Introdução: A Nova Fronteira da Segurança Nuclear

A Comissão de Regulação Nuclear dos EUA (NRC) é responsável por garantir o funcionamento seguro de usinas e materiais nucleares civis. As avaliações tradicionais de segurança dependem de análises determinísticas, avaliações probabilísticas de risco (ARP) e julgamento de especialistas. No entanto, a complexidade dos sistemas de reatores modernos, o volume de dados de sensores e a necessidade de tomada de decisões mais rápidas e precisas estão levando a integração da inteligência artificial (IA) e da aprendizagem de máquinas (ML) em avaliações de segurança do NRC. Essas tecnologias oferecem o potencial de detectar anomalias sutis, prever falhas de equipamentos e fornecer apoio à decisão em tempo real que complementa a experiência humana. Este artigo fornece um profundo mergulho em como a IA e ML estão sendo tecidas no tecido de avaliações de segurança nuclear – desde a integração de dados e desenvolvimento de modelos até quadros regulatórios e perspectivas futuras.

O papel da IA e ML nas avaliações de segurança do CRN

Os algoritmos IA e ML são particularmente adequados para lidar com os dados multidimensionais de alta frequência gerados por instalações nucleares. Ao aprenderem com padrões históricos e continuamente atualizarem com novas informações, essas ferramentas podem ter insights de superfície que seriam impraticáveis para os analistas humanos descobrirem manualmente. O NRC reconheceu esse potencial através do seu Plano Estratégico e parcerias de pesquisa em curso com laboratórios nacionais e consórcios industriais.

Fontes de dados e integração

A base de qualquer aplicação de IA/ML em avaliações de segurança são dados. As centrais nucleares recolhem dados de milhares de sensores que medem a temperatura, pressão, vazão, níveis de radiação e vibração. Os registos de manutenção, relatórios de inspecção e bases de dados de incidentes também fornecem informações textuais e estruturadas ricas. A integração destas fontes distintas num conjunto de dados unificados e limpos é uma primeira etapa crítica. O Processo de Supervisão de Reactores (ROP) do NRC já utiliza indicadores de desempenho, e a IA pode aumentar isso, correlacionando automaticamente tendências de indicadores com fluxos de sensores subjacentes. Organizações como o Instituto de Pesquisa de Energia Elétrica (EPRI) desenvolveram frameworks para fusão de dados em aplicações nucleares (EPRI[).

Reconhecimento de Padrão e Detecção de Anomalias

Técnicas de aprendizado de máquina sem percepção – como autoencodificadores, algoritmos de agrupamento e máquinas vetoriais de suporte de uma classe – permitem identificar desvios em condições normais de operação sem exigir exemplos de falhas. Por exemplo, um codificador de autoencoder treinado em horas de dados de vibração de bomba de refrigeração de reator normal pode detectar até mesmo o desgaste de rolamentos menores antes de atingir um limite para uma falha forçada. O NRC apoiou pesquisas no Laboratório Nacional de Idaho (INL) que demonstram o uso de detecção de anomalias em cenários simulados de acidentes, alcançando a detecção precoce de falhas no sistema de refrigeração.

Manutenção Preditiva

A manutenção preditiva (PdM) é uma das aplicações mais maduras do ML em configurações nucleares. Ao combinar dados de sensores com registros históricos de falhas, modelos de regressão ou redes neurais recorrentes (RNNs) pode prever a vida útil restante (RUL) de componentes como válvulas, bombas e mecanismos de acionamento de hastes de controle. Os benefícios se estendem além da economia de custos – prevenindo um desligamento não planejado reduz o risco de ciclagem térmica e condições transitórias que desafiam os sistemas de segurança. Um estudo bem conhecido do Reator de Teste Avançado (ATR) em INL demonstrou que um modelo de árvore com arranque gradiente poderia prever a degradação da bomba até 30 dias antes com mais de 95% de precisão. O NRC emitiu orientações sobre a aceitação de tais modelos, enfatizando a necessidade de validação rigorosa contra dados específicos de plantas.

Avaliação de risco e apoio à decisão

A IA e a ML também estão melhorando a avaliação probabilística de risco (PRA). O PRA tradicional depende de árvores de eventos estáticos e árvores de falhas, muitas vezes atualizadas apenas quando ocorrem grandes mudanças. O aprendizado de máquina pode atualizar dinamicamente probabilidades de falha com base no monitoramento em tempo real e histórico operacional. Por exemplo, uma rede Bayesiana que aprende com as leituras atuais de sensores pode ajustar a probabilidade de uma sequência de perda de refrigeração (LOCA), dando aos operadores e reguladores um perfil de risco mais atual. Durante a resposta de emergência, modelos de aprendizagem de reforço podem simular milhares de possíveis ações do operador e recomendar a sequência ideal para manter o resfriamento do núcleo enquanto minimiza as liberaçãos fora do local. As ferramentas de suporte à decisão do NRC, como o Programa de Pesquisa de Segurança Reator, estão explorando essas capacidades (NRC Reactor Safety Research).

Fundações Técnicas de IA/ML em Segurança Nuclear

A implantação bem sucedida de IA e ML em ambientes regulamentados requer uma compreensão profunda dos algoritmos, seus pontos fortes e suas limitações. Abaixo examinamos as principais abordagens técnicas relevantes para a missão de segurança do NRC.

Aprendizagem Supervisionada para Classificação de Falhas

Quando dados de incidentes passados estão disponíveis, modelos de aprendizagem supervisionados (como florestas aleatórias, máquinas vetoriais de suporte ou redes neurais convolucionais) podem classificar assinaturas de sensores em estados normais, degradados ou de falha. No entanto, obter conjuntos de dados grandes e rotulados é desafiador no domínio nuclear devido à raridade de eventos significativos. Técnicas como a geração de dados sintéticos usando simuladores baseados em física (por exemplo, RELAP5-3D, MELCOR) ajudam a superar essa limitação. Os códigos de análise de acidentes do NRC podem ser usados para criar milhares de simulações transientes, que então se tornam dados de treinamento para classificadores ML.

Aprendizagem sem Perspectiva e Semi Supervisionada

Dado o desequilíbrio de dados normais vs. anômalos, métodos não supervisionados são frequentemente preferidos. A aprendizagem semi- supervisionada faz uso de um pequeno número de exemplos rotulados combinados com um grande conjunto de dados não marcados, oferecendo um meio pragmático. Modelos generativos profundos, como os autoencodificadores variacionais, podem modelar a distribuição de probabilidade de operações normais e atribuir uma baixa probabilidade a padrões anormais invisíveis. Estes modelos também podem gerar dados sintéticos para o treinamento de outros algoritmos ou para a revisão humana-no-loop.

Aprendizagem profunda e visão de computador para inspeções

As inspeções visuais dentro da contenção e em torno dos componentes do sistema primário são críticas, mas demoram muito. Modelos de aprendizagem profunda para detecção e classificação de objetos podem analisar imagens ou feeds de vídeo de rastreadores robóticos ou drones para identificar corrosão, fissuras ou detritos. O Escritório de Pesquisas Reguladoras Nucleares do NRC financiou projetos usando redes neurais convolucionais (CNNs) para automatizar a detecção de fissuras por corrosão de tensões em tubagens de aço inoxidável. Técnicas semelhantes são usadas para ler medidores analógicos e interpretar luzes indicadoras em salas de controle legado.

Processamento de Linguagem Natural para Relatórios de Incidentes

Milhares de Relatórios de Evento de Licenciado (LERs) e outros documentos narrativos são submetidos ao NRC a cada ano. Os gasodutos de processamento de linguagem natural (NLP) podem extrair sequências causais, categorizar eventos e identificar tendências emergentes. O reconhecimento de entidade nomeado (NER) treinado em taxonomia nuclear pode identificar componentes específicos, causas de raiz e ações corretivas. A modelagem de tópicos (por exemplo, alocação latente de Dirichlet) pode agrupar relatórios por modo de falha, permitindo que os reguladores localizem questões recorrentes em toda a frota. Esta abordagem computacional complementa a revisão de especialistas realizada atualmente pelos analistas do NRC.

Estudos de Caso e Programas Pilotos

Vários programas piloto e iniciativas de pesquisa ilustram a aplicação real da IA/ML em avaliações de segurança do NRC.

Análise Autônoma de Controle e Segurança da INL

O Laboratório Nacional de Idaho foi parceiro do NRC para desenvolver a Plataforma de Controle e Análise de Segurança Autônoma (ACSAP). Em 2023, o ACSAP foi testado em um modelo de reator modular pequeno simulado (RMS). O sistema integrou dados de sensores em tempo real do banco de teste do regulador, aplicou detecção de anomalias on-line e atualizou um PRA dinâmico em menos de um segundo por ciclo. O NRC avaliou a capacidade da plataforma de identificar corretamente uma válvula de alívio simulada de pressurização em tempo fechado e recomendou uma sequência de desligamento controlada.

Westinghouse e Máquina de Aprendizagem para Desempenho de Combustível

A Westinghouse Electric Company, em colaboração com a NRC, explorou modelos de aprendizado de máquina para prever a falha de revestimento de combustível durante rampas de potência. Ao treinar décadas de dados do reator de teste, uma rede neural profunda obteve 98% de precisão na previsão de quais barras quebrariam o limite de rendimento clad. A NRC usou essas previsões para refinar seus critérios de aceitação para projetos de combustível sob a regra 10 CFR 50.46.

A IA da AIEA para o Piloto de Segurança

A Agência Internacional de Energia Atómica (AIEA) lançou um Projecto de Investigação Coordenada sobre IA para a Segurança Nuclear, com a participação do NRC. O projecto centra-se no desenvolvimento de melhores práticas para validação, transparência e quantificação do modelo ML — questões directamente relevantes para a aceitação por parte do regulador destas ferramentas (AIEA AI Activities).

Desafios e Considerações

Apesar da promessa, a integração da IA e da ML nas avaliações de segurança da NRC enfrenta obstáculos significativos que devem ser abordados antes da ampla aceitação regulamentar.

Qualidade e segurança dos dados

O adage “lixo, lixo para dentro” é especialmente verdadeiro em domínios críticos de segurança. Drift de sensores, problemas de sincronização de tempo e logs corrompidos podem introduzir vieses ou falsos positivos. O NRC requer que quaisquer dados usados em uma aplicação de segurança sejam rastreáveis para procedimentos de medição e calibração aprovados. Além disso, as preocupações de segurança cibernética para sistemas de IA são fundamentais: entradas adversas podem enganar um detector de anomalia para que ele perca uma falha real. O NRC's Regulatory Guide 5.71 sobre segurança cibernética fornece uma linha de base, mas vulnerabilidades específicas de IA – como envenenamento de modelo ou ataques de evasão – exigem novas salvaguardas.

Modelo de validação e verificação (V&V)

O software nuclear tradicional sofre V&V rigoroso, mas os modelos de aprendizado de máquina são não determinísticos e seu comportamento pode mudar com a reciclagem. O NRC, em cooperação com Sandia National Laboratories, desenvolveu um quadro para modelos V&V de ML que inclui testes de estresse sob entradas fora de distribuição, verificações de monotonicidade consistentes com a física e métodos de conjunto para quantificar a incerteza. Um resultado deste trabalho é o “AI V&V Toolbox”, que fornece métodos para avaliar a robustez do modelo (]DOE Office of Nuclear Energy]).

Transparência e Explabilidade

Reguladores e operadores de plantas precisam entender por que um modelo fez uma recomendação particular. Modelos de aprendizagem profunda são muitas vezes “caixas pretas”, mas técnicas como SHAP (Shapley Aditive exPlanations), LIME (Explanations Interpretable Model-agnósticos Locais), e mecanismos de atenção em transformadores podem fornecer explicações locais. Para decisões de alta consequência, o NRC espera que qualquer saída de IA seja auditável e consistente com o conhecimento de engenharia de primeiros princípios. Pesquisa na Universidade do Tennessee sob uma bolsa NRC produziu estruturas de IA explanatórias que produzem tanto uma previsão quanto uma justificação baseada em física.

Considerações Regulatórias e Éticas

Em 2020, o CRN elaborou um projecto de documento branco sobre a utilização de IA no processo regulamentar, destacando princípios como a responsabilidade humana, a transparência e a adoção incremental. Um painel de ética convocado pela Comissão recomendou que as decisões de IA que poderiam conduzir a uma interrupção ou a uma escalada da segurança da instalação tivessem de ter um sistema humano em circuito.O CRN está também a coordenar com a Agência de Cooperação e Desenvolvimento Económico (OCDE) para harmonizar as abordagens de supervisão da IA internacionalmente ([] NEA).

Responsabilidade e Responsabilidade

Quem é responsável se um modelo de IA julga mal um sistema crítico de segurança? A posição atual do NRC é que o titular da licença mantém total responsabilidade. Os sistemas de IA são tratados como ferramentas que fornecem informações, não como tomadores de decisões autônomas. Este princípio se alinha com a ênfase da indústria no desempenho humano e na filosofia Defesa-em-Deepth.

Bias e Eqüidade

Os dados de treinamento podem refletir vieses históricos – por exemplo, certas configurações de plantas ou condições operacionais podem ser super-representadas. Se não forem abordados, os modelos podem subestimar sistematicamente os riscos para cenários menos comuns, mas importantes. O NRC recomenda a utilização de validação estratificada e análise de sensibilidade para garantir que os modelos sejam robustos em todo o espaço de projeto de um reator.

O futuro da IA na segurança nuclear

Olhando para o futuro, o papel da IA e ML nas avaliações de segurança do NRC está definido para expandir significativamente, impulsionado por três fatores: a implantação de reatores avançados, a evolução da instrumentação digital e a maturação das técnicas de segurança do AI.

IA para pequenos reatores modulares e avançados

Os pequenos reatores modulares (RMS) e os projetos de água não leve (por exemplo, sal fundido, gás de alta temperatura refrigerado) muitas vezes têm menos operadores e dependem de sistemas de controle automatizado. AI/ML pode otimizar estratégias de controle em tempo real, monitorando continuamente as margens de segurança. O NRC já está revisando submissões pré-aplicação que propõem usar IA para mapeamento de fluxo, controle de shim e até mesmo otimização de projeto de núcleo sob o paradigma de licenciamento “suficientemente seguro”. A regra proposta pela agência para a regulação “inclusive, com risco, baseada em desempenho” (a regra da Parte 53) explicitamente permite o uso de análises avançadas.

Operações Preditivas e Prescritivas Dirigidas por IA

Além da manutenção preditiva, análises prescritivas podem recomendar ações específicas de operadores ou esquemas de manutenção preventiva para minimizar o risco. Agentes de aprendizagem de reforço, treinados em simuladores de alta fidelidade, podem explorar espaços de políticas que os operadores humanos não considerariam intuitivamente. O programa de pesquisa do NRC está avaliando atualmente um gêmeo digital de um reator de água fervente (BWR) que usa um agente de aprendizagem de reforço para recomendar velocidades ideais da bomba de recirculação durante a ascensão de energia, mantendo uma margem para um fluxo de calor crítico.

Colaboração entre o Homem e a AI

O futuro não é sobre substituir os humanos, mas sim aumentá-los. O NRC prevê um modelo de equipe de AI-humano onde a IA lida com fusão de dados, reconhecimento de padrões e geração de cenários, enquanto analistas especialistas focam em raciocínio, tomada de decisões sob incerteza e lidar com novas situações. Programas de treinamento para operadores de reatores e inspetores de AI incorporarão a alfabetização de AI, ajudando o pessoal a interpretar resultados de modelos e identificar quando um modelo pode não ser confiável.

Aprendizagem e adaptação contínuas

À medida que a frota evolui e os novos dados operacionais se tornam disponíveis, os modelos ML devem ser atualizados mantendo a segurança. Técnicas como a aprendizagem contínua e a aprendizagem federada (onde os modelos são treinados em várias plantas sem compartilhar dados brutos) estão sendo pesquisadas.O quadro regulamentar do NRC para esses modelos “vivos” é uma área ativa de desenvolvimento, com a contribuição do Instituto de Energia Nuclear (NEI).

Conclusão

A integração da IA e da aprendizagem de máquina nas avaliações de segurança da NRC representa um passo significativo na missão de proteger a saúde pública e a segurança. Da manutenção preditiva e avaliação dinâmica dos riscos à visão computacional e ao processamento de linguagem natural, estas ferramentas oferecem a capacidade de detectar e responder aos riscos mais rapidamente e mais precisamente do que nunca. No entanto, a sua adopção deve ser orientada pela validação rigorosa, transparência e um compromisso firme com o princípio de que os seres humanos permanecem, em última análise, responsáveis pelas decisões de segurança. Através da colaboração continuada entre a NRC, laboratórios nacionais, indústria e parceiros internacionais, a IA e ML podem ser aproveitadas para não só manter mas reforçar a segurança da energia nuclear para as gerações vindouras.