Giriş: Nükleer Güvenlik için Yeni Bir Çağ

Nükleer enerji endüstrisi yüksek çıktı, güvenlik ve ekonomik verimlilik dengelemenin sürekli baskı altında çalışır. reaktör operatörleri tarafından karşı karşıya kalan birçok operasyonel zorluk arasında, xenon zehirlenmesi veya iodine pit etkisi olarak da bilinir - xenon'un en kritik kontrol sistemlerinden biri olmaya devam eder, ancak bu durum, insan reaksiyonlarını engellemeye ve x-135'in sabitlediğine yol açar.

Xenon-135 ve Zehirlenme Mekanizmasını Anlamak

Xenon-135 (Xe-135), ya da doğrudan bir fission ürünü olarak ya da iodine-135'in beta çürümesi ile üretilen istikrarsız bir izotopdurdur - yaklaşık 2.7 milyon barns ısıtılır - bu da tipik yakıt veya yapısal malzemelerden daha büyük bir şekilde üretilir. Xe-135 zincir reaksiyonundan dolayı, yenidenaktiviteyi bastırır.

Xe-135'in davranışı reaktör güç tarihine sıkıca bağlıdır. Sürekli devlet yüksek güçte Xe-135'in konsantrasyonu, üretimin nerede (I-135'in çürümesinden ve doğrudan fission) eşit yüksiyonun (parçalış yakalama ve radyoaktif çürümeye yol açar) ancak güç azalırken, Xe-135'in çöküşü, özellikle de geri dönüş senaryolarında kullanılan klasik “yoğuk çukur”tır.

Ayrıca, xenon uzaysal osilasyonlar - Xe-135 ve nötron flux'in temeldeki karmaşık bir yeniden dağıtım - büyük ticari reaktörlerde ortaya çıkabilir (örneğin, baskılı su reaktörleri) genellikle yavaş ve xenon alanını geliştirmesi gerekir.Bu, makine öğreniminin önemli bir kenar sağladığı varsayılır.

Geleneksel Xenon Yönetimi: Güçlüler ve Sınırlar

On yıllar boyunca operatörler, önceden hesaplanan tabloların bir kombinasyonunu, basitleştirilmiş bilgisayar modellerini (örneğin, reaktör kinetiği kodları) ve xenon'u yönetmek için el bastı. Eğitim simülatörü, çukuru aşmak için doğru zamanda pratik manevralar için kullanılır.

  • [FONT:0)Reaktif tahmin edici yerine: Operatörler sadece xenon konsantrasyonundan sonra hareket ederler, gecikmiş bir yanıta yol açarlar.
  • [FONT=0) Basitleştirilmiş modeller:[Döneticiler, genellikle homojen temel özellikleri varsayıyor ve üç boyutlu flux-xenon etkileşimleri doğru bir şekilde ele alamıyor.
  • [FONT:0) Yüksek bilişsel yük: [Döneticiler birden fazla parametre izlemeli (neutron flux, güç, sıcaklıklar, xenon tahminleri) ve gelecekteki davranışı stres altında tahmin etmelidir.
  • [FONT:0)Conservative marjlar: [Dönetici:[Dönetici:0) Güvenli kalmak için, operatörler en uygun veya belirli yük takip profillerinden daha düşük gücü tutabilir, bitki verimliliğini ve esnekliği azaltır.

Yenilenebilir enerji kaynaklarının yükselişi, nükleer bitkilerin daha esnek çalışmasını gerektiriyor - şebeke istikrarına destek olmak için güç ve aşağı yukarı doğru ilerlemesini sağlar. Bu manevralar xenon zehirlenmesi olayların riskini büyük ölçüde artırır. Makine öğrenimi sadece Xe-135'in nerede ve ne zaman zirvede olduğunu tahmin etmek için bir yol sunar.

Makine Öğrenmesi Xenon Zehirlenmeleri

Makine öğrenme modelleri, reaktör enstrümantasyonundan büyük veri akışlarını ve xenon konsantrasyonunun ve uzaysal dağıtım tahminlerini gerçekleştirir.Ana boru hattı dört aşamayı içerir: veri satın alma, özellik mühendisliği, model eğitimi ve dağıtım.

Data Acquisition and Sensör Fusion Fusion Fusion

Modern reaktörler yüzlerce sensörle donatılmıştır: core nötron dedektörleri (örneğin, Rhodium veya konveyörler) , termo çiftleri, akış metre ve yüksek sadakatli reaktör fizik kodları (örneğin, bu verileri üç boyutlu güç dağıtımını yeniden inşa etmek için güçlendirin.) özellikle xon geçici geçici verileri sıra dışı) için genişletilebilir.

Anahtar giriş özellikleri şunları içerir:

  • Core-wide ve yerel nötron flux (aksiyel ve radial)
  • Kontrol çubuğu banka pozisyonları (ve ekleme derinliği)
  • Coolant inlet ısısı ve akış oranı
  • Burnup tarihi (cumulative Energyhopper)
  • Son güç değişim zamandan beri zaman
  • xenon-135'in tahmin edilen ayrışma modellerinden (bir başlangıç noktası)

Zaman serisi Tahminleri için Model Mimarileri

Çünkü xenon davranışı geçmiş bir güç ve nötron flux'ın işlevidir, ESRAT:0) Eş zamanlı sinir ağları (RNNs)) - özellikle Long Short-Term Memory (LSTM) ve Gated Recurrent Unit (GRU) - doğal seçimlerdir.Bu mimariler aynı anda uzaysal floralar ve zamansal evrimleri yakalamak için zamansal olarak eklenebilir.

Başka bir umut verici yaklaşım ise şöyledir:0)transformer tabanlı modeller). (e.g., Temporal Fusion Transformer) değişken uzunlukta dizileri ele alan ve ağ talep tahminleri gibi ekojen değişkenler dahil edebilir. üç boyutlu çekirdek gösterimi için, [[Döneticiler) [GNNs) ) her yakıt montajını, nötron difüzyon yollarını temsil eden kenarlarla tedavi eden kenarlarla birlikte, ortaya çıkan bir araştırma yönüdür.

Eğitim ve Geçerlilik

Süpervize öğrenme kullanılır: Model bir hedef çıkışına giriş özelliklerini haritalamayı öğrenir - genellikle her ölçüm noktasında Xe-135 konsantrasyon (veya temel bir koruyucu) gelecekteki zaman adımlarında (örneğin, +6 saat, +12 saat) eğitim verilerinin hem istikrarlı hem de geçici koşullara dahil edilmesi gerekir.Data quality is paramount) Sensörler - yüksek bir simülasyon tekniğini kullanarak çalışır ve dışarılayıcılar (örneğin,)

Geçerlilik, tarihsel verilerin bir kısmını ve tahmin hatası (örneğin, MAE, RMSE) ile doğrudan ölçümlemez (en sonunda), model çıktıları referans kodu hesaplamalarına veya gözlemlenen reaktivite değişikliğine kıyasla karşılaştırılabilir (kontrollü boks davranışı). xenon konsantrasyonunun 6 saat boyunca doğrudan ölçüldüğünden (örneğin, 6 saat boyunca ±5% veya daha iyi bir ufkun doğruluğu ile xenon davranışı tahmin edilebilir.

Önlemden Önlemeye Önden Gelen: Eylemde Makine Öğrenmesi

xenon zehirlenmesinin tahmin edilmesi sadece savaşın yarısıdır. Kontrol eylemlerine ilişkin tahminin kullanılmasında gerçek değer yatıyor. Makine öğrenimi, bir danışma aracı olarak veya özerk bir kontrol döngüsünün bir parçası olarak bitki kontrol sistemine bağlanabilir.

Operatörler için Danışma Sistemleri

Bir ML tabanlı danışma sistemi, önümüzdeki birkaç saat içinde Xe-135'i deneyimleyecek ve benzer bir şekilde görülen MLD'nin (Düzücü) belirli eylemlerin bir araya gelebileceğini vurgulayabilir.

Otomatik Tahminsel Kontrol

Bir adım daha ileri gidiyor, dördülün osilasyonları en aza indirmek için en iyi kontrol politikasını öğrenmek için uygulanabilir.Bu kurulumda RL ajanı yüksek sadakatli bir modelle etkileşime girer (veya basitleştirilmiş bir eksiyon modeli) ve xenon-in salınımlarından kaçınmak için ödülleri alabilir.

Gerçek bir reaktöre girmeden önce, bu tür sistemler titiz bir doğrulama ve geçerlilik (V&V) ve nükleer düzenleyiciler tarafından sertifikalandırılmalıdır. Bu, uzun vadeli bir hedeftir, ancak İLRAT:0) insan-in-loop gibi geçici çözümlere sahiptir).

Dijital İkiz Entegrasyon

Başka bir güçlü uygulama, “0.) sayısal ikiz[Dönetici: 0) – xenon davranışını tahmin etmek ve “iftif” senaryoları test etmek için kullanılan reaktör çekirdeğinin sanal bir kopyası. Operatörler, her seferinde tam bir simülasyona kadar gücü azaltıp, potansiyelleri planlamaya devam etmek için güvenli bir şekilde şarj etmek için güvenli bir manevra (örneğin, belirli bir çubuk dizisi ile aşamalı bir güç azaltımı) tavsiye eder.

Xenon Yönetim için Makine Öğrenmesinin Faydaları

  • [FONT:0)Enhanced Safety:[Dönetici:[Dönetici:0)[Dönetici:0)Enhanced Safety:[Dönetici:[Dönetici: 0,4) xenon inşa edilmiş erken tespit, reaktör gezilerini önler ve operatörü stresi azaltır. ML, uzaysal osilasyonlara yollayabilir.
  • [FONT:0)Increased Operational Flexability: Nükleer bitkiler değişken yenilenebilir nesli desteklemek için daha güvenli bir şekilde yüklenebilir, ML'nin xenon koşullarını engellemelerini ve mitigations önerebilir.
  • [FONT:0]Cost Tasarrufları: [Dönetici:[Dönlenmedik kapanmalardan kaçının milyonlarca yedek güç maliyetlerinden tasarruf eder ve kontrol çubukları ve diğer ekipmanların aşınmasını azaltır. daha verimli yakıtlar per-MWh maliyetlerine daha düşük çevirir.
  • [FONTZE]Optimized Yakıt Lisansları: Doğru xenon tahminleri, operatörlerin erken güç azaltımılarından kaçınarak yakıt döngüleri uzatmalarına izin verir. Ayrıca, daha iyi nötron ekonomisi için çubuk kalıpları optimize edebilir, genel bitki kapasitesi faktörü geliştirirler.
  • [FONT:0)Bilgiyi Yeniden Tanımladı: [Döneticileri emekli olarak, ML modelleri kapalı bilgilerini yakalar ve yeni kiralar için bir eğitim aracı olarak hizmet eder, kurumsal hafızayı korur.

Meydanlar ve Yol İleri

Sözcülüğe rağmen, ML'yi nükleer reaktör kontrolüne entegre etmek önemli engellerle karşı karşıya kalır:

  • [FONT=0]Data Quality and count:[Dönetici:[Dönetici:0)[Dönetici ve Sayı:[Dönetici: 0,4] Tarihsel veriler sağlam modelleme için gerekli aşırı geçicileri kapsamayabilir. Simated data boşlukları doldurabilir ancak gerçekleri tamamen temsil edemez. Sensör başarısızlıkları tespit edilmelidir ve dikkatle ele alınmalıdır.
  • [FONT:0) Model Yorumu Yapılabilirlik: [Döneticileri, Nükleer düzenleyiciler, "Black box" sinir ağları, fizik tabanlı denklemleri bir araya getiren yanlış modellerdir.
  • [[Düzücü Sistemleri ile Yapılanma: [Döneticileri, on yıllar önce tasarlanmış olan kontrol sistemleri vardır. Retrofitting ML algoritmaları dikkatli siber güvenlik ve arayüz tasarımı gerektirir.
  • [FONT:0]Validation and Sertifikasyon: Düzenlemeler (e.g., NRC, IAEA) ML tabanlı güvenlik sistemleri için kurulmuş bir çerçeveye sahip değildir.
  • [FONT:0)C ⁇ Eksleri:[Dönem:[Dönemli:0)C ⁇ Eksileri:[Dönemli: 0 ) Gerçek zamanlı tahmin ve optimizasyon hızla inference. Edge Computing (yer veya gömülü) geç kalmışlığı azaltabilir, ancak bitki bilişim altyapısı yükseltmelere ihtiyaç duyabilir.

Future: Özerk Reaktörler?

Önümüzdeki sefere, ML, dijital ikizlerin yakınlığı ve gelişmiş algılama muhtemelen kısmen otonom reaktör operasyonlarına yol açacaktır. IAEA, gelecekteki nükleer enerji sistemlerindeki önemli trendlerden biri olarak “a Özerk kontrol” tespit etti, çünkü küçük reaktörler (SMRs) ve mikroreactors gibi. Bu birimler, çoğu zaman uzaktan veya ağ ağları için tasarlanmıştır, ML tabanlı xenon yönetiminden büyük ölçüde faydalanacaklardır.

Ayrıca, ML xenon modellerini diğer tahmin edici sistemlerle (örneğin, yakıt sıcaklığı, serin kimya ve mekanik stres için) kapsamlı bir şekilde oluşturmak için donanımlı bir dönüşüm oluşturabilir.[0]online izleme ve tanı çerçevesi[Dönetici: 1) Bu, nükleer güvenlik, savunma, marj tabanlı bir yaklaşımdan tahmin edilebilir bir yaklaşımla hareket eder - makine öğreniminin benzersiz bir şekilde teslim edilmesi için benzersiz bir şekilde donanımlı bir dönüşüm.

ABD Enerji Bakanlığı'nın 03. Bölüm:0) Araştırma girişimleri[Dönetici: 1) ve IAEA'nın GÜNDÜ:2. Teknoloji yol haritası) her iki veriye dayalı yöntemler, dünya çapında, hizmetler arasındaki işbirliği, ulusal laboratuvarlar ve üniversiteler xenon yönetimi için ML modellerinin doğruluğunu ve güvenilirliğini sürekli geliştiriyor.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

[FONT:0]Makine öğrenmesi temel reaktör fiziği için bir yedek değildir - güçlü bir yükselticidir.[DÜDÜT:1] Son operasyonel verilerden ve yüksek sadakat simülasyonlarından öğrenerek, ML modelleri xenon-135 konsantrasyonlarını yanlış bir şekilde kabul edebilir. Bu tahmin edici kapasite, bir danışmanlık veya otomatik kontrol ile birlikte, nükleer santrallerin sadece enerji zehirlenmesinin pahalı ve tehlikeli sonuçlarını önlemesine izin verir.