Makine Öğrenme Algoritmalarının Nükleer Sistemin Başarısızlığını Önlem ve Önlemesini Önleme Kullanımı

Makine öğrenme algoritmaları karmaşık nükleer sistemleri yönetmenin yolunu değiştirir. Geniş miktarda veri analiz ederek, bu algoritmaları potansiyel hataları gösterebilir, proaktif bakım ve güvenlik önlemleri için izin verebilir. Bu, tahmin edici analitikden gelen geçiş, nükleer enerji santral operasyonlarının yeniden şekillendirilmesi ve nükleer enerjideki kamu güvenini temiz, güvenilir bir güç kaynağı olarak yükseltmektedir.

Nükleer Güvenlikte Makine Öğrenmeye Giriş

Nükleer sistemlerin geleneksel yöntemleri, manuel denetimlere, periyodik testlere ve önceden tanımlanmış güvenlik protokollerine dayanıyor. Birçok senaryoda etkili olsa da, bu tür bir parçalama veya sistem anomalilerinin erken aşama göstergeleridir; Makine öğrenimi, ABD'nin nükleer güvenlik ve nükleer verimliliğine yönelik olarak sürekli olarak öğrenilen fiziksel bir alternatif sunar.

Makine öğrenme modelleri, insan operatörlerinin göz ardı edebileceği sensör akışlarında doğrusal olmayan ilişkileri ve karmaşık etkileşimleri tespit etmeyi başarır. Örneğin, soğuk bir pompanın titreşim imzası haftalar boyunca, herhangi bir geleneksel eşiği geçmeksizin taşımayı engelleyebilir.

Makine Öğrenme Algoritmalarının Türleri Kullanılır

Makine öğrenimi, bir algoritma aile yelpazesini kapsar, her biri nükleer sistem izleme ve başarısızlık tahmininin farklı yönlerine uygundur. Nükleer mühendislikte uygulanan üç birincil kategori denetimsiz öğrenme, denetimsiz öğrenme ve güçlendirme öğrenmedir.

Süpervize Öğrenmek

Süpervize öğrenme modelleri, giriş- ⁇ çiftlerinin bilinen etiketli veri setleri üzerinde eğitilmiştir - örneğin, gerçek bileşen hatalarının kayıtları ile eşleştirilir. Common algoritmaları rastgele ormanlar, destek vektör makineleri ve şu anki veriler ön koşullara benzediğinde denetimli öğrenmeler yapılır.

Önemli bir dağıtım, gradient-boosted ağaçlarının reaktör baskı gemilerinde yorulmayı tahmin etmesini içerir. Sıcaklık döngüleri, nötron flux ve malzeme özellikleri gibi en büyük model, o zaman kalan operasyonel dönemde çatlakların bir olasılık dağılımını ortaya çıkarır. Bu, bitki operatörlerinin acil kapanmalarını tetikleyerek planladıkları durumlarda denetimleri planlamasını sağlar.

denetimsiz Öğrenme

Kontrolsüz öğrenme algoritmaları, otoencoders gibi, k-means kümeleme ve izolasyon ormanları, etiketlenme hataları verileri gerektirmez. Bunun yerine, normal bir işletim zarfını bir sistem ve bayrak sapmaları anomalileri olarak öğrenir. Bu özellikle de başarısızlık olaylarının nadir ve etiketlendiği nükleer ortamlarda değerlidir. Örneğin, normal reaktör davranışı binlerce saat boyunca eğitilmiş bir otoencoder giriş sensörü sinyalleri yeniden yapılandırabilir; yüksek bir yeniden yapılandırma hatası potansiyeline işaret eder.

Kombinasyon yöntemleri benzer işletim rejimleri grubuna alışkın, fabrikanın önceden belirlenmiş bir duruma sürüklendiği zaman tespit edilen bir şekilde tespit edilen bir testte, bir basında yapılan bir su reaktöründe, denetimsiz öğrenme, herhangi bir geleneksel alarmın tetiklendiği zaman, olası bir kayıp-soğuk kaza senaryoyu önlemeye yardımcı olur.

Dondurma Öğrenme Öğrenme Öğrenme

Nükleer sistemlerde, RL, acil soğutma sistemi (ECCS) aktivasyon sırasında optimum eylemler öğrenir ve hata yoluyla, sonuçlara dayalı olarak binlerce potansiyel senaryoyu keşfedin. Nükleer sistemlerde RL, gereksiz müdahaleler için gerçek zamanlı kontrol için araştırılmıştır.

Örneğin, Deep Q-Networks, otomatik yük takip işlemlerine uygulanmış, kontrol çubuğu pozisyonları ve serin akış oranlarının ısı limitleri olmadan enerji talebini dengelemek için ayarlanmıştır. RL henüz ticari reaktörlerde yaygın olarak kullanılmamış olsa da, düzenleyici endişeler nedeniyle, araştırmaların IAEA) ve ACFLT:2.

Nükleer Sistemlerde Uygulamaları

Makine öğrenme modelleri, nükleer enerji üretiminin tam yaşam döngüsü boyunca uygulanır, yakıt üretiminden demevlendirmeye odaklanır. En olgun uygulamalar tahmin edici bakım, anomaly algılama ve süreç optimizasyonuna odaklanır. Aşağıda bu algoritmaların ölçülebilir etkisi verdiği önemli alanlar vardır.

Reaktör Bileşenlerinin Öngörücü Bakım

Pompalar, valfler, ısı değiştiricileri ve buhar jeneratörleri, birincil serin pompadan gelen boş zaman verilerini tahmin etmek için makine öğrenimini kullanarak önceden tahmin etmek, planlanan kesintiler sırasında yedek devrelerin değiştirilmesi veya onarım yapılmasını sağlar. Örneğin, günde milyonlarca nükleer bitkiye mal olan uzun bir süre boyunca bir nükleer santrale mal olan bir pompadır.

Institut de Radioprotection et de Sûreté Nucléaire (IRSN) ML tarafından desteklenen tahmin edilebilir bakımların genel bitki kullanılabilirliğini artırmak için% 20-30 oranında azaltabileceğini gösteren birkaç proje yayınladı.

Sensör Data'da Anomaly Tespit

Modern nükleer bitkiler, sıcaklık, basınç, akış, nötron flux ve radyasyon gibi parametreleri ölçen binlerce sensörle donatılmıştır. Bu yaklaşım, elektrik kabinlerinde sürekli olarak algoritmaları tespit etmek için kullanılmıştır ve hatta siber saldırı göstergelerini ortaya koyar.Bir ortak teknik sadece normal veriler üzerinde eğitilmiştir; sınır dışındaki herhangi bir nokta incelenir.

2022 yılında, Idaho Ulusal Laboratuvarı'ndaki araştırmacılar, güvenlik-kahkademik olmayan ortamlardaki denetimli izlemenin yanlış bir şekilde %95'in üzerinde bir algılama oranını elde etti. Sistem, güvenlik-kırık ortamlarda denetimsiz izlemenin fizibilitesini doğrulamayı başardı.

Soğutma ve Güvenlik Protokolleri

Makine öğrenimi ayrıca soğutma operasyonları ve acil yanıt için bir rol oynamaktadır. Örneğin, takviyeli kazalar sırasında reaktör çekirdeğinin ısıl davranışlarının belirlenmesi, mühendislerin güvenlik marjlarını ve acil ameliyat prosedürlerini yönetmesi için eğitilmiştir.

Gelişmiş reaktör tasarımları, küçük modüler reaktörler (SMRs) ve molten tuz reaktörleri gibi, özellikle de ML tabanlı kontrolden faydalanırlar, çünkü daha önce yapılan reaktörlerin mücadelelerinin altında sıklıkla çalışırlar – örneğin, IAEA'nın dünkü geri bildirim döngüleri ile.

Radyasyon Seviyelerini ve Çevre Verilerini Takip Et

Nükleer siteler etrafındaki çevresel izleme, hava, su ve toprakta radyoaktiviteyi ölçmeyi içerir. Makine öğrenme modelleri, gerçek yüksek okumalardan arka plan gürültüsünü ayırarak algılamanın hassasiyetini geliştirir. Örneğin, Gaussian süreci regresyon, sparse sensör ağlarını gerçek zamanlı olarak haritaya sokabilir, depolama boşluklarından potansiyel sızıntıları tanımlamak veya harcanan yakıt taşımalarında.

Makine Öğrenmenin Faydaları

Makine öğrenme algoritmalarının nükleer sistem yönetimine entegrasyonu, gelişmiş güvenlikten maliyet azaltımı için çeşitli önemli avantajlar sunar. Bu avantajlar dünya çapında düzenleyiciler ve operatörler tarafından giderek daha fazla tanınır.

Geliştirilmiş Güvenlik

Potansiyel başarısızlıkların erken tespiti, kazaların ve planlanmamış radyoaktif serbest bırakılması riskini azaltır. kritik seviyelere ulaşmadan önce bozulma aylarını tespit ederek, ML-güdümlü sistemler mühendislerin geniş bir marjla müdahale etmesine izin verir. Ek olarak, anomali tespiti, daha önce bilinmeyen başarısızlık modlarını yakalayabilir.

Maliyet Tasarrufları Maliyet Tasarrufları

Tahmin edici bakım, planlanmamış kesinti süresi en aza indirir, bu da nükleer operatörler için en büyük ekonomik kaybı kaynağıdır. 1000 MWe'de zorlanılan bir gün, ısıtımı artırmak, 1-2 milyon dolarlık tasarruf maliyetinin değiştirilmesi ve gelirin arttırılmasıyla, denetimler arasındaki aralıkları uzatarak, ML araçları endüstri tahminlerine göre% 20-30 oranında bakım harcamalarını azaltabilir.

Operasyonel Verimlilik

Otomatik izleme ve karar destek sistemleri anormal koşullara yanıt verir. Operatörlerin kontrol paneline sürüklenmesini sağlamak yerine, ML algoritmaları saniyeler içinde uyarı verebilir ve olasılıksal öneriler sağlayabilir. Bu verimlilik kazanç, insan dikkatinin sınırlı bir kaynak olduğu çok-unit bitkilerinde özellikle önemlidir.

Meydanlar ve Gelecek Yollar

Yararlılarına rağmen, nükleer sistemlerde makine öğrenimi, güvenlik-kahkade yaygın olarak dağıtım öncesinde ele alınması gereken dayanılmaz zorluklar sunar. Bunlar veri güvenliği, model yorumlama, veri kalitesi ve düzenleyici.

Data Security and Privacy

Nükleer tesisler siber saldırılar için yüksek değerli hedeflerdir. Makine öğrenme modelleri büyük veri setleri gerektirir, genellikle bulut ortamlarında transfer edilir veya saldırı yüzeyi artırır. Adversaries, AI sistemi güvenliği için eğitim verileri manipüle edebilir veya modelin başarısız olmasına neden olabilir.

Model Yorumability

Birçok güçlü makine öğrenme modelleri, özellikle derin sinir ağları, bir nükleer ayarda, mühendisler ve düzenleyiciler bir modelin neden bir anomali veya tahmin edilebilir bir başarısızlık olduğunu anlamalılar.Eğer neden açıklamazsa, bu giriş özelliklerini savunmak ve hatta daha da zor bir şekilde yorumlanabilir AI (XAI) ilerleyebilirler - SHAP (SHapley Katkı ekinleri gibi hesaplamaları anlamak için.

Data Quality ve Müsaitlik Durumu

Nükleer sistemler çok fazla veri üretir, ancak tüm bunlar sağlam MLB modelleri için uygun değildir. Sensör sürüklenme, eksik değerler ve tutarsız etiketlemeler yaygın sorunlardır. Dahası, başarısızlık olayları nadir, bu yüzden veri kümeleri genellikle yüksek derecede dengesizdir - yanlış senaryolar yapmak için zorlaşır. Sif veri nesli ve fizik bilgilendirici makine öğrenimi kısmi çözümler sunar, ancak yüksek kaliteli, temsil eden eğitim verileri olmadan, modeller.

Düzenleme

Nükleer endüstri ağır bir şekilde düzenlenir, güvenlik yazılım sertifikasyonu için katı şartlarla. Geleneksel determinist yöntemler iyi düşünülmüş, ancak ML modellerinden gelen olasılıksal çıktılar doğrulanamaz ve yeni bir kılavuzda çalışır - örneğin, IAEA'nın Güvenlik Standartları ve NRC'nin önerdiği AI düzenleyici çerçevesi - ancak kabul edilebilirliği ile ilgili fonksiyonlar için kullanılan herhangi bir algoritma doğrulanabilir ve doğrulanabilir (V&V)

Future Yol Tarifi

Önümüzdeki birkaç ortaya çıkan trend, mevcut sınırlamaların üstesinden gelmeye ve makine öğreniminin nükleer sistemlerde benimsenmesine söz veriyor. Bunlar, Nesnelerin İnterneti (IoT) ile açıklanabilir AI, dijital ikizler ve entegrasyon içeriyor.

Açıklanabilir AI (XAI)

Düzenleyici ve operatör güvenini kazanmak için, gelecekteki ML modelleri, temel bir gereklilik olarak şeffaflık ile tasarlanacaktır. XAI teknikleri sadece bireysel tahminleri açıklamayacaktır, aynı zamanda fizik tabanlı simülasyonları veri odaklı öğrenme ile birleştiren güvenilir modeller (fiziksel-yapay ağları) özellikle umut vericidir, çünkü mevcut mühendislik sezgilerine karşı uyum sağlayacaktır ve aynı zamanda fiziksel yasalara karşı doğrulanabilir.

Dijital Twins

Dijital ikiz, gerçek zamanlı, bakım programları olmadan, ABD Enerji Bölümü, Palode Gening İstasyonunda çalışan bir proje dahil olmak üzere dijital ikiz teknolojisini kullanarak, hataları optimize etmek ve önceden tahmin etmek için gerçek bir nükleer sistemin gerçek bir kopyasıdır.

IoT ve Edge Computing ile entegrasyon

Nükleer bitkiler daha kablosuz sensörler ve akıllı cihazlar (IoT), akış verilerinin hacmi, hassas verilere göndermeden önce yerel olarak veri işlemeye izin verecek ve veri paylaşımına tabi tutulacaktır.Bu paradigma, güvenlik eylemlerine saygı duyan gerçek zamanlı olarak, güvenlik eylemleri için gerekli olan bir bakım sağlayacaktır.

Sonuç olarak, makine öğrenme algoritmaları, nükleer sistemi başarısızlıklarını tahmin etmek ve önlemek için vazgeçilmez bir araç haline gelmeye hazırlanmaktadır. Operasyonel verilerden sürekli öğrenme yoluyla, bu sistemler güvenlik geliştirir, maliyetleri azaltır ve verimliliği artırırken, özellikle de yorumlanabilirlik, veri kalitesi ve düzenleyici uyum içinde - endüstri arasındaki araştırma ve işbirliğini sürdürmek için devam eder.