Использование машинного обучения для прогнозирования и предотвращения отравления ксеноном

Введение: новая эра ядерной безопасности

Ядерная энергетика работает под постоянным давлением балансировки высокой производительности, безопасности и экономической эффективности. Среди многих эксплуатационных проблем, с которыми сталкиваются операторы реакторов, отравление ксеноном - также известное как эффект ксеноновой ямы или йодной ямы - остается одним из самых критических. Это явление, вызванное нейтронной экономикой продукта деления ксенона-135, может быстро сорвать нейтронную экономику реактора, что приводит к неожиданным сокращениям мощности, сложным условиям перезапуска и в крайних случаях, проблемам безопасности. Традиционные методы управления накоплением ксенона зависят от ручного опыта оператора и систем управления на основе правил. Но эти подходы являются реактивными и ограничены временем реакции человека. Ввод машинного обучения (ML). Анализируя закономерности в данных датчиков и предсказывая будущие концентрации ксенона, ML предлагает активный, управляемый данными путь для предотвращения событий отравления до их возникновения. В этой статье исследуется, как ML трансформирует управление ксеноном, от физики деления до алгоритмов, которые могут поддерживать стабильность и безопасность реактора.

Понимание Ксенона-135 и механизма отравления

Ксенон-135 (Xe-135) представляет собой нестабильный изотоп, образующийся либо непосредственно в виде продукта деления, либо посредством бета-распада йода-135. Его значение проистекает из его огромного поперечного сечения поглощения нейтронов — примерно 2,7 млн амбаров для тепловых нейтронов — что в сотни раз больше, чем у типичных топливных или конструкционных материалов. Когда Xe-135 накапливается, он крадет нейтроны из цепной реакции, подавляя реактивность. Если накопление тяжелое, реактор может стать подкритическим даже при полностью выведенных управляющих стержнях, вызывая полное отключение, которое может длиться часами или днями.

Поведение Xe-135 тесно связано с историей мощности реактора. При стабильно высокой мощности концентрация Xe-135 достигает равновесия, где производство (от распада I-135 и прямого деления) равно удалению (путем захвата нейтронов и радиоактивного распада). Однако при уменьшении мощности поток нейтронов резко падает. Скорость захвата Xe-135 уменьшается, а скорость его распада остается постоянной, а производство от I-135 продолжается, в результате чего концентрация Xe-135 поднимается до пика примерно через 6-10 часов. Это классическая «йодная яма», которая усложняет запуск реакторов, особенно в сценариях проектирования-базиса, таких как попытка перезапуска после остановки.

Кроме того, пространственные колебания ксенона - сложное перераспределение потока Xe-135 и нейтронов по ядру - могут возникать в крупных коммерческих реакторах (например, реакторах с водой под давлением). Если они не демпфированы, эти колебания вызывают локальные всплески мощности и неустойчивости, которые требуют немедленных корректирующих действий. Традиционные методы управления (например, регулирование банков управляющих стержней, изменение потока охлаждающей жидкости или движущихся стержней с частичной длиной) часто медленны и требуют от опытных операторов угадывать развивающееся поле ксенона. Именно здесь машинное обучение может обеспечить значительное преимущество.

Традиционное управление ксеноном: сильные и ограниченные возможности

На протяжении десятилетий операторы полагались на комбинацию заранее просчитанных таблиц, упрощенных компьютерных моделей (например, кодов кинетики реактора) и ручного суждения для управления ксеноном. Тренировочные тренажеры используются для практики маневров, таких как «тягивание стержней» в нужное время для преодоления ямы. Однако эти методы имеют хорошо известные недостатки:

Рост возобновляемых источников энергии требует, чтобы атомные станции работали более гибко - наращивая мощность вверх и вниз для поддержания стабильности энергосистемы. Такие маневры значительно увеличивают риск отравления ксеноном. Машинное обучение предоставляет средства не только для прогнозирования того, где и когда Xe-135 достигнет пика, но и для оптимизации действий по управлению в режиме реального времени.

Как машинное обучение предсказывает отравление ксеноном

Модели машинного обучения поглощают большие потоки данных из приборостроения реактора и выдают прогноз концентрации ксенона и его пространственного распределения.Стержневой трубопровод включает в себя четыре этапа: сбор данных, разработка функций, обучение модели и развертывание.

Приобретение данных и слияние датчиков

Современные реакторы оснащены сотнями датчиков: внутриядерными нейтронными детекторами (например, самонаводящимися детекторами Родия или Ванадия), термопарами, расходомерами и индикаторами положения стержня. Модели машинного обучения объединяют эти данные для реконструкции трехмерного распределения мощности. Исторические эксплуатационные данные , охватывающие месяцы или годы различных профилей нагрузки. Кроме того, моделируемые данные из высокоточных кодов физики реактора (например, PARCS, SIMULATE-3) могут увеличить реальные измерения, особенно для редких условий, таких как переходные ксеноны.

Основные функции ввода включают:

Модельные архитектуры для прогнозирования временных рядов

Поскольку поведение ксенона является функцией прошлой мощности и потока нейтронов, рекуррентные нейронные сети (RNN) — особенно Long Short-Term Memory (LSTM) и Gated Recurrent Unit (GRU) — являются естественным выбором. Эти архитектуры могут изучать временные зависимости в течение нескольких временных шагов (от часов до дней). Сверточные слои могут быть добавлены для захвата пространственных корреляций, образуя сверточные LSTM (ConvLSTM) , которые одновременно моделируют пространственные распределения потоков и временную эволюцию.

Другим перспективным подходом являются трансформаторные модели (например, преобразователь временного слияния), которые обрабатывают последовательности переменной длины и могут включать экзогенные переменные, такие как прогнозы спроса на сетку. Для трехмерных представлений ядра графовые нейронные сети (GNN) , которые рассматривают каждую сборку топлива как узел с краями, представляющими пути диффузии нейтронов, являются новым направлением исследований.

Обучение и проверка

Используется контролируемое обучение: модель учится отображать входные характеристики на целевой выход - обычно концентрация Xe-135 в каждой измеренной точке (или среднее ядро) на будущих этапах времени (например, +1 час, +6 часов, +12 часов). Набор данных обучения должен быть сбалансирован, чтобы включать как стационарные, так и переходные условия. Качество данных имеет первостепенное значение - датчики должны быть откалиброваны и обработаны. Общая практика заключается в обучении комбинации данных о установках и высокоточных симуляционных забегов, используя такие методы, как обучение передаче для адаптации модели к конкретному реакторному блоку.

Валидация выполняется путем удержания части исторических данных и измерения ошибки прогнозирования (например, MAE, RMSE). Поскольку концентрация ксенона непосредственно не измеряется в большинстве реакторов (это вывод), результаты модели можно сравнить с расчетами эталонного кода или наблюдаемым изменением реактивности (через калибровки управляющих стержней). Успешная модель может прогнозировать поведение ксенона с точностью ± 5% или лучше на 6-часовом горизонте.

От прогнозирования к профилактике: машинное обучение в действии

Предсказание отравления ксеноном - это только половина битвы. Реальная ценность заключается в использовании этого предсказания для информирования о действиях управления. Машинное обучение может быть встроено в систему управления заводом либо в качестве консультативного инструмента, либо в рамках автономного цикла управления.

Консультативные системы для операторов

Консультативная система на основе ML принимает показания датчиков в реальном времени и отображает «карту риска» предстоящих концентраций ксенона. Она может выделить, какие области ядра, вероятно, будут испытывать пик Xe-135 в течение следующих нескольких часов. Система может затем рекомендовать конкретные действия : например, «Вывести банк D на 5 шагов и снизить мощность до 85% в течение 2 часов, чтобы смягчить пик ксенона в южном квадранте». Такие рекомендации поддерживаются ансамблем моделей ML, которые видели аналогичные модели тысячи раз. Операторы сохраняют окончательный авторитет, но система уменьшает догадки и ускоряет принятие решений.

Автоматический контроль предсказаний

Далее, усиление обучения (RL) может быть применено для изучения оптимальной политики управления движением стержня и маневрированием мощности, что минимизирует ксеноновые колебания. В этой установке RL-агент взаимодействует с симулятором высокой точности (или упрощенной суррогатной моделью) и получает вознаграждения за достижение стабильной мощности, избегая ксеноновых колебаний и оставаясь в пределах безопасности. Политика представляет собой глубокую нейронную сеть, которая выводит скорости управляющего стержня или целевые точки питания. Исследователи в таких учреждениях, как MIT и Аргоннской национальной лаборатории продемонстрировали RL-агенты, которые могут автономно управлять ксеноновыми переходными процессами, а также или лучше, чем опытные операторы в симуляционных средах.

Перед развертыванием на реальном реакторе такие системы должны пройти тщательную проверку и валидацию (V&V) и быть сертифицированы ядерными регуляторами. Это долгосрочная цель, но промежуточные решения, такие как автоматизация «человек в петле» , уже осуществимы: система ML предлагает действия; оператор одобряет; компьютер завода выполняет. Это сохраняет человеческий надзор при использовании скорости и точности ML.

Цифровая интеграция близнецов

Еще одно мощное приложение — цифровой двойник — виртуальная копия ядра реактора, которая использует ML для прогнозирования поведения ксенона и тестирования сценариев «что-если». Операторы могут спросить «Что, если мы уменьшим мощность на 10% в течение 3 часов?» и получить мгновенный прогноз эволюции ксенона, включая потенциальные колебания. Цифровой двойник затем предлагает оптимальный маневр (например, постепенное снижение мощности с определенной последовательностью стержня), чтобы избежать отравления. Это намного быстрее, чем выполнение полного моделирования физики каждый раз, и он обеспечивает безопасную песочницу для планирования отключений обслуживания или стратегий, следующих за нагрузкой.

Преимущества машинного обучения для управления Xenon

  • Повышение безопасности:] Раннее обнаружение накопления ксенона предотвращает непреднамеренные срабатывания реактора и снижает напряжение оператора. ML может отмечать сценарии, которые могут привести к пространственным колебаниям, прежде чем они станут самоподдерживающимися.
  • Повышенная эксплуатационная гибкость: Атомные станции могут более безопасно участвовать в нагрузке, поддерживая переменную возобновляемую генерацию, зная, что ML предупредит их о надвигающихся ксеноновых условиях и предложит смягчение последствий.
  • Экономия затрат: Избегание незапланированных отключений экономит миллионы затрат на замену мощности и снижает износ управляющих стержней и другого оборудования. Более эффективное сжигание топлива приводит к снижению затрат на МВтч.
  • Оптимизированные топливные циклы: Точные ксеноновые прогнозы позволяют операторам расширять топливные циклы, избегая преждевременного снижения мощности. Они также могут оптимизировать схемы стержней для лучшей экономии нейтронов, улучшая общий коэффициент мощности установки.
  • Сохранение знаний: По мере того, как ветераны-операторы уходят на пенсию, модели ML захватывают свои скрытые знания и служат учебным инструментом для новых сотрудников, сохраняя институциональную память.

Вызовы и путь вперед

Несмотря на обещание, интеграция МО в управление ядерным реактором сталкивается с существенными препятствиями:

  • Качество и количество данных: Исторические данные могут не охватывать экстремальные переходные процессы, необходимые для надежного моделирования. Имитация данных может заполнять пробелы, но может не полностью представлять реальность. Сбои датчиков должны быть обнаружены и обработаны изящно.
  • Модельная интерпретируемость: Ядерные регуляторы требуют объяснимых предсказаний. Нейронные сети «черного ящика» трудно проверить. Исследования в объяснимом ИИ (XAI) — например, значения SHAP, механизмы внимания — имеют решающее значение для получения регуляторного доверия. Гибридные модели, которые объединяют уравнения на основе физики с компонентами ML, предлагают путь к интерпретируемости.
  • Интеграция с Legacy Systems: Большинство действующих реакторов имеют системы управления, разработанные десятилетия назад. Для модернизации алгоритмов ML требуется тщательная кибербезопасность и дизайн интерфейса. Безопасный запас к ручному управлению имеет важное значение.
  • Проверка и сертификация: Регуляторы (например, NRC, МАГАТЭ) не имеют установленной основы для утверждения систем безопасности на основе МО. Отраслевые группы, такие как NEI и EPRI, разрабатывают руководство, но широкое внедрение может занять годы.
  • Вычислительные ограничения: Прогнозирование и оптимизация в реальном времени требуют быстрого вывода. Краевые вычисления (на месте или встроенные) могут уменьшить задержку, но вычислительная инфраструктура завода может нуждаться в обновлениях.

Будущие направления: автономные реакторы?

Заглядывая в будущее, можно сказать, что сближение МО, цифровых двойников и передовых методов зондирования, вероятно, приведет к частично автономным работам реакторов. МАГАТЭ определило «автономный контроль» в качестве одной из ключевых тенденций для будущих ядерных энергетических систем, таких как малые модульные реакторы (МРР) и микрореакторы. Эти меньшие блоки, часто предназначенные для удаленных или распределенных сетей, получат огромную выгоду от управления ксеноном на основе МО, поскольку у них не будет больших рабочих экипажей. Полностью цифровая система управления, которая предвидит и смягчает отравление ксеноном без вмешательства человека, технически осуществима в течение следующего десятилетия.

Кроме того, соединение моделей ML ксенона с другими прогностическими системами (например, для температуры топлива, химии охлаждающей жидкости и механического напряжения) может создать всеобъемлющую онлайновую систему мониторинга и диагностики. Это перенесет ядерную безопасность из защитного подхода на основе маржи в прогностическую парадигму, основанную на условиях - преобразование, которое машинное обучение уникально оснащено для доставки.

Исследовательские инициативы Министерства энергетики США и дорожная карта МАГАТЭ в области технологий подчеркивают методы, основанные на данных для безопасности реакторов. Во всем мире сотрудничество между коммунальными службами, национальными лабораториями и университетами неуклонно повышает точность и надежность моделей ML для управления ксеноном.

Заключение

Машинное обучение не является заменой фундаментальной физики реакторов. Машинное обучение не является заменой фундаментальной физики реакторов — оно является мощным усилителем. Изучая прошлые эксплуатационные данные и высокоточные симуляции, модели ML могут прогнозировать концентрации ксенона-135 с беспрецедентной скоростью и точностью. Эта предсказательная способность в сочетании с консультативным или автоматизированным контролем позволяет атомным станциям избежать дорогостоящих и опасных последствий отравления ксеноном. Хотя проблемы с данными, интерпретацией и принятием нормативных требований остаются, траектория ясна. Поскольку ядерная промышленность охватывает цифровую трансформацию, ML станет важным инструментом для обеспечения того, чтобы реакторы работали не только безопасно, но и более гибко и эффективно, чем когда-либо прежде. Для операторов установок, инженеров и регуляторов понимание и инвестирование в эти технологии — это не просто вариант — это необходимость для будущего чистой, надежной ядерной энергии.