SSM perspektiv
Bakgrund
Idén om att tillämpa beräkningsintelligens inom kärnkraftsindustrin för olika tillämpningar är inte ny, med tillämpningsexempel från tidigare 1990- och 2000-tal. Med utvecklingen och populariteten av artifciell intelligens (AI) börjar många forskare överväga att tillämpa AI-teknik i kärnkraftverk inom olika områden i ett tidigt skede. AI-teknik skulle potentiellt kunna upptäcka utrustningsfel på ett bättre sätt (genom feldiagnos), minska stress genom att hjälpa operatörer under onormala förhållanden. AI-teknik är särskilt viktig för nästa generations reaktorkonstruktioner, men de festa tidigare tillämpningar har endast skräddarsytts för specifka detaljerade scenarier.
Det är av intresse för SSM att finansiera forskning om AI och maskininlärning för att stödja vidareutveckling och användning av AI- och ML applikationer i industrin. Det är också viktigt för SSM att lära sig mer om dessa avancerade tekniker till stöd för SSM:s tillsyns- och godkännandeprocesser där AI och ML sannolikt kommer att vara en del av både utformningen och driften av olika kärntekniska anläggningar.
Resultat
Studien bygger främst på en litteraturstudie och deltagande i en konferens om AI. Litteraturgenomgången innehåller exempel och fallstudier av ML-tillämpningar inom olika områden inom kärnkraftsindustrin, såsom säkerhets- och riskanalys, anläggningsdrift och underhåll. Den belyser potentialen hos ML för att förbättra kärnsäkerheten proaktivt. Det understryker också det internationella samfundets stora intresse för att anta och/eller ytterligare etablera nya metoder för att förbättra säkerheten. Men den identiferar också utmaningar som dataproblem och den ”svarta lådan” karaktären hos vissa metoder som måste lösas för att uppnå allmän acceptans för dessa avancerade metoder för kärnsäkerhet.
Det pågående forsknings- och implementeringsarbetet belyser den
omvälvande inverkan som dessa tekniker kan ha eller redan har på olika aspekter av kärnkraftverkens drift, inklusive tillämpningsområden som prediktivt underhåll och säkerhetsanalys.
En slutsats från litteraturstudien är att det kanske fnns ett behov av en mer
harmoniserad klassifcering/kategorisering av tillämpningar. Ännu viktigare
är att bristen på vägledning om vilken algoritm eller metod som ska användas, dataöverväganden och tillgänglighet, beroende på applikationen, är uppenbar och detta kan vara en utmaning i det framtida antagandet eller övergången till ML-metoder eller för att etablera dem ytterligare.
Relevans
Projektet ger en utökad bild av den nuvarande användningen av AI och ML
inom kärnkraftsbranschen. Det fnns också många AI/ML FOU-projekt inklusive benchmarkingaktiviteter som beskrivs i litteraturen. SSM är medvetet om den snabba utvecklingen inom detta område och kommer i enlighet med rekommendationerna i rapporten att fortsätta att följa utvecklingen inom AI och ML. Genom att hålla sig informerad om de senaste forskningsframstegen och tillämpningarna kan organisationer inte bara förbli konkurrenskraftiga utan också identifera och anta innovativa lösningar som stärker säkerheten och minskar risken. Projektet understryker att SSM:s hittills små steg när det gäller användning av AI, i branschen, men även för interna ändamål till stöd för förbättrad ändamålsenlighet och ändamålsenlighet, behöver stärkas.
Behov av ytterligare forskning
Inga specifka ytterligare åtgärder bedöms vara nödvändiga på kort sikt, men SSM behöver följa utvecklingen och sprida kunskap om AI/ML i organisationen inklusive avdelningarna/sektionerna för tillsyn och licensiering av kärntekniska anläggningar.