Grâce à une combinaison de technologie nucléaire et d’apprentissage automatique (Machine Learning – ML), une équipe de scientifiques du Laboratoire national d’Argonne du Département de l’énergie des États-Unis (DOE) a révélé une découverte significative pour maintenir la sécurité et l’efficacité d’un type de réacteur nucléaire de nouvelle génération, connu sous le nom de réacteur rapide refroidi au sodium (SFR).
Principaux enseignements
| Les scientifiques d’Argonne ont conçu un système d’apprentissage automatique pour surveiller en continu le système de refroidissement des SFR et détecter rapidement les anomalies. |
| L’installation METL est une installation expérimentale unique conçue pour tester en toute sécurité et avec précision les matériaux et les composants proposés pour être utilisés dans ces réacteurs. |
| L’équipe prévoit d’affiner le modèle pour distinguer entre les véritables anomalies de processus et le bruit de mesure aléatoire. |
| La combinaison de la technologie nucléaire et de l’apprentissage automatique ouvre des perspectives prometteuses pour l’avenir de l’énergie nucléaire. |
Le rôle des réacteurs rapides refroidis au sodium
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 des atomes lourds.
Bien qu’ils ne soient pas encore utilisés commercialement aux États-Unis, beaucoup pensent que ces réacteurs pourraient transformer la production d’énergie et aider à réduire les déchets nucléaires. Ils présentent par contre des défis, comme le maintien de la pureté de leur liquide de refroidissement au sodium à haute température. Cet aspect est crucial pour prévenir la corrosion et les blocages dans le système.
L’apport de l’apprentissage automatique
Pour relever ces défis, les scientifiques d’Argonne ont conçu un nouveau système ML, qui est détaillé dans un récent article de la revue Energies.
« En exploitant la puissance de l’apprentissage automatique pour surveiller en continu et détecter les anomalies, nous avançons l’état de l’art dans le contrôle de l’instrumentation », a commenté Alexander Heifetz, ingénieur nucléaire principal à Argonne et co-auteur de l’article. « Cela créera une percée dans l’efficacité et le rapport coût-efficacité des systèmes d’énergie nucléaire. »
Le fonctionnement du modèle ML
Tout d’abord, l’équipe a créé un modèle ML pour surveiller en continu le système de refroidissement. Le modèle est équipé pour analyser les données de 31 capteurs de l’installation METL (Mechanisms Engineering Test Loop) d’Argonne qui mesurent des variables telles que les températures des fluides, les pressions et les débits.
L’installation METL est une installation expérimentale unique conçue pour tester en toute sécurité et avec précision les matériaux et les composants proposés pour être utilisés dans ces réacteurs. Elle forme également les ingénieurs et les techniciens (et maintenant les modèles ML) qui pourraient aider à les exploiter et à les entretenir.
Un système complet amélioré avec ML peut faciliter une surveillance plus robuste et prévenir les anomalies qui pourraient perturber le fonctionnement d’un réacteur réel.
Détection des anomalies et améliorations futures
Deuxièmement, l’équipe a démontré la capacité du modèle à détecter rapidement et avec précision les anomalies opérationnelles. Ils ont mis cela à l’épreuve en simulant une anomalie de type perte de liquide de refroidissement, qui se caractérise par une augmentation soudaine de la température et du débit. Le modèle a détecté l’anomalie environ trois minutes après son initiation. Cette capacité a souligné son efficacité en tant que mécanisme de sécurité.
Enfin, la recherche indique des améliorations significatives pour les futurs modèles. En l’état, le modèle signale toute pointe qui dépasse un seuil prédéterminé. Cependant, cette méthode pourrait conduire à de fausses alarmes en raison de pointes incidentelles ou d’erreurs de capteur. Toutes les pointes ne sont pas des anomalies.
L’équipe prévoit d’affiner le modèle pour distinguer entre les véritables anomalies de processus et le bruit de mesure aléatoire. Cela comprend l’exigence que le signal reste au-dessus de la valeur seuil pendant une certaine période avant qu’il ne soit considéré comme une anomalie. Ils intégreront également les corrélations spatiales et temporelles entre les capteurs dans le calcul de la perte.
En synthèse
La combinaison de la technologie nucléaire et de l’apprentissage automatique ouvre des perspectives prometteuses pour l’avenir de l’énergie nucléaire. En surveillant en continu et en détectant rapidement les anomalies, nous pouvons garantir la fiabilité et la durabilité des réacteurs rapides refroidis au sodium, faisant de l’énergie nucléaire une solution encore plus prometteuse pour nos futurs besoins énergétiques.
Galerie photos
Pour une meilleure compréhension
Qu’est-ce qu’un 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 des atomes lourds.
Pourquoi les SFR ne sont-ils pas encore utilisés commercialement aux États-Unis ?
Les SFR présentent des défis, tels que le maintien de la pureté de leur liquide de refroidissement au sodium à haute température, qui est crucial pour prévenir la corrosion et les blocages dans le système.
Comment l’apprentissage automatique peut-il aider à surmonter ces défis ?
Les scientifiques d’Argonne ont conçu un nouveau système d’apprentissage automatique qui surveille en continu le système de refroidissement et détecte rapidement les anomalies, améliorant ainsi l’efficacité et la sécurité des SFR.
Qu’est-ce que l’installation METL et quel est son rôle ?
L’installation METL est une installation expérimentale unique conçue pour tester en toute sécurité et avec précision les matériaux et les composants proposés pour être utilisés dans ces réacteurs. Elle forme également les ingénieurs et les techniciens (et maintenant les modèles d’apprentissage automatique) qui pourraient aider à les exploiter et à les entretenir.
Quelles sont les améliorations pour les futurs modèles d’apprentissage automatique ?
L’équipe prévoit d’affiner le modèle pour distinguer entre les véritables anomalies de processus et le bruit de mesure aléatoire. Cela comprend l’exigence que le signal reste au-dessus de la valeur seuil pendant une certaine période avant qu’il ne soit considéré comme une anomalie. Ils intégreront également les corrélations spatiales et temporelles entre les capteurs dans le calcul de la perte.
