Qu’il s’agisse de votre véhicule ou de votre maison, de petites ou de grandes utilisations, le débat sur les combustibles les plus efficaces et les plus rentables se poursuit. À l’heure actuelle, les options ne manquent pas non plus.
L’énergie nucléaire constitue une alternative aux options énergétiques plus conventionnelles, mais elle nécessite une surveillance rigoureuse des systèmes et des procédures de sécurité. L’apprentissage automatique pourrait faciliter la surveillance des éléments clés des systèmes nucléaires et accélérer le temps de réponse aux problèmes.
Syed Bahauddin Alam, professeur adjoint au département d’ingénierie nucléaire, plasmique et radiologique (NPRE) du Grainger College of Engineering de l’université de l’Illinois Urbana-Champaign, et son équipe ont collaboré avec des experts en intelligence artificielle et en apprentissage automatique par l’intermédiaire d’Illinois Computes pour mettre au point une nouvelle méthode de surveillance en temps réel des systèmes d’énergie nucléaire qui peut déduire des prédictions environ 1 400 fois plus rapidement que les simulations traditionnelles de dynamique des fluides numérique (CFD). Les assistants de recherche du NCSA et les étudiants diplômés du NPRE Kazuma Kobayashi et Farid Ahmed ont contribué à ce développement.
La recherche d’Alam présente des capteurs virtuels pilotés par apprentissage automatique et basés sur des modèles de substitution d’opérateur à apprentissage profond, en complément des capteurs physiques pour le suivi des indicateurs de dégradation critiques. Les capteurs physiques traditionnels se heurtent à des limites, en particulier lorsqu’il s’agit de mesurer des paramètres critiques dans des environnements difficiles d’accès ou difficiles, ce qui se traduit souvent par une couverture incomplète des données. En outre, les méthodes de modélisation numérique traditionnelles basées sur la physique, telles que la CFD, sont encore trop lentes pour fournir des prévisions en temps réel dans les centrales nucléaires.
Au lieu de cela, les nouveaux réseaux neuronaux opérateurs profonds (DeepONet), lorsqu’ils sont correctement entraînés sur des unités de traitement graphique (GPU), peuvent prédire instantanément et avec précision des solutions multiphysiques complètes sur l’ensemble du domaine. DeepONet fonctionne comme des capteurs virtuels en temps réel et s’attaque aux limites des capteurs physiques ou des prédictions de modélisation classiques, notamment en prédisant les principaux paramètres thermohydrauliques dans la jambe chaude d’un réacteur à eau pressurisée.
Les composants étant continuellement soumis à des températures, des pressions et des radiations extrêmes, une surveillance et une inspection appropriées des éléments en service des réacteurs nucléaires sont essentielles pour assurer la sécurité et l’efficacité à long terme. L’IA ne remplace pas la surveillance humaine, mais crée de nouveaux moyens de contrôler et de prévoir les défaillances potentielles des éléments du système.
« Notre recherche introduit une nouvelle façon de garantir la sécurité des systèmes nucléaires en utilisant des techniques avancées d’apprentissage automatique pour surveiller les conditions critiques en temps réel », a dit M. Alam. « Traditionnellement, il est extrêmement difficile de mesurer certains paramètres à l’intérieur des réacteurs nucléaires parce qu’ils se trouvent souvent dans des environnements difficiles d’accès ou extrêmement difficiles. Notre approche s’appuie sur des capteurs virtuels alimentés par des algorithmes pour prédire les conditions thermiques et d’écoulement cruciales sans avoir besoin de capteurs physiques partout. »
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
« C’est comme si nous disposions d’une carte virtuelle du fonctionnement du réacteur, qui nous donne un retour d’information constant sans que nous ayons à placer des instruments physiques dans des endroits à risque. Cela permet non seulement d’accélérer le processus de surveillance, mais aussi de le rendre nettement plus précis et fiable. Nous pouvons ainsi détecter les problèmes potentiels avant qu’ils ne s’aggravent, ce qui améliore à la fois la sécurité et l’efficacité ».
Grâce au programme Illinois Computes financé par le campus, Alam a utilisé des allocations sur le Delta du NCSA, effectuant des calculs pour la génération de données sur des nœuds de processeurs centraux (CPU), et pour les tâches de formation et d’évaluation sur un nœud de calcul avec des GPU NVIDIA A100. Il a collaboré avec les experts du NCSA en informatique scientifique pilotée par l’IA et en informatique à haute performance.
« Un grand merci à Illinois Computes pour le financement de cette recherche. Le partenariat avec les docteurs Diab Abueidda et Seid Koric du NCSA a été essentiel à notre réussite. Dans le cadre du programme financé par le campus, nous avons exploité les ressources de supercalcul de pointe de Delta, notamment un nœud de calcul équipé de GPU NVIDIA A100, pour entraîner et tester nos modèles de manière efficace. Le personnel technique du NCSA nous a apporté un soutien inestimable tout au long du processus, démontrant ainsi l’impact considérable de la combinaison de l’IA et du calcul à haute performance pour faire progresser la sûreté nucléaire. Nous continuerons à travailler pour libérer la puissance de l’IA dans les systèmes énergétiques complexes, en repoussant les limites de ce qui est possible pour améliorer la sécurité, l’efficacité et la fiabilité. » a précisé Syed Bahauddin Alam, professeur adjoint au département d’ingénierie nucléaire, plasmatique et radiologique
« Dans ce projet Illinois Computes, nous avons pleinement utilisé les ressources uniques de calcul à haute performance et l’expertise multidisciplinaire du NCSA et du Grainger College of Engineering pour faire progresser la recherche en ingénierie translationnelle et transformative dans l’Illinois », a ajouté Seid Koric, directeur technique associé principal pour le conseil en recherche au NCSA et professeur de recherche au département des sciences et de l’ingénierie mécaniques.
« Cette collaboration illustre la synergie qui émerge lorsque des méthodes d’IA avancées, des ressources informatiques de haute performance et une expertise dans un domaine convergent », a commenté M. Abueidda, chercheur au NCSA. « En travaillant avec l’équipe du Dr Alam et les experts en IA et en HPC du NCSA, nous avons exploité les capacités de pointe du Delta, financé par la National Science Foundation des États-Unis, pour repousser les limites de la surveillance en temps réel et de l’analyse prédictive dans les systèmes nucléaires. En unissant nos compétences spécialisées, nous avons accéléré la recherche tout en améliorant la précision et la fiabilité des mesures de sécurité essentielles. »
« Nous sommes impatients de poursuivre cette approche interdisciplinaire afin de trouver des solutions transformatrices pour les systèmes énergétiques complexes. En fin de compte, ces percées mettent en évidence la promesse de la science informatique pour relever les défis pressants de l’énergie nucléaire. »
Article : « Virtual sensing-enabled digital twin framework for real-time monitoring of nuclear systems leveraging deep neural operators » – DOI : 10.1038/s41529-025-00557-y
