AI技術(shù)的應(yīng)用，短短幾年內(nèi)節(jié)省了數(shù)千萬(wàn)美元，這只是從覆蓋國(guó)內(nèi)所有核電站運(yùn)營(yíng)的數(shù)千TB字節(jié)數(shù)據(jù)中發(fā)現(xiàn)隱藏寶藏的開(kāi)始。

1、用AI激勵(lì)換料設(shè)計(jì)

2017年，藍(lán)波(Blue Wave)AI實(shí)驗(yàn)室和Constellation(前身為Exelon Generation)開(kāi)始合作，應(yīng)用植根于AI的技術(shù)來(lái)解決其中一些核能問(wèn)題。

Constellation運(yùn)營(yíng)著美國(guó)最大的核電站(8個(gè)發(fā)電站有14臺(tái)BWR，4個(gè)發(fā)電站有7臺(tái)壓水堆(PWR))，因此擁有大量與這些關(guān)鍵挑戰(zhàn)相關(guān)的設(shè)計(jì)、性能和運(yùn)行數(shù)據(jù)。

特別是MCO和特征值的可預(yù)測(cè)性問(wèn)題是第一個(gè)被解決的問(wèn)題，這兩個(gè)問(wèn)題的解決方案正在被整合到Constellation的重新加載設(shè)計(jì)過(guò)程中。

核能機(jī)器學(xué)習(xí)

首先，機(jī)器學(xué)習(xí)是AI的一個(gè)分支，它可以提取復(fù)雜問(wèn)題的答案，這些問(wèn)題可能通過(guò)更傳統(tǒng)的方法難以解決。

當(dāng)大量數(shù)據(jù)可用于分析技術(shù)問(wèn)題，或分析基于物理的模型無(wú)法解決的異常復(fù)雜的非線性問(wèn)題時(shí)，AI尤其有用。

ML中有許多分支，大致可分為幾類：

監(jiān)督學(xué)習(xí);

回歸——用于預(yù)測(cè)連續(xù)變量的回歸，如給定反應(yīng)堆狀態(tài)點(diǎn)的熱極限、MCO或有效性;

分類——用于將元素分配到多個(gè)類別(例如，通過(guò)確定診斷健康狀態(tài)進(jìn)行設(shè)備監(jiān)控);

無(wú)監(jiān)督學(xué)習(xí)——用于聚類、異常檢測(cè)、降維和特征工程。

ML的基礎(chǔ)是普適逼近定理，該定理保證，如果滿足某些直接條件，人工神經(jīng)網(wǎng)絡(luò)可以以任意精度表示真函數(shù)F(x)。更重要的是存在足夠的數(shù)據(jù)分布，其分布近似于目標(biāo)系統(tǒng)的預(yù)期分布。

試驗(yàn)數(shù)據(jù)是用于推斷該函數(shù)的數(shù)據(jù)集，由許多歷史觀測(cè)數(shù)據(jù)組成。函數(shù)的輸入或原始特征是反應(yīng)堆的狀態(tài)點(diǎn)x→i給定時(shí)刻，而目標(biāo)是真函數(shù)的相應(yīng)輸出，yi=F(x→i)。

MCO測(cè)量、在線特征值或熱極限是上述三個(gè)問(wèn)題的試驗(yàn)?zāi)繕?biāo)。

從根本上說(shuō)，反應(yīng)堆狀態(tài)點(diǎn)是完整描述給定時(shí)刻堆芯狀態(tài)所需的所有信息的集合。

在實(shí)踐中，我們必須依賴通過(guò)測(cè)量、設(shè)計(jì)、設(shè)定點(diǎn)或模擬已知的有限信息。

例如，運(yùn)行參數(shù)的測(cè)量，如熱功率和堆芯流量、控制棒模式加上切口、燃料和晶格設(shè)計(jì)，以及堆芯模擬器的大量輸出，共同構(gòu)成了堆芯的近似表示。

通過(guò)足夠的觀察(x→i、yi)，控制一個(gè)過(guò)程的基本功能是可以學(xué)習(xí)的。

2、關(guān)于數(shù)據(jù)

回到剛剛的問(wèn)題，每?jī)赡甑娜剂涎h(huán)包含數(shù)百個(gè)每日反應(yīng)堆狀態(tài)點(diǎn)。

雖然每個(gè)循環(huán)可能包含數(shù)百個(gè)點(diǎn)，但在一個(gè)方面，燃料循環(huán)本身可以被視為一個(gè)正式點(diǎn)，將與該設(shè)計(jì)堆芯有關(guān)的所有信息編入規(guī)定。

因此，將來(lái)自多個(gè)燃料循環(huán)的數(shù)據(jù)匯集到試驗(yàn)集中，以了解完整的功能動(dòng)態(tài)至關(guān)重要。

對(duì)于多個(gè)反應(yīng)堆現(xiàn)場(chǎng)，如果預(yù)期基礎(chǔ)功能相似，則可能會(huì)合并來(lái)自每個(gè)機(jī)組的數(shù)據(jù)。

Constellation的大部分沸水反應(yīng)堆都有六到八個(gè)燃料循環(huán)的數(shù)據(jù)，雖然這看起來(lái)可能很多(總計(jì)數(shù)萬(wàn)個(gè)數(shù)據(jù)點(diǎn))，但ML的典型應(yīng)用，如圖像識(shí)別，需要數(shù)百萬(wàn)個(gè)訓(xùn)練樣本。

已經(jīng)采用了許多技術(shù)來(lái)增強(qiáng)數(shù)據(jù)集，包括用于維持預(yù)期分布的數(shù)據(jù)增強(qiáng)、訓(xùn)練目標(biāo)的插值，以及最大限度地利用來(lái)自多個(gè)站點(diǎn)信息的轉(zhuǎn)移學(xué)習(xí)。

這些技術(shù)使高精度模型的開(kāi)發(fā)擴(kuò)展到擁有比其他情況下所需數(shù)據(jù)更少的反應(yīng)堆成為可能。

另一個(gè)需要克服的挑戰(zhàn)是需要哪些輸入。在核能等非常專業(yè)的領(lǐng)域，這往往成為采用AI的主要障礙。

一個(gè)純粹的數(shù)據(jù)科學(xué)家可能會(huì)以“投入越多越好”的態(tài)度來(lái)處理這個(gè)問(wèn)題

但是，當(dāng)輸入的數(shù)量與試驗(yàn)示例的數(shù)量相匹配或超過(guò)時(shí)，這種觀點(diǎn)就行不通了。

在這里，輸入特征空間由來(lái)自堆芯模擬器的數(shù)萬(wàn)個(gè)束和節(jié)點(diǎn)輸出、數(shù)十萬(wàn)個(gè)逐針燃料屬性和數(shù)十個(gè)全局反應(yīng)堆變量組成。

如果不受約束，所有這些信息都可以用來(lái)訓(xùn)練一個(gè)試驗(yàn)誤差精確為零、預(yù)測(cè)能力絕對(duì)為零的模型!它的效用在哪里?

太多的變量和太多的試驗(yàn)會(huì)導(dǎo)致模型只對(duì)試驗(yàn)集有用，而不是更一般的情況。

當(dāng)這種情況發(fā)生時(shí)，模型已經(jīng)擬合了數(shù)據(jù)中的噪聲，掩蓋了潛在的功能動(dòng)態(tài)學(xué)，并且該模型被稱為過(guò)度擬合。

同樣，模型結(jié)構(gòu)的復(fù)雜性(例如神經(jīng)元的數(shù)量)也會(huì)導(dǎo)致過(guò)度擬合的可能性。

當(dāng)一個(gè)模型在新的情況下(例如，新的燃料循環(huán))繼續(xù)表現(xiàn)良好時(shí)，它被稱為“泛化”良好。

泛化意味著模型能夠很好地捕捉到控制過(guò)程的潛在動(dòng)態(tài)，并且在鎖定數(shù)據(jù)中的隨機(jī)噪聲之前停止試驗(yàn)過(guò)程。

訣竅是在(1)輸入特征空間的大小和性質(zhì)和(2)模型體系結(jié)構(gòu)、建模方法之間找到平衡，并仔細(xì)驗(yàn)證方法，以獲得最具普遍性的模型。

對(duì)于MCO來(lái)說(shuō)，答案是通過(guò)特征工程和對(duì)底層機(jī)制的物理理解，將輸入特征空間縮減為MCO關(guān)鍵驅(qū)動(dòng)因素的“規(guī)范集”。

在這樣做的過(guò)程中，輸入特征空間被縮減為幾十個(gè)關(guān)鍵變量，以捕捉MCO的動(dòng)態(tài)。

這使我們能夠開(kāi)發(fā)具有操作員可以控制的參數(shù)的模型，使模型不僅具有預(yù)測(cè)能力，而且同樣重要的是具有糾正能力。

對(duì)于特征值，成功的方法更多地依賴于模型架構(gòu)的性質(zhì)，同時(shí)保留構(gòu)成反應(yīng)堆狀態(tài)點(diǎn)的大量輸入特征集合。

通過(guò)巧妙地將每個(gè)狀態(tài)點(diǎn)轉(zhuǎn)換為通過(guò)曝光、空洞、功率等各種“過(guò)濾器”查看的反應(yīng)堆堆芯的三維圖像，我們開(kāi)發(fā)了一種卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，該架構(gòu)已被證明在圖像識(shí)別和自然語(yǔ)言處理等任務(wù)中非常有效。

3、預(yù)測(cè)能力

BWR堆芯內(nèi)束參數(shù)的可視化.

與任何創(chuàng)新一樣，結(jié)果是其價(jià)值或效用的最終仲裁者。

對(duì)于MCO，這種預(yù)測(cè)能力的一個(gè)例子在下面的圖表中進(jìn)行了說(shuō)明，其中模型預(yù)測(cè)與兩個(gè)Constellation單元的MCO測(cè)量值進(jìn)行了疊加。

在這里，模型預(yù)測(cè)是從整個(gè)周期收集的風(fēng)險(xiǎn)計(jì)算中獲得的。

自模型首次部署以來(lái)，在過(guò)去三年中，該站的平均預(yù)測(cè)誤差為±0.018% MCO。

這種特殊的性能水平現(xiàn)在僅受到MCO測(cè)量不確定度施加的分辨率的限制。采用這一技術(shù)的另外10臺(tái)BWR也獲得了類似的精確度。

圖中還顯示，與當(dāng)前實(shí)踐狀態(tài)相比，特征值模型性能表明，預(yù)測(cè)不確定性降低了四倍，平均誤差小于±0.0005。

此外，這一性能水平可在整個(gè)BWR機(jī)組中擴(kuò)展，當(dāng)新燃料類型引入堆芯時(shí)，模型結(jié)構(gòu)的最新進(jìn)展顯示出明顯的彈性恢復(fù)能力。

從重新裝載設(shè)計(jì)到周期管理的無(wú)縫集成

這些基于AI的預(yù)測(cè)算法已經(jīng)變成了基于云計(jì)算平臺(tái)MCO.ai和特征值.ai，現(xiàn)在完全集成到重新加載過(guò)程中。

核心設(shè)計(jì)的每一次迭代(有很多次迭代)都可以通過(guò)平臺(tái)運(yùn)行，以評(píng)估設(shè)計(jì)關(guān)于MCO和特征值趨勢(shì)的影響。

核心設(shè)計(jì)人員可以在他們的辦公桌上隨意規(guī)劃場(chǎng)景，并探索組合規(guī)格、重新裝載批量、裝載模式、反應(yīng)性控制策略等數(shù)百個(gè)選項(xiàng)。

這些預(yù)測(cè)模型是根據(jù)堆芯條件和堆芯模擬器輸出得出的輸入特征構(gòu)建的，所有這些特征都可以在重新加載設(shè)計(jì)過(guò)程的早期階段進(jìn)行預(yù)測(cè)。

因此，這些工具采用這些堆芯預(yù)測(cè)，并在燃料循環(huán)開(kāi)始前一年，為堆芯設(shè)計(jì)師提供MCO和特征值行為的可靠預(yù)測(cè)。

通過(guò)這種方式，可以優(yōu)化換料堆芯設(shè)計(jì)，以減少換料批量和/或濃縮，將MCO降低到規(guī)定限值以下，并確保通過(guò)更可靠的特征值預(yù)測(cè)滿足能源需求。

這些新功能不僅限于核心設(shè)計(jì)，同樣的概念也適用于周期管理戰(zhàn)略評(píng)估。

如果發(fā)生與計(jì)劃運(yùn)行策略相關(guān)的不可預(yù)見(jiàn)的變化，如燃料故障、計(jì)劃外停機(jī)或啟動(dòng)延遲，則可利用此預(yù)測(cè)套件分析替代運(yùn)行場(chǎng)景，并提供用戶友好的比較。

事實(shí)上，2019年一座BWR出現(xiàn)了燃料缺陷，需要在整個(gè)循環(huán)結(jié)束時(shí)插入功率抑制控制棒，兩個(gè)完全插入的控制棒導(dǎo)致MCO比正常情況下大規(guī)模增長(zhǎng)——MCO從0.05%發(fā)生階躍變化到0.4%，在前(該模型以較高的精度預(yù)測(cè))單元1 MCO圖中可以看到。

這就提出了一個(gè)問(wèn)題，即在達(dá)到不可接受的高M(jìn)CO水平之前，是否需要在循環(huán)中停堆以消除燃料缺陷。

利用MCO.ai，設(shè)計(jì)了一種運(yùn)行策略，以在周期結(jié)束前將MCO水平保持在程序限制以下，從而避免代價(jià)高昂的停機(jī)(超過(guò)600萬(wàn)美元)

4、優(yōu)勢(shì)發(fā)展

通過(guò)與藍(lán)波AI實(shí)驗(yàn)室的合作，Constellation在其BWR的兩個(gè)長(zhǎng)期待解決問(wèn)題上取得了突破性進(jìn)展，實(shí)現(xiàn)了操作的可預(yù)測(cè)性。

將ML與堆芯設(shè)計(jì)和循環(huán)管理流程結(jié)合使用，可降低燃料成本，降低電廠劑量率，保護(hù)電廠資產(chǎn)，避免發(fā)電收入損失，并減少返工，從而為業(yè)務(wù)帶來(lái)回報(bào)。

藍(lán)波AI實(shí)驗(yàn)室和Constellation正憑借這些進(jìn)步引領(lǐng)行業(yè)，并正在尋求其他應(yīng)用，以改善核電運(yùn)行和經(jīng)濟(jì)性，短短幾年內(nèi)節(jié)省了數(shù)千萬(wàn)美元，這只是從覆蓋國(guó)內(nèi)所有核電站運(yùn)營(yíng)的數(shù)千TB字節(jié)數(shù)據(jù)中發(fā)現(xiàn)隱藏寶藏的開(kāi)始。

藍(lán)波和Constellation正致力于將這些技術(shù)應(yīng)用于許多領(lǐng)域，解決其他高價(jià)值問(wèn)題，其中包括更精確的熱極限計(jì)算、虛擬校準(zhǔn)和測(cè)量，以及電廠部件的剩余壽命，以實(shí)現(xiàn)基于真實(shí)狀態(tài)的維護(hù)策略。

最后，這些見(jiàn)解中的大部分，如對(duì)傳感器類型和數(shù)量問(wèn)題的方案，將應(yīng)用于下一代電廠設(shè)計(jì)。核工業(yè)即將成為無(wú)碳能源的天然支柱，AI將加速這一提升，并在一個(gè)新的水平上提供更大的發(fā)展優(yōu)勢(shì)，我相信這也僅僅只是個(gè)開(kāi)始。

免責(zé)聲明：本網(wǎng)轉(zhuǎn)載自合作媒體、機(jī)構(gòu)或其他網(wǎng)站的信息，登載此文出于傳遞更多信息之目的，并不意味著贊同其觀點(diǎn)或證實(shí)其內(nèi)容的真實(shí)性。本網(wǎng)所有信息僅供參考，不做交易和服務(wù)的根據(jù)。本網(wǎng)內(nèi)容如有侵權(quán)或其它問(wèn)題請(qǐng)及時(shí)告之，本網(wǎng)將及時(shí)修改或刪除。凡以任何方式登錄本網(wǎng)站或直接、間接使用本網(wǎng)站資料者，視為自愿接受本網(wǎng)站聲明的約束。