Using Deep Learning for Nuclear Reactor Fault Diagnosis - Atena EditoraAtena Editora

Artigo

Baixe agora

Livros

Using Deep Learning for Nuclear Reactor Fault Diagnosis

Baixar PDF
Acidentes de perda de refrigerante (LOCA, na sigla em inglês) estão entre os acidentes de projeto mais importantes em reatores de água leve e têm sido o foco da pesquisa em segurança nuclear. Previsões precisas de acidentes de perda de refrigerante (LOCA) são cruciais para a operação contínua, segura e eficiente. Prever LOCA é um grande desafio devido à dinâmica e às relações complexas envolvidas. Métodos preditivos baseados em dados oferecem uma promessa considerável para aprimorar o gerenciamento de acidentes e o suporte ao operador em usinas nucleares. Modelos baseados em aprendizado de máquina (ML, na sigla em inglês) podem detectar sinais precoces de acidentes e estabelecer condições iniciais que permitem melhores respostas e reduzem a intervenção manual. Atualmente, diversos modelos preditivos são imprecisos, dificultando a tomada de decisões eficazes e a prevenção de acidentes graves. Dentre as soluções adotadas, a exploração de vários métodos de ML pode viabilizar um diagnóstico de falhas robusto e em tempo real. Modelos baseados em ML podem detectar os primeiros sinais de acidentes e estabelecer condições iniciais que permitem melhores respostas e reduzem a necessidade de intervenção manual. Em cenários de LOCA (acidente com perda de refrigerante), o revestimento do combustível sofre uma série de processos físicos, incluindo fluência em alta temperatura e oxidação. Sob condições transientes, uma quantidade significativa de produtos de fissão radioativos é liberada. O revestimento sofre deformação plástica e, em alguns casos, ruptura. Portanto, a análise e simulação precisas da deformação do revestimento, seguidas pela deformação plástica e deslocamento do combustível, são essenciais para a avaliação da segurança do reator. Baseado no conjunto de dados produzido no experimento IFA-650-10 de Halden.  
Ler mais

Using Deep Learning for Nuclear Reactor Fault Diagnosis

  • DOI: https://doi.org/10.22533/at.ed.1317672622065

  • Palavras-chave: LOCA, IFA-650-10, CNN, GRU, LSTM.

  • Keywords: LOCA, IFA-650-10, CNN, GRU, LSTM.

  • Abstract: Loss-of-Coolant Accidents (LOCA) are among the most important design-basis accidents in light-water reactors and have been the focus of nuclear safety research. Accurate predictions of loss-of-coolant accidents (LOCAs) are critical to continued safe and efficient operation. Predicting LOCA is very challenging due to the dynamics and intricate relations involved. Data-driven predictive methods offer considerable promise for improving accident management and operator support in Nuclear Power Plants (NPPs). Machine Learning (ML)- based models can detect early signs of accidents and set initial conditions that enable better responses and reduce manual intervention. Currently, several predictive models are inaccurate, hindering effective decision-making and the prevention of severe accidents. Among the solutions adopted, exploring various ML methods can enable robust, real-time fault diagnosis. ML-based models can detect the earliest signs of accidents and establish initial conditions that enable better responses and reduce the need for manual intervention. In LOCA scenarios, the fuel cladding suffers a series of physical processes, including high-temperature creep and oxidation. Under transients, a significant amount of radioactive fission products is released. Cladding leads to ballooning and, in some cases, rupture. Therefore, accurate analysis and simulation of cladding deformation, followed by ballooning and fuel relocation, are significant for reactor safety assessment. Based on the dataset produced in the IFA-650-10 from the Halden experiment.  

  • Daniel de Souza Gomes
Fale conosco Whatsapp