Introduzione: La nuova frontiera della sicurezza nucleare

La Commissione per la regolamentazione nucleare degli Stati Uniti (NRC) è responsabile per garantire il funzionamento sicuro delle centrali nucleari e dei materiali civili. Le valutazioni di sicurezza tradizionali si basano su analisi deterministiche, valutazioni probabilistiche del rischio (PRAs), e giudizio esperto. Tuttavia, la complessità dei sistemi di reattore moderni, il volume puro dei dati dei sensori, e la necessità di un processo decisionale più rapido e accurato stanno conducendo l'integrazione di intelligenza artificiale (AI) e di machine learning (ML)

Il ruolo dell'AI e dell'ML nelle valutazioni di sicurezza NRC

Gli algoritmi AI e ML sono particolarmente adatti per gestire i dati multidimensionali e ad alta frequenza generati dalle strutture nucleari. Imparando dai modelli storici e aggiornando continuamente con nuove informazioni, questi strumenti possono visualizzare intuizioni che sarebbero impraticabili per gli analisti umani di scoprire manualmente. Il NRC ha riconosciuto questo potenziale attraverso il suo Piano Strategico e partnership di ricerca in corso con i laboratori nazionali.

Fonti di dati e integrazione

Le centrali nucleari raccolgono dati da migliaia di sensori che misurano la temperatura, la pressione, la portata, i livelli di radiazione e le vibrazioni. I registri di manutenzione, i rapporti di ispezione e le basi di dati incidenti forniscono anche informazioni testuali e strutturate ricche. L’integrazione di queste fonti disparate in un unico, set di dati pulito è un primo passo critico.

Riconoscimento del modello e rilevamento dell'anomalia

Le tecniche di apprendimento automatico non supervisionate, come gli autoencoders, gli algoritmi di clustering e le macchine vettoriali di supporto di una classe, eccelleno nell'individuazione delle deviazioni dalle normali condizioni operative senza richiedere esempi di guasti etichettati.

Manutenzione predittiva

La manutenzione preventiva (PdM) è una delle applicazioni più mature di ML in ambienti nucleari. Combinando i dati dei sensori con i record di guasti storici, i modelli di regressione o le reti neurali ricorrenti (RNNs) può prevedere la vita utile rimanente (RUL) di componenti come valvole, pompe e meccanismi di azionamento a barra di controllo.

Valutazione del rischio e sostegno alla decisione

I sistemi di monitoraggio della sicurezza (PRA) sono anche in grado di migliorare la valutazione dei rischi probabili. La PRA tradizionale si basa su alberi di eventi statici e difetti, spesso aggiornati solo quando si verificano cambiamenti importanti. L’apprendimento automatico può aggiornare dinamicamente le probabilità di guasto basate sul monitoraggio delle condizioni in tempo reale e sulla storia operativa.

Fondamenti tecnici dell'AI/ML nella sicurezza nucleare

La riuscita distribuzione di AI e ML in ambienti regolamentati richiede una profonda comprensione degli algoritmi, dei loro punti di forza e dei loro limiti.

Imparare supervisionato per la classificazione di default

Quando sono disponibili dati etichettati da incidenti passati, modelli di apprendimento supervisionati (come foreste casuali, macchine vettoriali di supporto, o reti neurali convoluzionali) possono classificare le firme dei sensori in stati normali, degradati o guasti. Tuttavia, ottenere grandi, etichette datasets è impegnativo nel dominio nucleare a causa della rarità di eventi significativi.

Imparare senza supervisione e semi-superviso

L'apprendimento semi supervisionato fa uso di un piccolo numero di esempi etichettati combinati con un grande pool di dati non etichettati, offrendo un terreno medio pragmatico. Modelli generativi profondi, come autoencoders variazionali, possono modellare la distribuzione probabilità di operazioni normali e assegnare un basso rischio di desinsione di schemi anormali.

Apprendimento profondo e visione del computer per le ispezioni

Ispezioni visive all'interno del contenimento e intorno ai componenti del sistema primario sono critici ma di lunga durata. Modelli di apprendimento profondi per il rilevamento e la classificazione degli oggetti possono analizzare immagini o video feed da crawler robot o droni per identificare corrosione, crepe o detriti. L'Ufficio di regolamentazione nucleare della NRC ha finanziato progetti utilizzando reti neurali convoluzionali (CNN) per automatizzare il rilevamento di corrosione di cracking nelle tubazioni dell'acciaio inossidabile.

Elaborazione di lingue naturali per i rapporti incidenti

Migliaia di Report di eventi di licenza (LER) e altri documenti narrativi vengono presentati al NRC ogni anno. Le linee di elaborazione del linguaggio naturale (NLP) possono estrarre sequenze causali, classificare gli eventi e identificare le tendenze emergenti.

Studi di casi e programmi pilota

Diversi programmi pilota e iniziative di ricerca illustrano l'applicazione reale di AI/ML nelle valutazioni di sicurezza NRC.

Controllo e analisi di sicurezza autonome di INL

Nel 2023, ACSAP è stato testato su un modello di piccolo reattore modulare (SMR) simulato. Il sistema integrato in tempo reale dei dati del sensore dal letto di prova del regolatore, ha applicato il rilevamento on-line di anomalia, e ha aggiornato un PRA dinamico in meno di un secondo per ciclo.

Westinghouse e machine learning per prestazioni di carburante

Westinghouse Electric Company, in collaborazione con il NRC, ha esplorato modelli di machine learning per prevedere il guasto del rivestimento del carburante durante le rampe di alimentazione.

L’AIEA per il pilota di sicurezza

L’Agenzia Internazionale per l’Energia Atomica (IAEA) ha lanciato un Progetto di Ricerca Coordinata sull’AI per la Sicurezza Nucleare, con la partecipazione del NRC. Il progetto si concentra sullo sviluppo di best practice per la convalida del modello ML, la trasparenza e la quantificazione dell’incertezza, questioni direttamente rilevanti per l’accettazione da parte del regolatore di questi strumenti ([IAEA AI Attività]]).

Sfide e considerazioni

Nonostante la promessa, l'integrazione di AI e ML nelle valutazioni di sicurezza NRC affronta ostacoli significativi che devono essere affrontati prima di un'accettazione normativa diffusa.

Qualità e sicurezza dei dati

L’adage “garbage in, spazzatura out” è particolarmente vero nei domini critici per la sicurezza. La deriva del sensore, problemi di sincronizzazione del time-stamp e tronchi corrotti possono introdurre biasi o falsi positivi. Il NRC richiede che qualsiasi dato utilizzato in un’applicazione di sicurezza sia tracciabile per le procedure di misura e di calibrazione approvate. Inoltre, le preoccupazioni per i sistemi informatici AIRC sono fondamentali: gli ingressi avversariali potrebbero ingannare un errore nel rivelatore un rivelatore di sicurezza.

Validazione e verifica del modello (V&V)

Il NRC, in collaborazione con i Laboratori Nazionali di Sandia, ha sviluppato un quadro per V&V dei modelli ML che include test di stress in input out-of-distribution, controlli di monotonicità coerenti con la fisica e metodi di ensemble per quantificare l'incertezza.

Trasparenza e Spiegabilità

I sistemi di controllo e gli operatori di impianti devono capire perché un modello ha fatto una raccomandazione particolare. I modelli di apprendimento profondo sono spesso “scatole nere”, ma le tecniche come SHAP (esPlanations Additive di SSL), LIME (Local Interpretable Model-agnostic Explanations), e i meccanismi di attenzione nei trasformatori possono fornire spiegazioni locali.

Considerazioni normative ed etiche

Nel 2020, il NRC ha pubblicato un progetto di carta bianca sull'uso dell'IA nel processo normativo, evidenziando principi quali responsabilità umana, trasparenza e adozione incrementale. Un gruppo etico convocato dalla Commissione ha raccomandato che le decisioni dell'AI che potrebbero portare ad un arresto o ad un'escalation di sicurezza devono avere un approccio umano-in-the-loop.

Responsabilità e responsabilità

Chi è responsabile se un modello AI giudica un sistema critico della sicurezza? La posizione attuale del NRC è che il titolare della licenza mantiene la piena responsabilità. I sistemi AI sono trattati come strumenti che forniscono informazioni, non come decisori autonomi. Questo principio si allinea con l'enfasi del settore sulle prestazioni umane e la filosofia Difesa-in-Depth.

Bias e la bellezza

I dati di formazione possono riflettere le divergenze storiche, ad esempio, alcune configurazioni o condizioni operative degli impianti, che potrebbero essere sovrarappresentate, e se non affrontate, i modelli potrebbero sottovalutare sistematicamente i rischi per scenari meno comuni ma importanti.

Il futuro dell'AI nella sicurezza nucleare

In vista di un futuro, il ruolo di AI e ML nelle valutazioni di sicurezza NRC è impostato per espandersi in modo significativo, guidato da tre fattori: la distribuzione di reattori avanzati, l'evoluzione della strumentazione digitale e la maturazione delle tecniche di sicurezza AI.

AI per piccoli reattori modulari e avanzati

I piccoli reattori modulari (SMR) e i progetti non leggeri (ad esempio, sale fuso, raffreddamento ad alta temperatura a gas) hanno spesso meno operatori e si affidano a sistemi di controllo automatizzati.

Operazioni predittive e prescrittive AI-Driven

Oltre alla manutenzione predittiva, l’analisi prescrittiva può consigliare azioni specifiche dell’operatore o programmi di manutenzione preventiva per ridurre al minimo i rischi.Gli agenti di apprendimento di rinforzo, formati in simulatori ad alta fedeltà, possono esplorare spazi politici che gli operatori umani non considerano intuitivamente. Il programma di ricerca NRC sta valutando un gemello digitale di un Reattore ad acqua di Boiling (BWR) che utilizza un agente di apprendimento di rinforzo per consigliare una velocità ottimale di ricircolorazione di calore durante il mantenimento di flusso di potenza critica.

Collaborazione umana-AI

Il NRC prevede un modello di teaming umano-AI in cui l'AI gestisce la fusione dei dati, il riconoscimento dei modelli e la generazione di scenari, mentre gli analisti esperti si concentrano sul ragionamento, il processo decisionale sotto incertezza e la gestione di situazioni nuove.

Imparare e adattare continuamente

La flotta si evolve e i nuovi dati operativi diventano disponibili, i modelli ML devono essere aggiornati mantenendo la sicurezza. Le tecniche come l’apprendimento continuo e l’apprendimento federato (dove i modelli sono formati su più impianti senza condividere dati grezzi) sono in fase di ricerca. Il quadro normativo NRC per questi modelli “viventi” è un’area attiva di sviluppo, con ingresso dell’Istituto Energia Nucleare (NEI]]]]).

Conclusioni

L'integrazione dell'AI e dell'apprendimento automatico nelle valutazioni di sicurezza NRC rappresenta un passo avanti significativo nella missione di tutela della salute e della sicurezza pubblica.Da una manutenzione predittiva e una valutazione dinamica del rischio per la visione del computer e l'elaborazione del linguaggio naturale, questi strumenti offrono la capacità di rilevare e rispondere ai rischi più velocemente e più precisamente che mai. Tuttavia, la loro adozione deve essere guidata da una validazione rigorosa, trasparenza e un impegno costante al principio che le generazioni umane rimangono in ultimamente responsabili per le decisioni di sicurezza.