Safety-First Reactor Control Algorithms 개발 기계 학습

이 문서는 "이 문서는 "이 문서는 "이 문서는 "이 문서는 "이 문서는 "이 문서는 "이 문서는"라고합니다. "이 문서는 "이 문서는 "이 문서는"이 문서는 "이 문서는"라고합니다. "이 문서는 "이 문서는 "이 문서는"이 문서의 "이 문서는"이 문서의 "이 문서는"이 문서의 "이 문서는"이 문서의 "이 문서는"라고합니다. "이 문서는 "이 문서는 "이 문서는"의 "이 문서는"라고합니다.

Historical Context: 아날로그에서 Intelligent Control에

핵 반응기 제어는 수동 조정 및 아날로그 피드백 루프에서 실제 시간에 수천 개의 매개 변수를 모니터링하는 디지털 시스템에 진화했습니다. 초기 제어 알고리즘은 비례식 통합 컨트롤러 및 사전 처리 된 세트 지점에서 의존했습니다. 이 시스템은 견고하지만 설계 기반을 넘어 일시적 상태를 처리하는 유연성이 부족합니다. 원자로가 더 많은 센서 및 컴퓨팅 전력을 통합함에 따라 기계 학습은 예측 제어에 민감하는 방식으로 이동하는 경로를 제공합니다. 국제 ALTto Energy Control은 2023 년의 디지털 제어 장치 (EDI)를 포함하여 2023 년의 디지털 제어 장치 (EDI)를 포함하여 2023 년의 디지털 제어 장치 (EDI)를 개발했습니다.

Reactor Control의 핵심 안전 요구 사항

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

Reactor Safety에서 기계 학습

이 알고리즘은 원자로 센서로부터 광대한 데이터를 분석하여 잠재적 안전 문제를 식별할 수 있습니다. 이 알고리즘은 유동적 인 개입을 허용하기 전에 anomalies를 예측할 수 있습니다. 주요 기술은 결함 검출 및 제어 최적화를위한 보강 학습을위한 감독 학습을 포함합니다. 복잡한 신경 네트워크 및 장기 메모리 네트워크와 같은 딥 학습 아키텍처는 특히 처리 시간 시리즈 센서 데이터 및 공간 배포 (eutronnx.com)에서 효과적입니다.

Fault Detection을 위한 감독 학습

Supervised Learning model은 과거의 데이터에 훈련되어 결함이나 안전 조건의 서명을 인식합니다. 일단 훈련되면, 이 모델은 신속하게 탈선 및 방아쇠 안전 프로토콜을 감지하는 실시간 데이터를 모니터링 할 수 있습니다. 예를 들어, 클래스터는 손실 ‐의 냉각 사고 또는 증기 발전기 튜브 파열의 발생을 식별 할 수 있습니다. 분석 압력, 온도 및 유량 신호. 모델의 출력은 제어 막대 또는 재흡수에 사용되며, (Fantainable)는 20Fanity의 고령화 물질을 갖는 것입니다. (Fantainable)

Control Optimization에 대한 보강 학습

RL(Reinforcement Learning)는 가장 오래된 환경에서 시험 및 오류를 통해 최적의 행동을 배우는 제어 알고리즘을 가능하게 합니다. Safety‐first 방식은 학습 프로세스로 제약을 통합하여 필요한 경우 성능에 대한 안전성을 우선적으로 보장합니다. 일반적인 방법은 안전 경계에 근거한 행동을 기반으로 하는 안전 비판을 사용하는 것입니다. 훈련 중 RL 에이전트는 안전한 봉투 내에서만 탐구할 수 있습니다. 이 중에는 임의의의의의의의의의의의의 결과가 교차되고, 이 모델은 안전 경계선을 통해 연료를 안전하게 관리할 수 있는 능력을 입증하는 것입니다.

Model Predictive Control with Learned Dynamics를 통한 사전 제어

학습에 따른 안전 제약

기계 학습 알고리즘은 안전 한계를 존중하는 것을 약속합니다. 몇몇 기구는 제안되었습니다:

Constrained Markov Decision Processes – 이 에이전트는 누적 안전 비용에 대한 제약을 극대화 (예를 들어, 년 당 최대 여행). 이 솔루션은 Lagrangian 방법 또는 primal‐dualOptimize를 사용하여 찾을 수 있습니다.
Shield 종합 – 별도의 검증 모듈 또는 “유리,”는 에이전트의 행동을 모니터링하고 위반에 이어질 것입니다. 방패는 단순 물리적 모델 또는 원자의 안전한 작동 봉투의 형식 사양에서 구축 될 수 있습니다.
Safe BayesianOptimize – 설정점 또는 컨트롤러 이득을 조정하는 데 사용, Bayesian 최적화 모델은 가우스 시안 프로세스로 안전 기능을 구현하고 높은 확률로 안전 할 가능성이있는 포인트를 탐구.

이 방법은 높은 수준의 시뮬레이터에서 검증되었으며, 연구원들은 이제 실제 하드웨어 ‐에서 ‐ 루프 테스트베드로 전송하기 위해 노력하고 있습니다 (Nuclear Science and Engineering, 2024).

구현에 도전

결과가 상승에도 불구하고, 핵 원자로 제어실에서 기계 학습을 배치하는 것은 몇몇 장애물을 직면:

Interpretability – Regulators는 제어 시스템이 특정 결정을 한 이유를 이해해야 합니다. Black‐box neural 네트워크는 설명하기 어렵지만 레이어가 현명한 재량 추진과 Shapley 값과 같은 기술은 영향력있는 입력 기능을 식별할 수 있습니다.
배전을 위한 튼튼한 – Reactor 조건은 점차적으로 (예를들면 연료 노후화)를 드리거나 abruptly (예를들면, 벨브 끈으로 묶기)를 변경할 수 있습니다. 모델은 훈련 중에 본 조건에서 정확한 상태를 유지해야 합니다. 도메인 임의화 및 adversarial 훈련은 견고성을 개선하기 위해 조사됩니다.
Verification and validation (V&V) – 전통 V&V 방법(스크립트의 집합에 대한 테스트) 배운 컨트롤러에 충분하지 않을 수 있습니다. 시스템이 결코 안전한 지역을 떠나지 않는 형식 검증 도구는, 특히 조각방향으로 신경 네트워크에 대한 활성 연구 영역입니다.
Regulatory Accept – 미국 핵 규제위원회 및 기타 당국은 디지털 안전 시스템에 대한 엄격한 지침을 가지고 있습니다. 기계 학습의 수용은 신뢰할 수있는 성능을위한 강력한 증거 기반, 명확한 미터 및 알고리즘의 행동의 지속적인 모니터링을위한 프레임 워크가 필요합니다.

사례 연구 및 파일럿 프로젝트

이 연구 그룹은 반응기 통제를 위한 안전 첫번째 기계 학습의 실제적인 잠재력을 보여주었습니다. 스웨덴에 있는 포스마 핵 발전소에서, 열 한계를 존중하고, 어떤 제약든지 진동 없이 효율성에서 0.5% 증가를 달성하는 동안 보답하는 동안 재순환 펌프 속도를 낙관하기 위하여 배운 보강 학습 대리인은 배웠습니다. 매사추세츠 학회에서는, 연구원은 작은 모듈 반응기의 핵심 neuicstronics를 모형하기 위하여 심 신경 네트워크를 이용하고, 그 후에 신청한 모형은 일정한 가동 도중 일정한 가동을 보여주었습니다.

미래 지향

앞서 보면, 현장은 역의 여러 원자로를 처리 할 수있는 end-to-end 배운 제어 시스템을 향해 이동하고 증기의 동적 할당 및 전기 그리드와의 상호 작용. 연구는 또한 초점을 맞추고 있습니다.

Explainable AI – 안전한 결정을 내릴 뿐만 아니라, 카우스 그래프 또는 위조 시나리오와 같은 인간의 읽기 쉬운 설명을 생성하는 모델 개발.
Uncertainty quantification – Bayesian neural network 또는 ensemble 메소드를 사용하여 두 예측과 권장 행동에 대한 신뢰 간격을 제공합니다. 이것은 불확실이 높을 때 인간적인 개입을 요청할 수 있는 제어 시스템을 허용합니다.
Transfer Learning – 일반적인 원자로 시뮬레이터에 사전 훈련 모델 및 특정 식물에 대한 미세 조정, 사이트 별 데이터의 양을 줄이기 위해 필요한.
Human‐in‐the‐loop system – 기계 학습 에이전트가 동작을 제안하지만, 운영자와의 최종 결정은 나머지를 설계 인터페이스. 시스템은 신뢰를 구축하기 위해 충분히 투명해야합니다.