I progressi dell'IA misurano la potenza nei reattori nucleari

Misurare la distribuzione della potenza nei reattori nucleari è fondamentale per operazioni sicure ed efficienti. Questo significa capire quanta energia viene prodotta in diverse parti del nocciolo del reattore. Una misurazione precisa è importante per gestire il combustibile e garantire che gli standard di sicurezza siano rispettati. I progressi nella tecnologia, soprattutto nell'intelligenza artificiale (AI) e nell'apprendimento automatico (ML), offrono nuovi modi per migliorare queste misurazioni.

#Tecniche di Misurazione Attuali

Negli reattori ad acqua bollente (BWR), si usano monitor locali della potenza (LPRM) per misurare i livelli di potenza all'interno del reattore. Questi rilevatori sono posizionati in punti fissi per controllare l'attività neutronica locale, il che aiuta a dedurre quanta potenza viene prodotta in diversi punti.

I calcoli di potenza vengono fatti sia online che offline. Quando si pianificano e progettano i noccioli dei reattori, un simulatore al computer stima diversi parametri, come il flusso di potenza. Durante l'operazione, gli LPRM forniscono dati in tempo reale per aiutare a calcolare come la potenza è distribuita nel nocciolo.

#Sfide nella Misurazione della Potenza

Ci sono diverse sfide che gli operatori dei reattori devono affrontare quando misurano la distribuzione della potenza. Alcuni di questi problemi includono:

1. Rilevatori Saltati: Quando un LPRM non funziona correttamente, può ostacolare la visibilità dei livelli di potenza.
2. Problemi di Calibrazione: I rilevatori devono essere calibrati regolarmente, ma questo può succedere troppo raramente o in modo errato.
3. Durata dei Rilevatori: Gli LPRM hanno una vita limitata e sapere quando sostituirli è essenziale.
4. Errori di Adattamento della Potenza: Se le letture di potenza sono errate, può portare a calcoli sbagliati dei margini di sicurezza.

Questi problemi possono aumentare i costi operativi o portare a progetti non sicuri. C'è bisogno di sistemi migliori che possano fornire dati precisi in tempo reale.

#Ruolo di AI e ML

AI e ML possono aiutare a risolvere queste sfide migliorando l'accuratezza delle misurazioni e riducendo i costi. Utilizzando dati storici raccolti da vari sistemi del reattore, queste tecnologie possono fare senso di schemi complessi e offrire intuizioni.

L'AI può assistere in molti aspetti della gestione del reattore, come prevedere quanti tempo dureranno i componenti o diagnosticare problemi potenziali in anticipo. L'obiettivo è migliorare l'efficienza delle centrali nucleari e consentire una migliore pianificazione dei cicli di combustibile.

#Sviluppo di Nuovi Modelli

Sono stati creati nuovi modelli, noti come SurrogateNet e LPRMNet, per migliorare l'accuratezza delle misurazioni di potenza sia online che offline.

• SurrogateNet usa dati da LPRM vicini per prevedere il valore di qualsiasi dato LPRM. Questo consente letture in tempo reale anche se alcuni rilevatori sono fuori servizio.
• LPRMNet combina dati di stato dei reattori per prevedere i valori degli LPRM, utile per pianificazioni e valutazioni future.

#SurrogateNet Spiegato

SurrogateNet raccoglie dati da più LPRM, sfrutta la simmetria nel nocciolo del reattore e prevede i valori degli LPRM in tempo reale. Valutando le letture dei rilevatori funzionanti, può riempire i vuoti nei dati a causa di unità malfunzionanti.

#LPRMNet Spiegato

LPRMNet si basa su un tipo di AI noto come rete neurale convoluzionale (CNN). Elabora i dati di stato del reattore per prevedere le letture LPRM. Il modello combina dati da varie fonti e può fare previsioni sulla distribuzione futura di potenza basandosi su letture precedenti e condizioni del nocciolo.

#Raccolta e Utilizzo Dati

Le centrali nucleari raccolgono un sacco di dati nel tempo. Queste informazioni storiche includono le letture degli LPRM e vari parametri che descrivono come il reattore sta operando.

Quando si sviluppavano questi modelli, i dati sono stati puliti per garantire l'accuratezza. Letture non valide o anomale sono state rimosse prima che i dati venissero utilizzati per le previsioni.

#Addestramento dei Modelli

Entrambi i modelli sono stati addestrati usando un metodo chiamato apprendimento supervisionato, dove imparano da un ampio set di dati che include sia le caratteristiche di input (dati raccolti dal reattore) che gli output desiderati (letture effettive degli LPRM).

Il processo di addestramento si concentra sulla minimizzazione degli errori nella previsione dei valori LPRM, regolando i parametri del modello. Questo comporta l'uso di un notevole quantitativo di risorse computazionali ma consente ai modelli di guadagnare accuratezza nel tempo.

#Risultati del Test dei Modelli

Dopo l'addestramento, i modelli sono stati valutati su quanto bene prevedevano le letture LPRM.

#Risultati di SurrogateNet

SurrogateNet ha mostrato un basso tasso medio di errore nella previsione delle letture in tempo reale, indicando la sua affidabilità e robustezza in vari scenari. Questo significa che anche quando alcuni rilevatori sono fuori servizio, il modello può comunque fornire stime accurate.

#Risultati di LPRMNet

LPRMNet, che opera su variabili di stato, ha fatto bene anche in un contesto diverso. È stato in grado di prevedere i livelli di potenza per futuri cicli di combustibile, che è cruciale per la pianificazione a lungo termine e le valutazioni di sicurezza.

#Applicazioni Pratiche

Lo sviluppo di questi modelli apre diverse applicazioni pratiche per le centrali nucleari:

1. Sensori Virtuali: Possono fornire stime per LPRM che sono malfunzionanti o non utilizzati.
2. Calibrazione su Richiesta: I modelli possono consentire rapide regolazioni nella calibrazione senza necessità di accesso fisico ai rilevatori.
3. Previsione della Fine Vita: I modelli possono aiutare a determinare quando gli LPRM devono essere sostituiti basandosi sui loro dati di performance.
4. Riduzione dei Bias: Possono aiutare ad allineare misurazioni online e offline, garantendo che i margini di sicurezza siano mantenuti correttamente.

#Importanza delle Misurazioni Accurate

Misurazioni accurate sono essenziali per mantenere la sicurezza all'interno dei reattori nucleari. Aiutano a garantire che i reattori operino nei limiti di sicurezza e che ci sia abbastanza margine per tenere conto di eventuali eventi imprevisti.

Se le misurazioni sono errate, può portare a problemi operativi, come riduzioni di potenza inaspettate o costi aumentati a causa di un uso eccessivo del combustibile.

#Conclusione

L'introduzione di AI e ML nella misurazione della distribuzione della potenza nei reattori nucleari è uno sviluppo promettente. Modelli come SurrogateNet e LPRMNet rappresentano passi significativi avanti nel migliorare l'affidabilità e l'accuratezza delle misurazioni di potenza.

Questi progressi non solo migliorano le operazioni quotidiane, ma assicurano anche che l'energia nucleare rimanga una fonte di energia sicura e praticabile per il futuro. Con il proseguire della ricerca e dello sviluppo, possiamo aspettarci ulteriori miglioramenti nella gestione e operazione dei reattori.