Les avancées de l'IA mesurent la puissance dans les réacteurs nucléaires

Mesurer la distribution de la puissance dans les réacteurs nucléaires est super important pour des opérations sûres et efficaces. Ça consiste à savoir combien d'énergie est produite dans différentes parties du cœur du réacteur. Des mesures précises sont essentielles pour gérer le carburant et s'assurer que les normes de sécurité sont respectées. Les avancées technologiques, surtout en intelligence artificielle (IA) et en apprentissage automatique (AA), offrent de nouvelles façons d'améliorer ces mesures.

#Techniques de Mesure Actuelles

Dans les réacteurs à eau bouillante (REB), on utilise des détecteurs de plage de puissance locaux (DPLP) pour mesurer les niveaux de puissance à l'intérieur du réacteur. Ces détecteurs sont placés à des endroits fixes pour vérifier l'activité des neutrons locaux, ce qui aide à déduire la quantité de puissance produite à différents endroits.

Les calculs de puissance se font en ligne et hors ligne. Lors de la planification et de la conception des cœurs de réacteur, un simulateur informatique estime divers paramètres, comme le flux de puissance. Pendant l'opération, les DPLP fournissent des données en temps réel pour aider à calculer comment la puissance est distribuée dans le cœur.

#Défis dans la Mesure de la Puissance

Il y a plusieurs défis auxquels les opérateurs de réacteurs font face quand il s'agit de mesurer la distribution de puissance. Quelques problèmes incluent :

1. Détecteurs Contournés : Quand un DPLP ne fonctionne pas correctement, ça peut nuire à la visibilité claire des niveaux de puissance.
2. Problèmes de Calibration : Les détecteurs doivent être calibrés régulièrement, mais ça peut arriver trop rarement ou pas correctement.
3. Durée de Vie des Détecteurs : Les DPLP ont une durée de vie limitée, et savoir quand les remplacer est essentiel.
4. Erreurs d'Adaptation de Puissance : Si les lectures de puissance sont incorrectes, ça peut conduire à un mauvais calcul des marges de sécurité.

Ces problèmes peuvent augmenter les coûts opérationnels ou mener à des conceptions non sécurisées. Il y a un besoin de meilleurs systèmes qui peuvent fournir des données précises en temps réel.

#Rôle de l'IA et de l'AA

L'IA et l'AA peuvent aider à résoudre ces défis en améliorant l'exactitude des mesures et en réduisant les coûts. En utilisant des données historiques collectées de divers systèmes de réacteurs, ces technologies peuvent comprendre des motifs complexes et offrir des insights.

L'IA peut aider dans de nombreux aspects de la gestion des réacteurs, comme prédire combien de temps les composants vont durer ou diagnostiquer des problèmes potentiels tôt. L'objectif est d'améliorer l'efficacité des centrales nucléaires et de permettre une meilleure planification concernant les cycles de carburant.

#Développement de Nouveaux Modèles

De nouveaux modèles, appelés SurrogateNet et LPRMNet, ont été créés pour améliorer la précision des mesures de puissance en ligne et hors ligne.

• SurrogateNet utilise des données provenant de DPLP voisins pour prédire la valeur de n'importe quel DPLP. Ça permet des lectures en temps réel même si certains détecteurs sont hors service.
• LPRMNet combine des données d'état des réacteurs pour prédire les valeurs des DPLP, ce qui est utile pour la planification future et les évaluations.

#SurrogateNet Expliqué

SurrogateNet collecte des données de plusieurs DPLP, tire parti de la symétrie dans le cœur du réacteur, et prédit les valeurs des DPLP en temps réel. En évaluant les lectures des détecteurs fonctionnels, il peut combler les lacunes de données dues aux unités défaillantes.

#LPRMNet Expliqué

LPRMNet est basé sur un type d'IA connu sous le nom de réseau neuronal convolutif (CNN). Il traite les données d'état du réacteur pour prédire les lectures des DPLP. Le modèle combine des données provenant de diverses sources et peut faire des prédictions sur les futures distributions de puissance en fonction des lectures antérieures et des conditions du cœur.

#Collecte et Utilisation des Données

Les centrales nucléaires collectent beaucoup de données au fil du temps. Ces informations historiques incluent les lectures des DPLP et divers paramètres qui décrivent comment le réacteur fonctionne.

Lors du développement de ces modèles, les données ont été nettoyées pour garantir leur précision. Les lectures invalides ou aberrantes ont été retirées avant que les données soient utilisées pour des prédictions.

#Entraînement des Modèles

Les deux modèles ont été entraînés à l'aide d'une méthode appelée apprentissage supervisé, où ils apprennent à partir d'un grand jeu de données qui inclut à la fois des caractéristiques d'entrée (données collectées du réacteur) et des résultats désirés (lectures réelles des DPLP).

Le processus d'entraînement se concentre sur la minimisation des erreurs lors de la prédiction des valeurs des DPLP en ajustant les paramètres du modèle. Ça nécessite beaucoup de ressources de calcul, mais ça permet aux modèles de gagner en précision avec le temps.

#Résultats des Tests de Modèle

Après l'entraînement, les modèles ont été évalués sur leur capacité à prédire les lectures des DPLP.

#Résultats de SurrogateNet

SurrogateNet a montré un faible taux d'erreur moyen lors de la prédiction des lectures en temps réel, indiquant sa fiabilité et sa robustesse dans divers scénarios. Cela signifie que même quand certains détecteurs sont hors service, le modèle peut toujours fournir des estimations précises.

#Résultats de LPRMNet

LPRMNet, qui fonctionne sur des variables d'état, a également bien performé, bien que dans un contexte différent. Il a pu prédire les niveaux de puissance pour les futurs cycles de carburant, ce qui est crucial pour la planification à long terme et les évaluations de sécurité.

#Applications Pratiques

Le développement de ces modèles ouvre plusieurs applications pratiques pour les centrales nucléaires :

1. Sensing Virtuel : Ils peuvent fournir des estimations pour les DPLP qui sont défaillants ou non utilisés.
2. Calibration à la Demande : Les modèles peuvent permettre des ajustements rapides en calibration sans avoir besoin d'accès physique aux détecteurs.
3. Prédiction de Fin de Vie : Les modèles peuvent aider à déterminer quand les DPLP doivent être remplacés en fonction de leurs données de performance.
4. Réduction des Biais : Ils peuvent aider à aligner les mesures en ligne et hors ligne, garantissant que les marges de sécurité sont correctement maintenues.

#Importance des Mesures Précises

Des mesures précises sont essentielles pour maintenir la sécurité dans les réacteurs nucléaires. Elles aident à s'assurer que les réacteurs fonctionnent dans des limites sûres et qu'il y a assez de marge pour tenir compte de tout événement imprévu.

Si les mesures sont fausses, ça peut entraîner des problèmes opérationnels, comme des réductions de puissance inattendues ou des coûts accrus dû à une utilisation excessive de carburant.

#Conclusion

L'introduction de l'IA et de l'AA dans la mesure de la distribution de puissance dans les réacteurs nucléaires est un développement prometteur. Des modèles comme SurrogateNet et LPRMNet représentent des avancées significatives pour améliorer la fiabilité et l'exactitude des mesures de puissance.

Ces avancées non seulement améliorent les opérations quotidiennes, mais garantissent aussi que l'énergie nucléaire reste une source d'énergie sûre et viable pour l'avenir. À mesure que la recherche et le développement continuent, on peut s'attendre à encore plus d'améliorations dans la gestion et l'exploitation des réacteurs.