Les progrès de l’apprentissage automatique pour les opérations nucléaires annoncent un avenir meilleur pour l’énergie sans carbone
Dans une combinaison impressionnante de technologie nucléaire et d’apprentissage automatique (ML), une équipe de scientifiques du Laboratoire national d’Argonne du Département américain de l’énergie (DOE) a dévoilé une découverte importante sur le maintien de la sécurité et de l’efficacité dans un type de réacteur nucléaire de nouvelle génération. connu sous le nom de réacteur rapide refroidi au sodium (SFR).
Un SFR est un type de réacteur nucléaire qui utilise du sodium liquide pour refroidir son cœur et créer efficacement de l’électricité sans carbone en divisant les atomes lourds. Bien qu’ils ne soient pas encore utilisés commercialement aux États-Unis, nombreux sont ceux qui pensent que ces réacteurs pourraient révolutionner la production d’électricité et contribuer à réduire les déchets nucléaires. Cependant, ils présentent des défis, tels que le maintien de la pureté de leur liquide de refroidissement au sodium liquide à haute température. Cet aspect est crucial pour prévenir la corrosion et les blocages du système.
Pour relever ces défis, les scientifiques d’Argonne ont conçu un nouveau système ML, détaillé dans un récent Énergies article de fond de revue.
« En exploitant la puissance de l’apprentissage automatique pour surveiller et détecter en permanence les anomalies, nous faisons progresser l’état de l’art en matière de contrôle des instruments », a déclaré Alexander Heifetz, ingénieur nucléaire principal à Argonne et co-auteur de l’article. « Cela créera une percée dans l’efficacité et la rentabilité des systèmes d’énergie nucléaire. »
Tout d’abord, l’équipe a créé un modèle ML pour surveiller en permanence le système de refroidissement. Le modèle est équipé pour analyser les données de 31 capteurs de l’installation Mechanisms Engineering Test Loop (METL) d’Argonne qui mesurent des variables telles que la température, la pression et le débit des fluides. L’installation METL est une installation expérimentale unique conçue pour tester en toute sécurité et avec précision les matériaux et composants proposés pour une utilisation dans ces réacteurs.
Il forme également les ingénieurs et techniciens (et désormais les modèles ML) qui pourraient aider à les exploiter et à les entretenir. Un système complet amélioré par ML peut faciliter une surveillance plus robuste et prévenir les anomalies qui pourraient perturber le fonctionnement d’un réacteur réel.
Deuxièmement, l’équipe a démontré la capacité du modèle à détecter les anomalies opérationnelles avec rapidité et précision. Ils ont mis cela à l’épreuve en simulant une anomalie de type perte de liquide de refroidissement, marquée par une augmentation soudaine de la température et du débit. Le modèle a détecté l’anomalie environ trois minutes après son déclenchement. Cette capacité soulignait son efficacité en tant que mécanisme de sécurité.
Enfin, la recherche laisse entrevoir des améliorations significatives pour les futurs modèles. Dans l’état actuel des choses, le modèle signale tout pic dépassant un seuil prédéterminé. Cependant, cette méthode pourrait conduire à de fausses alarmes dues à des pics accidentels ou à des erreurs de capteur. Tous les pics ne constituent pas une anomalie. L’équipe prévoit d’affiner le modèle pour faire la distinction entre les véritables anomalies de processus et le bruit de mesure aléatoire. Cela implique notamment d’exiger que le signal reste au-dessus de la valeur seuil pendant une certaine période avant d’être considéré comme une anomalie. Ils intégreront également les corrélations spatiales et temporelles entre les capteurs dans le calcul des pertes.
« Bien que nous utilisions les capacités uniques de METL pour développer et tester nos algorithmes dans une installation de recherche expérimentale sur métaux liquides, il est possible de voir des applications dans des réacteurs avancés », a déclaré Heifetz. « Cela peut fournir davantage d’énergie sans carbone à l’avenir. »
Alexandra Akins, assistante de recherche à Argonne et co-auteur de l’article, est du même avis. « Nos recherches sur la détection des anomalies à l’aide de l’apprentissage automatique renforcent les promesses de l’énergie nucléaire. »
