Интеграция ИИ и машинного обучения в оценки безопасности Nrc

Введение: новый рубеж ядерной безопасности

Комиссия по ядерному регулированию США (NRC) отвечает за обеспечение безопасной эксплуатации гражданских атомных электростанций и материалов. Традиционные оценки безопасности основаны на детерминистическом анализе, вероятностных оценках рисков (PRA) и экспертных суждениях. Однако сложность современных реакторных систем, огромный объем данных датчиков и необходимость более быстрого и точного принятия решений приводят к интеграции искусственного интеллекта (ИИ) и машинного обучения (ML) в оценки безопасности NRC. Эти технологии предлагают потенциал для обнаружения тонких аномалий, прогнозирования отказов оборудования и предоставления поддержки принятия решений в режиме реального времени, которая дополняет человеческий опыт. Эта статья обеспечивает глубокое погружение в то, как ИИ и МО вплетаются в ткань оценок ядерной безопасности - от интеграции данных и разработки моделей до нормативных рамок и перспектив в будущем.

Роль ИИ и МО в оценках безопасности NRC

Алгоритмы ИИ и МО особенно хорошо подходят для обработки многомерных высокочастотных данных, генерируемых ядерными объектами. Изучая исторические закономерности и постоянно обновляя новую информацию, эти инструменты могут выявить идеи, которые непрактично было бы раскрывать вручную. NRC признал этот потенциал через свой стратегический план и продолжающиеся исследовательские партнерства с национальными лабораториями и отраслевыми консорциумами.

Источники данных и интеграция

Основой любого применения ИИ/МЛ в оценках безопасности являются данные. Атомные станции собирают данные с тысяч датчиков, измеряющих температуру, давление, скорость потока, уровни излучения и вибрации. Журналы технического обслуживания, отчеты об инспекциях и базы данных об инцидентах также предоставляют богатую текстовую и структурированную информацию. Интеграция этих разрозненных источников в единый, чистый набор данных является критическим первым шагом. Процесс контроля реакторов NRC (ROP) уже использует показатели эффективности, и ИИ может увеличить это, автоматически соотнося тенденции индикаторов с основными потоками датчиков. Такие организации, как Исследовательский институт электроэнергетики (EPRI) разработали рамки для слияния данных в ядерных приложениях (]EPRI.

Распознавание шаблонов и обнаружение аномалий

Неконтролируемые методы машинного обучения, такие как автокодеры, алгоритмы кластеризации и одноклассные машины с вектором поддержки, преуспевают в выявлении отклонений от нормальных условий работы, не требуя маркированных примеров неисправностей. Например, автокодер, обученный часам вибраций в вибрационных данных о вибрациях насоса охлаждающей жидкости в реакторе, может отмечать даже незначительный износ подшипника, прежде чем он достигнет порога для вынужденного отключения. NRC поддержал исследования в Национальной лаборатории Айдахо (INL), которые демонстрируют использование обнаружения аномалий на смоделированных сценариях аварий, достигая раннего обнаружения нарушений системы охлаждающей жидкости.

Прогнозное обслуживание

Предиктивное техническое обслуживание (PdM) является одним из наиболее зрелых применений ML в ядерных установках. Комбинируя данные датчиков с историческими записями о неисправности, регрессионными моделями или повторяющимися нейронными сетями (RNN) можно прогнозировать оставшийся срок полезного использования (RUL) компонентов, таких как клапаны, насосы и механизмы привода управляющих стержней. Преимущества выходят за рамки экономии затрат - предотвращение незапланированного отключения снижает риск теплового цикла и переходных условий, которые бросают вызов системам безопасности. Хорошо известное исследование от Advanced Test Reactor (ATR) в INL продемонстрировало, что модель дерева с градиентным повышением может предсказать деградацию насоса до 30 дней с точностью более 95%. NRC выпустил руководство по принятию таких моделей, подчеркивая необходимость строгой проверки против данных, специфичных для растений.

Оценка рисков и поддержка принятия решений

ИИ и ML также повышают вероятностную оценку риска (PRA). Традиционная PRA опирается на статичные деревья событий и деревья неисправностей, часто обновляемые только при возникновении крупных изменений. Машинное обучение может динамически обновлять вероятности сбоев на основе мониторинга состояния в реальном времени и истории эксплуатации. Например, байесовская сеть, которая учится на текущих показаниях датчиков, может регулировать вероятность потери охлаждающей аварии (LOCA) последовательность, давая операторам и регуляторам более текущий профиль риска. Во время аварийного реагирования модели обучения подкрепления могут имитировать тысячи возможных действий оператора и рекомендовать оптимальную последовательность для поддержания охлаждения ядра при минимизации выбросов за пределами площадки. Инструменты поддержки принятия решений, такие как Программа исследований безопасности реактора, изучают эти возможности (] NRC Исследования безопасности реактора .

Технические основы ИИ/ML в ядерной безопасности

Успешное развертывание ИИ и МО в регулируемых средах требует глубокого понимания алгоритмов, их сильных сторон и их ограничений. Ниже мы рассмотрим ключевые технические подходы, имеющие отношение к миссии безопасности НРК.

Надзорное обучение для классификации ошибок

Когда доступны маркированные данные из прошлых инцидентов, модели контролируемого обучения (такие как случайные леса, машины опорных векторов или сверточные нейронные сети) могут классифицировать сигнатуры датчиков в нормальные, деградированные или состояния отказа. Однако получение больших маркированных наборов данных является сложной задачей в ядерной области из-за редкости значительных событий. Такие методы, как синтетическая генерация данных с использованием физических тренажеров (например, RELAP5-3D, MELCOR), помогают преодолеть это ограничение. Собственные коды анализа несчастных случаев NRC могут использоваться для создания тысяч переходных симуляций, которые затем становятся данными обучения для классификаторов ML.

Неконтролируемое и полуконтролируемое обучение

Учитывая дисбаланс нормальных и аномальных данных, часто предпочтительными являются неконтролируемые методы. Полуконтролируемое обучение использует небольшое количество помеченных примеров в сочетании с большим пулом немаркированных данных, предлагая прагматическую промежуточную основу. Глубокие генеративные модели, такие как вариационные автокодировщики, могут моделировать распределение вероятности нормальных операций и назначать низкую вероятность невидимых аномальных паттернов. Эти модели также могут генерировать синтетические данные для обучения других алгоритмов или для обзора человека в цикле.

Глубокое обучение и компьютерное зрение для инспекций

Визуальные проверки внутри контейнеров и вокруг основных компонентов системы имеют решающее значение, но отнимают много времени. Модели глубокого обучения для обнаружения и классификации объектов могут анализировать изображения или видеопотоки от роботизированных сканеров или дронов для выявления коррозии, трещин или мусора. Управление ядерных исследований NRC финансировало проекты с использованием сверточных нейронных сетей (CNN) для автоматизации обнаружения коррозионного растрескивания напряжения в трубопроводах из нержавеющей стали. Подобные методы используются для чтения аналоговых датчиков и интерпретации индикаторных огней в устаревших контрольных комнатах.

Обработка естественного языка для сообщений о происшествиях

Тысячи отчетов о событиях лицензиата (LER) и других описательных документов представляются в NRC каждый год. Потоки обработки естественного языка (NLP) могут извлекать причинные последовательности, категоризировать события и выявлять возникающие тенденции. Названное распознавание сущности (NER), обученное ядерной таксономии, может идентифицировать конкретные компоненты, первопричины и корректирующие действия. Тематическое моделирование (например, скрытое распределение Дирихле) может группировать отчеты в режиме отказа, позволяя регуляторам выявлять повторяющиеся проблемы по всему флоту. Этот вычислительный подход дополняет экспертный обзор, в настоящее время выполняемый аналитиками NRC.

Тематические исследования и пилотные программы

Несколько пилотных программ и исследовательских инициатив иллюстрируют реальное применение ИИ/МЛ в оценках безопасности НРЦ.

Автономный контроль и аналитика безопасности INL

Национальная лаборатория Айдахо в партнерстве с NRC разработала платформу для анализа автономного управления и безопасности (ACSAP). В 2023 году ACSAP была протестирована на моделированном малом модульном реакторе (SMR). Система интегрировала данные датчиков в реальном времени с испытательного стенда регулятора, применяла обнаружение аномалий в режиме онлайн и обновляла динамическую PRA менее чем за одну секунду за цикл. NRC оценил способность платформы правильно идентифицировать смоделированный клапан сброса герметичного нагнетателя и рекомендовать контролируемую последовательность выключения.

Westinghouse и машинное обучение для топливной производительности

Westinghouse Electric Company в сотрудничестве с NRC исследовала модели машинного обучения для прогнозирования отказа облицовки топлива во время рампов питания. Обучая десятилетиям тестовых данных реакторов, глубокая нейронная сеть достигла 98% точности в прогнозировании того, какие стержни будут нарушать предел выхода облицованного. NRC использовал эти прогнозы для уточнения своих критериев принятия для конструкций топлива в соответствии с правилом 10 CFR 50.46.

Пилотный ИИ МАГАТЭ для обеспечения безопасности

Международное агентство по атомной энергии (МАГАТЭ) запустило скоординированный исследовательский проект по ИИ для ядерной безопасности при участии СРН. Проект фокусируется на разработке лучших практик для проверки модели ML, прозрачности и количественной оценки неопределенности - вопросы, непосредственно связанные с принятием регулятором этих инструментов (] Деятельность ИИ МАГАТЭ ].

Проблемы и соображения

Несмотря на обещание, интеграция ИИ и МО в оценки безопасности СРН сталкивается со значительными препятствиями, которые необходимо устранить до широкого принятия нормативных актов.

Качество данных и безопасность

Поговорка «мусор в мусоре» особенно актуальна в критически важных для безопасности областях. Дрифт датчика, проблемы с синхронизацией с временными метками и поврежденные журналы могут вводить предубеждения или ложные срабатывания. NRC требует, чтобы любые данные, используемые в приложении безопасности, были отслежены до утвержденных процедур измерения и калибровки. Кроме того, проблемы кибербезопасности для систем ИИ имеют первостепенное значение: состязательные входы могут обмануть детектор аномалий в отсутствие реальной ошибки. Руководство NRC по нормативной базе 5.71 по кибербезопасности обеспечивает базовый уровень, но уязвимости, характерные для ИИ, такие как отравление или атаки уклонения, требуют новых гарантий.

Проверка и проверка модели (V&V)

Традиционное ядерное программное обеспечение подвергается строгим V & V, но модели машинного обучения не детерминистичны, и их поведение может измениться с переподготовкой. NRC в сотрудничестве с Национальными лабораториями Сандиа разработала структуру для V & V моделей ML, которая включает стресс-тестирование при нераспределенных входах, проверку монотонности, совместимую с физикой, и методы ансамбля для количественной оценки неопределенности. Результатом этой работы является «AI V & V Toolbox», который предоставляет методы для оценки надежности модели ([FLT: 0]]DOE Office of Nuclear Energy [[FLT: 1]] .

Прозрачность и объяснимость

Регуляторы и операторы установок должны понимать, почему модель сделала конкретную рекомендацию. Модели глубокого обучения часто являются «черными ящиками», но такие методы, как SHAP (SHapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explanations), и механизмы внимания в трансформаторах могут давать локальные объяснения. Для решений с высокой последовательностью NRC ожидает, что любой выход ИИ будет проверяемым и совместимым с инженерными знаниями первых принципов. Исследования в Университете Теннесси в рамках гранта NRC создали объяснимые рамки ИИ, которые выдают как предсказание, так и основанное на физике обоснование.

Регулирующие и этические соображения

В 2020 году СРН опубликовал проект «Белого документа» об использовании ИИ в процессе регулирования, в котором подчеркиваются такие принципы, как ответственность человека, прозрачность и постепенное принятие. Комиссия по этике рекомендовала, чтобы решения по ИИ, которые могут привести к остановке производства или эскалации безопасности, должны иметь человека в петле. СРН также координирует свои действия с Агентством по атомной энергии Организации экономического сотрудничества и развития (ОЭСР) для согласования подходов к надзору за ИИ на международном уровне (] NEA .

Подотчетность и ответственность

Кто несет ответственность, если модель ИИ неправильно оценивает критически важную для безопасности систему? НКР в настоящее время придерживается позиции, что обладатель лицензии сохраняет полную ответственность. Системы ИИ рассматриваются как инструменты, которые предоставляют информацию, а не как автономные лица, принимающие решения. Этот принцип согласуется с акцентом отрасли на производительность человека и философию обороны в глубине.

Предвзятость и справедливость

Данные обучения могут отражать исторические предубеждения — например, некоторые конфигурации установок или условия эксплуатации могут быть чрезмерно представлены. Если не учитывать, модели могут систематически недооценивать риски для менее распространенных, но важных сценариев. NRC рекомендует использовать стратифицированную валидацию и анализ чувствительности для обеспечения надежности моделей во всем пространстве проектирования реактора.

Будущее ИИ в ядерной безопасности

Заглядывая в будущее, роль ИИ и МО в оценках безопасности НРЦ значительно расширится, что обусловлено тремя факторами: развертыванием передовых реакторов, эволюцией цифровых приборов и созреванием методов безопасности ИИ.

ИИ для малых модульных и современных реакторов

Малые модульные реакторы (SMR) и конструкции, не связанные со световой водой (например, расплавленная соль, высокотемпературное газовое охлаждение), часто имеют меньше операторов и полагаются на автоматизированные системы управления. AI / ML может оптимизировать стратегии управления в режиме реального времени при постоянном мониторинге маржи безопасности. NRC уже рассматривает предварительные заявки, которые предлагают использовать ИИ для отображения потоков, контроля за тем, и даже оптимизации базового проектирования в рамках парадигмы лицензирования «достаточно безопасно». Предлагаемое агентство правило для регулирования «технологически-включительно, с учетом риска, на основе производительности» (Правило 53) явно позволяет использовать передовую аналитику.

Предиктивные и предписывающие операции, управляемые ИИ

Помимо прогнозного обслуживания, предписывающая аналитика может рекомендовать конкретные действия оператора или профилактические графики обслуживания, чтобы минимизировать риск. Усиление обучающих агентов, обученных в высокоточных тренажерах, может исследовать политические пространства, которые операторы-люди не будут интуитивно рассматривать. Исследовательская программа NRC в настоящее время оценивает цифровой двойник реактора кипящей воды (BWR), который использует обучающий агент для подкрепления, чтобы рекомендовать оптимальные скорости рециркуляции насоса во время подъема мощности, сохраняя запас до критического теплового потока.

Сотрудничество между человеком и ИИ

Будущее не в замене людей, а в их расширении. NRC предусматривает модель взаимодействия человека и ИИ, в которой ИИ обрабатывает слияние данных, распознавание образов и генерацию сценариев, в то время как аналитики-эксперты сосредоточены на рассуждениях, принятии решений в условиях неопределенности и обработке новых ситуаций. Программы обучения операторов реакторов и инспекторов NRC будут включать в себя грамотность ИИ, помогая персоналу интерпретировать результаты моделей и определять, когда модель может быть ненадежной.

Непрерывное обучение и адаптация

По мере развития флота и появления новых оперативных данных модели МО должны обновляться при сохранении безопасности.Исследуются такие методы, как непрерывное обучение и федеративное обучение (когда модели обучаются на нескольких заводах без обмена сырыми данными). Регуляторная база NRC для этих «живых» моделей является активной областью развития, с участием Института ядерной энергии (FLT:0) NEI ].

Заключение

Интеграция ИИ и машинного обучения в оценки безопасности NRC представляет собой значительный шаг вперед в миссии по защите общественного здоровья и безопасности. От прогнозного обслуживания и динамической оценки рисков до компьютерного зрения и обработки естественного языка эти инструменты предлагают возможность обнаруживать и реагировать на риски быстрее и точнее, чем когда-либо прежде. Однако их принятие должно основываться на строгой проверке, прозрачности и непоколебимой приверженности принципу, что люди остаются в конечном итоге ответственными за решения по безопасности. Благодаря постоянному сотрудничеству между NRC, национальными лабораториями, промышленностью и международными партнерами, ИИ и МО могут быть использованы для не только поддержания, но и укрепления безопасности ядерной энергетики для будущих поколений.