Inleiding: De nieuwe grens van nucleaire veiligheid

De Amerikaanse Nuclear Regulatory Commission (NRC) is verantwoordelijk voor het veilig functioneren van civiele kerncentrales en materialen. Traditionele veiligheidsbeoordelingen zijn gebaseerd op deterministische analyse, probabilistische risicobeoordelingen (PRI's) en een deskundig oordeel. Echter, de complexiteit van moderne reactorsystemen, het pure volume van sensorgegevens, en de noodzaak voor snellere, nauwkeurigere besluitvorming zijn het stimuleren van de integratie van kunstmatige intelligentie (AI) en machine learning (ML) in NRC veiligheidsbeoordelingen. Deze technologieën bieden het potentieel om subtiele afwijkingen op te sporen, apparatuur uitval te voorspellen, en real-time beslissingssteun te bieden die menselijke expertise aanvult. Dit artikel biedt een diepe duik in hoe AI en ML worden verweven in het weefsel van nucleaire veiligheidsbeoordelingen .Van data-integratie en modelontwikkeling tot regelgevingskaders en toekomstvisie.

De rol van AI en ML in NRC-veiligheidsbeoordelingen

AI- en ML-algoritmen zijn bijzonder geschikt voor het hanteren van multidimensionale, hoogfrequente data gegenereerd door nucleaire installaties. Door te leren van historische patronen en voortdurend bij te werken met nieuwe informatie, kunnen deze tools inzichten aan de oppervlakte brengen die onpraktisch zouden zijn voor menselijke analisten om dit potentieel handmatig te ontdekken.De NRC heeft dit potentieel erkend door haar Strategisch Plan en lopende onderzoekspartnerschappen met nationale laboratoria en industriële consortia.

Gegevensbronnen en integratie

De basis van elke AI/ML toepassing in veiligheidsbeoordelingen is data. Kerncentrales verzamelen gegevens van duizenden sensoren die temperatuur, druk, debiet, straling en trillingen meten. Onderhoud logs, inspectie rapporten en incidenten databases bieden ook rijke tekstuele en gestructureerde informatie. Integreren van deze verschillende bronnen in een uniforme, schone dataset is een kritische eerste stap. De NRC ›s Reageren customs Process (ROP) al gebruik maken van prestatie-indicatoren, en AI kan dit vergroten door automatisch te repareren indicator trends met onderliggende sensorstromen. Organisaties zoals het Electric Power Research Institute (EPRI) hebben kaders voor datafusie in nucleaire toepassingen ontwikkeld (]EPRI).

Patroonherkenning en anomaliedetectie

Ononder toezicht machine learning technieken . , zoals autoencoders, clustering algoritmes, en een-klasse ondersteuning vector machines . Excel in het identificeren van afwijkingen van de normale bedrijfsomstandigheden zonder dat er gelabelde voorbeelden van fouten . Bijvoorbeeld , een autoencoder opgeleid op uren van normale reactor koelvloeistof pomp trillingsgegevens kan vlag zelfs kleine dragen slijtage voordat het een drempel voor een gedwongen uitval bereikt . De NRC heeft ondersteund onderzoek in Idaho National Laboratory (INL) dat het gebruik van anomalie detectie op gesimuleerde ongevallen scenario's , het bereiken van vroegtijdige detectie van koelsysteemdoorbraken .

Voorspellend onderhoud

Predictief onderhoud (PdM) is een van de meest volwassen toepassingen van ML in nucleaire instellingen. Door sensorgegevens te combineren met historische storingsrecords, regressiemodellen of terugkerende neurale netwerken (RNNs) kan de resterende levensduur (RUL) van componenten zoals kleppen, pompen en regelstangaandrijvingsmechanismen worden voorspeld. De voordelen gaan verder dan kostenbesparingen en het voorkomen van een ongeplande uitschakeling vermindert het risico van thermische fietsen en tijdelijke omstandigheden die veiligheidssystemen uitdagen. Een bekende studie van de Advanced Test Reactor (ATR) bij INL toonde aan dat een gradiënt-geboste boommodel de afbraak van de pomp tot 30 dagen van tevoren met meer dan 95% nauwkeurigheid kon voorspellen. De NRC heeft richtsnoeren afgegeven voor de acceptatie van dergelijke modellen, waarbij de noodzaak voor een rigoureuze validatie tegen plantspecifieke gegevens wordt benadrukt.

Risicobeoordeling en ondersteuning van besluiten

AI en ML verbeteren ook de probabilistische risicobeoordeling (PRA). Traditionele PRA is gebaseerd op statische gebeurtenisbomen en foutbomen, vaak alleen bijgewerkt wanneer er belangrijke veranderingen optreden. Machine learning kan de kans op een verlies van koelvloeistof-ongeluk (LOCA) dynamisch bijwerken, wat operators en regelgevers een meer actueel risicoprofiel geeft. Tijdens de reactie op noodsituaties kunnen versterkingsleermodellen duizenden mogelijke handelingen van de operator simuleren en de optimale volgorde aanbevelen om de core cooling te behouden tijdens het uitrollen van off-site-emissies. De NRC

Technische Stichtingen van AI/ML in nucleaire veiligheid

De succesvolle implementatie van AI en ML in gereguleerde omgevingen vereist een diep begrip van de algoritmen, hun sterke punten en hun beperkingen. Hieronder onderzoeken we de belangrijkste technische benaderingen die relevant zijn voor de veiligheidsmissie van NRC.

Leren voor foutenclassificatie door toezicht

Wanneer gelabelde gegevens van incidenten uit het verleden beschikbaar zijn, kunnen onder toezicht leren modellen (zoals willekeurige bossen, ondersteuning vector machines, of convolutionale neurale netwerken) sensor handtekeningen classificeren in normale, gedegradeerde of falende staten. Echter, het verkrijgen van grote, gelabelde datasets is uitdagend in het nucleaire domein vanwege de zeldzaamheid van belangrijke gebeurtenissen. Technieken zoals synthetische data generatie met behulp van natuurkundige simulatoren (bijv., RELAP5-3D, MELCOR) helpen deze beperking te overwinnen. De NRC own accident analysis codes kunnen worden gebruikt om duizenden tijdelijke simulaties te creëren, die vervolgens trainingsgegevens voor ML classifiers worden.

Onbeheerd en semi-onder toezicht onderwijs

Gezien de onevenwichtigheid van normale versus abnormale gegevens, worden vaak niet-gesuperviseerde methoden de voorkeur gegeven. Semi-gesuperviseerde leren maakt gebruik van een klein aantal gelabelde voorbeelden gecombineerd met een grote pool van niet-gelabelde gegevens, die een pragmatische middengrond bieden. Diepe generatieve modellen, zoals variatie autoencoders, kunnen de kansverdeling van normale operaties modelleren en een lage kans op ongeziene abnormale patronen toekennen. Deze modellen kunnen ook synthetische gegevens genereren voor het trainen van andere algoritmen of voor human-in-the-loop-evaluatie.

Deep Learning en Computer Vision voor inspecties

Visuele inspecties binnen insluiting en rond primaire systeemcomponenten zijn kritisch maar tijdrovend. Diep leren modellen voor objectdetectie en classificatie kunnen beelden of videofeeds van robot crawlers of drones analyseren om corrosie, scheuren of puin te identificeren. Het NRC.E.G. Office of Nuclear Regulatory Research heeft projecten gefinancierd met behulp van convolutionale neurale netwerken (CNNs) om de detectie van stress corrosie kraken in roestvrij staal leidingen te automatiseren. Soortgelijke technieken worden gebruikt om analoge meters te lezen en indicator lichten te interpreteren in legacy controle kamers.

Natuurlijke taalverwerking voor incidentenrapporten

Duizenden Licentie-evenementenrapporten (LER's) en andere narratieve documenten worden elk jaar aan de NRC voorgelegd. Natuurlijke taalverwerkingspijpleidingen (NLP's) kunnen causale sequenties extraheren, gebeurtenissen categoriseren en opkomende trends identificeren. Genoemde entiteitsherkenning (NER) die is opgeleid op het gebied van nucleaire taxonomie, kunnen specifieke componenten, worteloorzaken en corrigerende acties identificeren. Topic modeling (bv. latente Dirichlet-allocatie) kan rapporten groeperen door middel van een storingsmodus, waardoor regelgevers terugkerende problemen in de vloot kunnen spotten. Deze computationele aanpak vormt een aanvulling op de deskundigenbeoordeling die momenteel door NRC-analisten wordt uitgevoerd.

Casestudies en proefprogramma's

Verschillende proefprogramma's en onderzoeksinitiatieven illustreren de toepassing van AI/ML in de praktijk in NRC-veiligheidsbeoordelingen.

INL.Autonomous Control and Safety Analytics

Het Nationale Laboratorium van Idaho heeft met het NRC samengewerkt om het Autonome Control and Safety Analytics Platform (ACSAP) te ontwikkelen. In 2023 werd ACSAP getest op een gesimuleerd klein modulair reactormodel (SMR). Het systeem geïntegreerde real-time sensorgegevens van de regelaars testbed, toegepast online anomalie detectie, en bijgewerkt een dynamische PRA in minder dan een seconde per cyclus. De NRC evalueerde het vermogen van het platform om een gesimuleerde vastgelopen open drukregelaar reliefklep correct te identificeren en raad een gecontroleerde shutdown sequentie aan.

Westinghouse en Machine Learning voor brandstofprestaties

Westinghouse Electric Company heeft in samenwerking met de NRC modellen voor machine learning onderzocht om te voorspellen dat de brandstofbekleding uitvalt tijdens power-platforms. Door training op tientallen jaren testreactorgegevens, bereikte een diep neuraal netwerk 98% nauwkeurigheid in het voorspellen van welke staven de beklede opbrengstgrens zouden overschrijden. De NRC gebruikte deze voorspellingen om zijn acceptatiecriteria voor brandstofontwerpen te verfijnen onder de 10 CFR 50,46 regel.

De IAEA AI voor veiligheidspiloot

De Internationale Organisatie voor Atoomenergie (IAEA) heeft een gecoördineerd onderzoeksproject inzake AI voor nucleaire veiligheid gelanceerd, met deelname van de NRC. Het project richt zich op de ontwikkeling van beste praktijken voor de validatie van ML-modellen, transparantie en onzekerheidskwantificaties die rechtstreeks relevant zijn voor de aanvaarding van deze instrumenten door de regelgever (] ].

Uitdagingen en overwegingen

Ondanks de belofte wordt de integratie van AI en ML in de veiligheidsbeoordelingen van NRC geconfronteerd met aanzienlijke hindernissen die moeten worden aangepakt voordat algemeen aanvaarde regelgeving wordt aanvaard.

Kwaliteit en beveiliging van gegevens

Het adagium . vuilnis in, vuilnis buiten de . is vooral waar in de veiligheid-kritische domeinen. Sensor drift, tijd-stempel synchronisatie problemen, en beschadigde logs kunnen biases of valse positieven introduceren. De NRC vereist dat alle gegevens die worden gebruikt in een veiligheid applicatie traceerbaar zijn om goedgekeurde meet- en kalibratieprocedures. Bovendien cybersecurity zorgen voor AI-systemen zijn voorop: tegendraadse ingangen kunnen een anomalie detector te misleiden in het missen van een echte fout. De NRC .71 op cyber security biedt een basislijn, maar AI-specifieke kwetsbaarheden . . zoals modelvergiftiging of ontduiking aanvallen vereisen nieuwe waarborgen.

Model Validatie en Verificatie (V&V)

Traditionele nucleaire software ondergaat strenge V&V, maar machine learning modellen zijn niet-deterministisch en hun gedrag kan veranderen met omscholing. NRC heeft in samenwerking met Sandia National Laboratories een kader ontwikkeld voor V&V van ML-modellen die stresstests onder buitendistributie-inputs, monotone controles consistent met de natuurkunde, ensemble methoden om onzekerheid te kwantificeren. Een van deze werkstukken is de .Ai V&V Toolbox, die methoden biedt om model robuustheid te evalueren ([]DOE Office of Nuclear Energy[]).

Transparantie en uitleg

Regelgevers en plantoperators moeten begrijpen waarom een model een bepaalde aanbeveling heeft gedaan. Diep leren modellen zijn vaak .zwarte dozen, . maar technieken zoals SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostische Uitleg), en aandachtsmechanismen in transformatoren kunnen lokale verklaringen geven. Voor beslissingen met een hoge sequentie verwacht de NRC dat elke AI-output gecontroleerd kan worden en consistent is met eerste-principes technische kennis. Onderzoek aan de Universiteit van Tennessee onder een NRC-subsidie heeft verklarende AI-kaders geproduceerd die zowel een voorspelling als een natuurkundige rechtvaardiging opleveren.

Regelgeving en ethische overwegingen

De NRC ontwikkelt actief een technologie-inclusief regelgevingskader. In 2020 heeft de NRC een ontwerp-witboek uitgebracht over het gebruik van AI in het regelgevingsproces, waarin beginselen als menselijke verantwoordelijkheid, transparantie en incrementele adoptie worden benadrukt. Een door de Commissie bijeengeroepen ethische panel heeft aanbevolen dat AI-besluiten die kunnen leiden tot een sluiting van installaties of een escalatie van de veiligheid, een mens-in-the-loop moeten hebben. De NRC coördineert ook met de Organisatie voor Economische Samenwerking en Ontwikkeling (OESO) Nuclear Energy Agency (NEA) om AI-toezicht benaderingen internationaal te harmoniseren (] NEA[]).

Verantwoording en aansprakelijkheid

Wie is verantwoordelijk als een AI-model een veiligheidskritisch systeem verkeerd beoordeelt? De huidige positie van NRC. is dat de houder van de licentie volledige verantwoording behoudt. AI-systemen worden behandeld als instrumenten die informatie verstrekken, niet als autonome besluitvormers. Dit principe sluit aan bij de industrie die de nadruk legt op menselijke prestaties en de Defense-in-Depth filosofie.

Bias en eerlijkheid

De trainingsgegevens kunnen bijvoorbeeld een afspiegeling zijn van historische vooroordelen, bepaalde configuraties of bedrijfsomstandigheden. Als ze niet worden behandeld, kunnen modellen de risico's voor minder gangbare maar belangrijke scenario's systematisch onderschatten.De NRC beveelt aan om gestratificeerde validatie- en gevoeligheidsanalyses te gebruiken om te garanderen dat modellen robuust zijn in de gehele ontwerpruimte van een reactor.

De toekomst van AI in nucleaire veiligheid

Vooruitblikkend zal de rol van AI en ML in de veiligheidsbeoordelingen van NRC aanzienlijk toenemen, gedreven door drie factoren: de inzet van geavanceerde reactoren, de evolutie van digitale instrumenten en de rijping van AI-veiligheidstechnieken.

AI voor kleine modulaire en geavanceerde reactoren

Kleine modulaire reactoren (SMR's) en niet-lichtwaterontwerpen (bijvoorbeeld gesmolten zout, hogetemperatuurgaskoeling) hebben vaak minder operators en vertrouwen op geautomatiseerde besturingssystemen. AI/ML kan controlestrategieën in real-time optimaliseren terwijl continu veiligheidsmarges worden bewaakt. De NRC is al bezig met het evalueren van pre-applicatie inzendingen die voorstellen AI te gebruiken voor flux mapping, shim control en zelfs kernontwerp optimalisatie onder de .safe genoeg licentie paradigma. De agentschap stelt voor . .technology-inclusion, risk-informed, prestatie-gebaseerde .. regulatie (de deel 53 regelvorming) uitdrukkelijk staat voor het gebruik van geavanceerde analytics.

AI-Driven Predictive and Prescriptive Operations

Naast voorspellend onderhoud kunnen prescriptieve analyses specifieke acties van de operator of preventieve onderhoudsschema's aanbevelen om risico's te minimaliseren. Versterken van leeragenten, opgeleid in high-fidelity simulators, kan beleidsruimten verkennen die menselijke operators niet intuïtief zouden overwegen. Het NRC.E-onderzoeksprogramma evalueert momenteel een digitale tweeling van een Boiling Water Reactor (BWR) die gebruik maakt van een versterkingsleermiddel om optimale replica-pompsnelheden aan te bevelen tijdens stroomstijging, waarbij een marge voor kritische warmteflux wordt gehandhaafd.

Samenwerking tussen mensen en AI

De toekomst gaat niet over het vervangen van mensen, maar het vergroten van hen. De NRC is een mens-AI teaming model waar AI omgaan met data fusie, patroonherkenning, en scenario generatie, terwijl deskundigen analisten zich richten op redeneren, besluitvorming onder onzekerheid, en omgaan met nieuwe situaties. Trainingsprogramma's voor reactor operators en NRC inspecteurs zullen AI alfabetisering omvatten, helpen personeel interpreteren model outputs en identificeren wanneer een model onbetrouwbaar zou kunnen zijn.

Continu leren en aanpassen

Naarmate de vloot evolueert en nieuwe operationele gegevens beschikbaar komen, moeten ML-modellen worden bijgewerkt met behoud van veiligheid. Technieken zoals continu leren en gefedereerd leren (waar modellen worden opgeleid in meerdere fabrieken zonder ruwe gegevens te delen) worden onderzocht. Het NRC.B.I.-regelgevingskader voor deze ..levende ..modellen is een actief gebied van ontwikkeling, met input van het Nuclear Energy Institute (NEI).

Conclusie

De integratie van AI en machine learning in de veiligheidsbeoordelingen van NRC betekent een belangrijke stap voorwaarts in de missie om de volksgezondheid en veiligheid te beschermen. Van voorspellend onderhoud en dynamische risicobeoordeling tot computervisie en natuurlijke taalverwerking bieden deze instrumenten de mogelijkheid om risico's sneller en nauwkeuriger dan ooit te detecteren en te reageren. De goedkeuring ervan moet echter worden geleid door een strikte validatie, transparantie en een standvastige inzet voor het principe dat mensen uiteindelijk verantwoordelijk blijven voor veiligheidsbeslissingen.Door de voortdurende samenwerking tussen de NRC, nationale laboratoria, de industrie en internationale partners kunnen AI en ML niet alleen worden ingezet om de veiligheid van kernenergie voor de komende generaties te handhaven maar te versterken.