של Xon-ידי לחץ דם, על ידי לחץ דם, על ידי לחץ דם, על ידי לחץ דם, על ידי שיטות הפעלה מחדש של לחץ דם, על ידי שיטות הפעלה מחדש של מערכות אבטחה, על ידי שיטות הפעלה מחדש של מערכות אבטחה, על ידי לחץ דם, על ידי שיטות הפעלה מחדש של לחץ דם, על ידי שיטות הפעלה מחדש של לחץ דם, על ידי לחץ דם, על ידי שיטות הפעלה מחדש של לחץ דם, על ידי שיטות הפעלה מחדש של לחץ דם, יכול למנוע טיפול תרופתיות, על ידי

הבנת Xenon-135 וההרעלת Mechanism

Xenon-135 (Xe-135) הוא איזוטופ לא יציב המיוצר ישירות כמוצר פשפש או באמצעות הדעיכה של יוד-135.המשמעות שלו נובעת מפרשת צלב הניטריונים העצומה שלה - כ-2.7 מיליון ברונים עבור נייטוונים תרמיים - שהוא מאות פעמים גדול יותר מאשר זה של דלק או חומרים מבניים טיפוסיים.

ההתנהגות של Xe-135 היא צמודה להיסטוריה של כוח הכור.בכוח גבוה של מדינתי, ריכוז Xe-135 מגיע איזון שבו הייצור (מריק של I-135 ונפיחות ישירה) שווה את ההסרה (על ידי לכידת נויטרונים וריקבון רדיואקטיבי), עם זאת, כאשר כוח מופחת, סטארט-אפ שטף הניטרונים של X-135 טיפות באופן חד-חמצני, בעוד שדעיכה את קצב ההתפרקות שלו, ממשיך לדרגה של 6-135 שעות מאוחר יותר, הוא גורם לריכוז מאוחר יותר, כלומר, כמו X-135 שעות מאוחר יותר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, כלומר, הסטארט-135 שעות לאחר מכן, כלומר, כלומר, כלומר, הסטארט-135 שעות מאוחר יותר, הסטארט-135 שעות מאוחר יותר, הסטארט-135 שעות מאוחר יותר, הסטארט-135-135-135-135-135-135-135-אפ, הסטארט-פעמיכות, הוא גורם להפחתה של הסטארט-אפ, הוא גורם להתפרצות של הסטארט-פעמי, הסטארט-פעמיית ה-135-135-פעמיית

יתר על כן, צילומי רנטגן מרחביים - חלוקה מורכבת של Xe-135 ו-Nutron flux על פני הליבה - יכול להופיע בכורים מסחריים גדולים (למשל, כור מים מתוחים) אם לא מזוהים, אווסים אלה גורמים להורדת חשמל מקומית ו instabilities הדורשים פעולות מיידיות של שליטה (למשל, התאמת, התאמה של בנקים, ירידה של X-xantamsquareten) הם לעתים קרובות צורך בזרימה משמעותית.

ניהול Xenon המסורתי: חיזוקים ומגבלות

במשך עשרות שנים, מפעילי הסתמך על שילוב של טבלאות מראש, מודלים ממוחשבים פשוטים (למשל, קודים קיננטיים כור), ושיפוט ידני לניהול Xenon. סימולטורים אימון משמשים כדי לתרגל תמרונים כגון "מכרסמים כפולים" בזמן הנכון כדי להתגבר על הבור.

  • (FLT:0) תגובתי ולא חיזוי: מפעילי 1FLT1 פועלים רק לאחר ריכוז xenon כבר ניתחו, מה שמוביל לתגובה מאוחרת.
  • מודלים מסורתיים (FLT:0Simplified Models:FLT:1ig) לעתים קרובות להניח תכונות ליבה הומוגניות ולא יכול ללכוד אינטראקציות פלוקס-קסון תלת מימדי במדויק.
  • (FLT:0) עומס קוגניטיבי גבוה: מפעילי 1FLT חייבים לפקח על פרמטרים מרובים (שפעת טוטורון, כוח, טמפרטורה, הערכות רנטגן) ולצפות התנהגות עתידית תחת לחץ.
  • (FLT:0) שולי חליפין: FLT:1 כדי להישאר בטוח, מפעילי עשויים לשמור כוח נמוך יותר מאשר אופטימלי או להימנע מפרופילים מעקב אחר עומס מסוים, צמצום יעילות הצמח וגמישות.

עליית מקורות אנרגיה מתחדשים דורשת שצמחים גרעיניים פועלים בצורה גמישה יותר – הגדלים את הכוח ולמטה כדי לתמוך ביציבות הרשת.תמרונים כאלה מגבירים מאוד את הסיכון להרעלת רנטגן.למידה של מכונות מספקת אמצעי לא רק לחזות היכן ומתי Xe-135 יגיעו לשיא, אלא גם כדי לייעל פעולות בזמן אמת.

כיצד Machine Learning צופה ב- Xenon הרעלת

מודלים של למידת מכונות מקיפים זרמים גדולים ביותר של נתונים ממכשירי כור ופלט תחזית של ריכוז xenon ואת ההפצה המרחבית שלה.הצנרת הליבה כוללת ארבעה שלבים: רכישת נתונים, הנדסה תכונה, הכשרה מודל ופריסה.

רכישת נתונים וחיישנים Fusion

כורים מודרניים מצוידים במאות חיישנים: גלאי Nutron (למשל, Rhodium או Vanadium self-powered גלאי), thermocouples, זרימה, לשלוט על אינדיקטורים מיקום מוטה מודלים למידה מכונות ממזגים נתונים אלה כדי לשחזר את חלוקת הכוח תלת-ממדית.

תכונות קלט מפתח כוללות:

  • זרם ה-Nutron flux (axial ו-ranal)
  • עמדות בנק מוטות (ומתחמי הכנסת)
  • טמפרטורה רטובה וקצב זרימה
  • היסטוריה של שריפת אנרגיה (Roverulative Energy Extractup)
  • זמן מאז שינוי הכוח האחרון
  • ריכוז של Xenon-135 מוערך ממודלים של דעיכה (נקודת התחלה)

אדריכלות מודלים לתחזיות זמן

(ההתנהגות של Xenon היא פונקציה של כוח העבר ו-Nutron flux, ⁇ :0re Current neural networks (RN) irph:1 - במיוחד זיכרון לטווח קצר (LSTM) ו- שערד Recurrent Unit (GRU) - הם אפשרויות טבעיות בו-זמנית של ארכיטקטורות אלה יכולים ללמוד תלות זמנית על פני מספר שלבים (שעות עד ימים) ניתן להוסיף שכבות של LT2F) ומודלים מרחביים (סימולציות מרחביים)

גישה מבטיחה נוספת היא (FLT:0) מודלים מבוססי טרנספורמציפורפורפורפורר 1 (למשל, פיוז'ן סטריאלי פלוטר) אשר מטפלים ברצףים באורך משתנה ויכולה לשלב משתנים אקסוגניים כמו דרישות רשת.עבור ייצוגים תלת מימדיים, FLT:2graph רשתות עצביות (GNs)FLT:3 אשר מטפלות בכל תא דלק כמו Node עם נתיבי ליבת תלת מימדיים הם מסלולים של ערפיליים.

אימון ואימות

למידה על-ידי שימוש: המודל לומד למפות תכונות קלט לפלט יעד - בדרך כלל ריכוז Xe-135 בכל נקודה נמדדת (או ליבת-הממוצע) בצעדים עתידיים (למשל, +1 שעה, +6 שעות, +12 שעות), +12 שעות) יש לאוזן את איסוף הנתונים של שיטות למידה קבועות ו transientientientence.

אימות מבוצע על ידי מניעת חלק של נתונים היסטוריים ומדידה שגיאה חיזוי (למשל, MAE, RMSE) מאז ריכוז xenon אינו נמדד ישירות ברוב הכורים (הוא מופר), את הפלטים מודל ניתן להשוות חישובים קוד ההתייחסות או לשינוי תגובתי (באמצעות בקרה על קלמנטים מוצלחים) מודל יכול לצפות xenon התנהגות עם דיוק של 65% או יותר טוב יותר.

מתוך חיזוי למניעה: Machine Learning in Action

חיזוי הרעלה של Xenon הוא רק חצי הקרב.הערך האמיתי נמצא בשימוש בחיזוי זה כדי ליידע פעולות שליטה. Machine Learning ניתן להטמיע במערכת בקרת הצמח או ככלי ייעוץ או כחלק מלופה של שליטה אוטונומית.

מערכות ייעוץ לאופרות

מערכת מייעצת מבוססת ML לוקחת קריאה בזמן אמת חיישן ומציגה "מפת סיכון" של ריכוזי xenon המתקרבים.זה עשוי להדגיש אילו אזורים של הליבה צפויים לחוות שיא Xe-135 בתוך השעות הקרובות.המערכת יכולה לשמור אז FLT:0recommend פעולות ספציפיות FLT:1: לדוגמה, "למשוך בנק על ידי 5 שלבים ולהפחית את הכוח ל -2 85% של בדיקות Xerd של מערכת ההפעלה" אבל יש ירידה של כמה פעמים כמו כן, אבל ב-xdras.

בקרה אוטומטית

צעד נוסף, (FLT:0)reinforcement Learning (RLIRLT:1 יכול להיות מיושם כדי ללמוד מדיניות בקרה אופטימלית עבור תנועת מוטה ועוצמה תמרון הממזער את oscillations xenon.בהגדרה זו, סוכן ה-RL אינטראקציה עם סימולטורים גבוהים של נאמנות (או מודל פונדק) ומקבל פרסים להשגת כוח יציב, הימנעות מ xon-xon-n-reces הוכיחו את המהירויות גבוהות יותר כמו גם ממעבדות אבטחה ânances, או ממעבדות אבטחה גבוהה יותר ממעבדות אבטחה â € â € â € ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ â â ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ â ¢ ¢ â ¢ ¢ ¢ ¢ ¢ מהירויות ¢ ¢ מהירויות â ¢ â מהירויות ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ ¢ â ¢ ¢ ¢

לפני הפריסה על כור אמיתי, מערכות כאלה חייבות לעבור אימות קפדני ואימות (V&V) ולהיות מאושר על ידי הרגולטורים הגרעיניים.זהו מטרה ארוכת טווח, אבל פתרונות ביניים כמו FLT:0:0 "אנושיים-ב-the-loop" אוטומציה של 1 כבר אפשריים: מערכת ה-ML מציעה פעולות; המפעילים מבצעים את המחשב הזה משמר את הראייה האנושית תוך כדי מהירות ודיוק.

אינטגרציה דיגיטלית

יישום חזק נוסף הוא ה-ML:0 (EthphFeloal TwinFancy:1 ), העתק וירטואלי של הליבה הכורית המשתמשת ML כדי לחזות התנהגות xenon ולבחון "מה אם" אופרות יכול לשאול "מה אם נצמצם את הכוח ב -10% למשך 3 שעות?", ולקבל תחזית מיידית של אבולוציה Xenon, כולל תנודות פוטנציאליות, אם כך תות התאומה דיגיטלית מציעה תמרון אופטימלית (למשל, או סימולציה מהירה יותר) עם סימולציה מהירה יותר מאשר סימולציה של זמן, או סימולציה מהירה יותר מאשר סימולציה מתקדמת יותר מאשר סימולציה של זמן, או סימולציה מהירה יותר מאשר סימולציה מהירה יותר מאשר סימולציה של זמן.

היתרונות של Machine Learning for Xenon Management

  • (FLT:0) בטיחות מובטחת: FLT:1E גילוי מוקדם של הצטברות xenon מונע נסיעות כור בלתי נמנע ומפחית את הלחץ של המפעיל. ML יכול להוביל לתנודות מרחביות לפני שהם הופכים להיות עמידים בפני עצמם.
  • (FLT:0) ,התאוששות של פעילות הגמישות: ⁇ F1) צמחי גרעין יכולים להשתתף בבטחה יותר במעקב אחר עומס כדי לתמוך בדור מתחדש משתנה, בידיעה כי ML יודיע להם להפסיק את תנאי ה-xenon ולהציע סטיות.
  • (FLT:0) חיסכון: 1FLT להימנע מעיכובים לא מתוכננים חוסך מיליוני עלויות חשמל חלופיות ומפחיתה ללבוש על מוטות בקרה וציוד אחר.
  • (FLT:0)Optimized Fuel Cycles: FIRLT:1 תחזיות Xenon מאפשרות למפעילים להרחיב מחזורי דלק על ידי הימנעות מהפחתה מוקדמת של כוח.הם יכולים גם להתאים את דפוסי המוט עבור הכלכלה הטובה ביותר של נויטרוון, שיפור גורם יכולת צמחי הכולל.
  • (FLT:0) אישור ידע: 1 כפי שמשתתפים ותיקים פורשים, מודלים של ML ללכוד את הידע שלהם לשרת ככלי אימונים עבור שוכרים חדשים, שמירה על זיכרון מוסדי.

אתגרים ודרכים קדימה

למרות ההבטחה, שילוב ML לשליטה בכור גרעיני ניצב בפני מכשולים משמעותיים:

  • (FLT:0Data Quality and Quantity:FLT:1 היסטורי נתונים עשויים לא לכסות transientients קיצוניים הדרושים עבור מודלים חזקים. Simulated נתונים יכול למלא פערים אבל לא יכול לייצג את המציאות במלואה.
  • (FLT:0)Model Interpretability: FLT1 רגולטורים גרעיניים דורשים תחזיות ברורות: "קופסא שחורה" רשתות עצביות קשה לאמת את המחקר ב-FLT:2exable AI (XAI)uaFLT 3LT 3 - למשל, ערכי SHAP, מנגנונים - חיוני כדי להשיג מודלים של אמון היברידית המשלבים משוואות המבוססות על פיסיקה עם משוואות אפשריות לפרשת דרכים לרכיבים.
  • (FLT:0) אינטגרציה עם Legacy Systems:FearLT:1) רוב הכור התפעולי יש מערכות בקרה שתוכננו לפני עשרות שנים. אלגוריתמים של ML דורשות אבטחת סייבר זהירה ועיצוב ממשק.
  • (FLT:0) והסמכת: FLT:1 Regulators (למשל, NRC, IAEA) אין מסגרת מבוססת לאישור מערכות בטיחות מבוססות ML.קבוצות תעשייה כמו NEI ו- EPRI מפתחים הדרכה, אך אימוץ נרחב עשוי לקחת שנים.
  • (FLT:0) חישובים: חיזוי זמן אמת ואופטימיזציה דורשים הקצאה מהירה. Edge מחשוב (באתר או מוטב) יכול להפחית את הגמישות, אבל תשתית מחשוב של הצמח עשויה לדרוש שדרוגים.

הנחיות עתידיות: תגובה אוטונומית?

במבט קדימה, ההתכנסות של ML, תאומים דיגיטליים, ורגישות מתקדמת תוביל כנראה לפעילות כור אוטונומית חלקית.IEA זיהתה "שליטה אוטונומית" כאחת המגמות המרכזיות של מערכות כוח גרעיניות עתידיות, כגון כורים מודולריים קטנים (SMRs) ומיקרו-מיקרו-ארבנים קטנים אלה, אשר נועדו לעתים קרובות למתחרים מרוחקים או מופצות, ירוויחו מאוד משש עשרה שנים, מכיוון שכאלו שאינם צופים כי הם פועלים באופן אוטומטי מערכת בקרה דיגיטלית, ללא שימושית לחלוטין.

יתר על כן, מודלים הפיכה של ML xenon עם מערכות חיזוי אחרות (למשל, לטמפרטורת דלק, כימיה קרירה, לחץ מכני) יכול ליצור מקיפים FLT:0 ניטור מקוון ומסגרת אבחון אחר: 1.

משרד האנרגיה של ארה"ב:0researchvy יוזמות מחקריות של USFLT:1 ו- IEA's FLT:2טכנולוגיה RoadmapFLT:3 מדגישות הן שיטות מונעות נתונים לבטיחות כור.ברחבי העולם, שיתופי פעולה בין שירותים, מעבדות לאומיות ואוניברסיטאות משפרות בהתמדה את הדיוק והאמינות של מודלים של ML לניהול xenon.

מסקנה

(FLT:0) למידה מקנה אינה תחליף לפיזיקה הכורתית הבסיסית - היא משפרת חזקה.REFLT:1 על ידי למידה מהנתונים התפעוליים האחרונים וסימולציות נאמנות גבוהה, מודלים של ML יכולים לחזות ריכוזי xenon-135 עם מהירות ודיוק חסר תקדים.זה מבטיח גם יכולת חיזוי, בשילוב עם ייעוץ או בקרה אוטומטית, מאפשר למפעלים גרעיניים למנוע את ההשלכות היקרות והמסוכנות של הרעלת xenon, בעוד שעדיין לא יפעילו את היכולת הגרעינית, אלא גם כן, אלא גם כן, אלא גם את היכולת החיזוי יעיל יותר, אלא גם את אמצעי קבלה גרעינית, אלא גם כן, אלא גם כן, אך ורק אמצעי קבלה, כמו גם כן, כמו גם כן, אך ורק אמצעי זהירות, כמו גם כן, היא יעילה יותר, אך ורק אמצעי זהירות, אך ורק אמצעי זהירות, כמו גם כן, כמו גם כן, כמו גם כן, היא יעילה יותר, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם למנוע את היכולת הפחתת אמצעי זהירות, כמו גם למנוע את אמצעי זהירות, ללא יכולת ניהול יעיל יותר, כמו גם למנוע את היכולת החיזוי יעיל יותר, כמו גם למנוע את אמצעי הגנה גרעינית, אך ורק אמצעי הגנה