A Methodology for Thermal Limit Bias Predictability Through Artificial Intelligence

Diese Arbeit stellt eine auf künstlicher Intelligenz basierende Methode vor, die mithilfe eines vollkonvolutionalen Encoder-Decoder-Modells die Vorhersagbarkeit von thermischen Limit-Bias in Siedewasserreaktoren verbessert, die Abweichungen zwischen Offline- und Online-Messwerten signifikant reduziert und dadurch die Wirtschaftlichkeit sowie die operative Planung von Kernkraftwerken optimiert.

Das Wesentliche

Das Problem: Der „Zwischen-Schätzer" und die echte Realität

Stell dir vor, ein Atomkraftwerk ist wie ein riesiger, hochkomplexer Kochtopf, in dem Wasser durch extreme Hitze in Dampf verwandelt wird, um Strom zu erzeugen. Damit dieser Topf nicht platzt oder der Brennstoff schmilzt, gibt es strenge Sicherheitsgrenzen. Man nennt sie thermische Grenzen.

Das Problem, das die Forscher beschrieben haben, ist wie folgt:

1. Der Plan (Offline): Bevor der Kraftwerksbetreiber den Brennstoff in den Reaktor füllt, rechnet er am Computer alles durch. Er sagt: „Wenn wir diesen Brennstoff verwenden, bleibt alles sicher." Das ist wie ein Koch, der ein Rezept auf dem Papier durchrechnet und sagt: „Das wird perfekt schmecken."
2. Die Realität (Online): Sobald der Reaktor läuft, messen Sensoren im Inneren genau, was passiert. Oft stellt sich heraus, dass die Realität anders ist als der Plan. Die Sensoren sagen: „Achtung, hier ist es heißer als gedacht!" oder „Die Grenzen sind enger als geplant."
3. Die Lücke (Bias): Zwischen dem Computer-Plan und der echten Messung klafft eine Lücke. Die Forscher nennen das „Thermal Limit Bias".

Warum ist das ein Problem?
Stell dir vor, du planst eine Reise mit dem Auto. Dein Navi sagt dir, du hast genug Benzin für 500 km. Aber du weißt aus Erfahrung, dass dein Navi manchmal zu optimistisch ist. Um auf der sicheren Seite zu sein, füllst du den Tank immer bis zum Rand voll, auch wenn du eigentlich nur 400 km fahren musst.

• Die Folge: Du verschwendest Geld und Platz im Tank (im Kraftwerk: teurerer Brennstoff, weniger Strom pro Ladung).
• Das Risiko: Wenn das Navi aber mal zu pessimistisch ist und du füllst nicht genug nach, könntest du in der Mitte der Strecke liegen bleiben (im Kraftwerk: ungeplante Abschaltungen oder teure Reparaturen).

Bisher mussten die Kraftwerke sehr vorsichtig sein und einen riesigen Sicherheitspuffer einplanen. Das war ineffizient und teuer. Niemand konnte genau vorhersagen, wie groß diese Lücke zwischen Plan und Realität sein würde.

---

Die Lösung: Der „Kluge Übersetzer" (Künstliche Intelligenz)

Die Forscher von Blue Wave AI Labs und der Purdue University haben eine künstliche Intelligenz (KI) entwickelt, die dieses Problem löst.

Wie funktioniert die KI?
Stell dir die KI als einen sehr erfahrenen Übersetzer vor.

• Input: Sie nimmt den ursprünglichen Computer-Plan (die „Offline"-Daten) und schaut sich an, was der Reaktor eigentlich tut (die historischen „Online"-Daten).
• Der Trick: Die KI hat gelernt, die „Sprache" des Plans in die „Sprache" der Realität zu übersetzen. Sie erkennt Muster, die für Menschen unsichtbar sind. Sie sagt im Grunde: „Der Plan sagt X, aber basierend auf der Erfahrung der letzten 11 Jahre wissen wir, dass die Realität Y sein wird."
• Output: Sie gibt einen korrigierten Plan aus, der der Realität viel näher kommt.

Die Architektur (Das Gehirn der KI):
Die Forscher haben ein spezielles neuronales Netzwerk gebaut, das wie ein Fotograf mit einem Spiegel funktioniert:

1. Der Encoder (Der Fotograf): Er nimmt das Bild (die Daten) und komprimiert es, um die wichtigsten Details zu erkennen. Er merkt sich, wo die hellsten und dunkelsten Stellen waren (wie ein Fotograf, der sich die Position des Lichts merkt).
2. Der Decoder (Der Spiegel): Er nimmt diese komprimierten Informationen und baut das Bild wieder auf, aber dieses Mal korrigiert er die Fehler. Er nutzt die Erinnerung an die Lichtpositionen, um das Bild scharf und richtig zu stellen.

---

Das Ergebnis: Weniger Verschwendung, mehr Sicherheit

Die Forscher haben ihre KI an fünf verschiedenen Kraftwerks-Zyklen getestet. Das Ergebnis war beeindruckend:

• Die Lücke schließt sich: Die KI konnte die Vorhersagefehler um 72 % reduzieren. Das ist, als würde man von einem ungenauen Schätzer, der immer 100 km daneben liegt, zu einem Navigator wechseln, der nur noch 28 km daneben liegt.
• Weniger Risiko, mehr Gewinn: Da die Vorhersagen jetzt viel genauer sind, müssen die Kraftwerke nicht mehr so riesige Sicherheitspuffer einplanen.
  • Sie können den Brennstoff effizienter nutzen (mehr Strom pro Ladung).
  • Sie sparen Geld.
  • Sie haben weniger Angst vor ungeplanten Abschaltungen.

Fazit in einem Satz:
Die KI hat gelernt, die Lücke zwischen dem theoretischen Plan und der chaotischen Realität eines Atomkraftwerks zu schließen, sodass die Betreiber sicherer und günstiger Strom produzieren können.

Die Forscher planen nun, diese Methode auch auf andere Sicherheitsgrenzen auszuweiten und sie in echten Kraftwerken einzusetzen, um die Energieversorgung der Zukunft effizienter zu machen.

Technische Zusammenfassung

Titel: Eine Methodik zur Vorhersagbarkeit von thermischen Grenzwert-Verzerrungen durch künstliche Intelligenz

Autoren: Anirudh Tunga, M. J. Mueterthies und J. Nistor (Blue Wave AI Labs & Purdue University)

---

1. Problemstellung

In Kernkraftwerken (KKW) werden thermische Grenzwerte festgelegt, um die Integrität der Brennstabhüllen (Fuel Cladding) unter normalen und transienten Bedingungen zu gewährleisten. Für Siedewasserreaktoren (BWR) sind dies insbesondere:

• Der Linear Heat Generation Rate (LHGR)-Limit.
• Der Critical Power Ratio (CPR)-Limit.
• Der Average Planar Linear Heat Generation Rate (APLHGR)-Limit.

Die Überwachung dieser Werte erfolgt durch Kernüberwachungssysteme in zwei Modi:

• Offline: Basierend auf Kernsimulatoren ohne Zugriff auf In-Core-Instrumentierung (wird für das Design und die Planung verwendet).
• Online: Nutzt Neutronenflussmessungen im Reaktor für eine adaptive, genauere Berechnung der aktuellen Betriebsbedingungen.

Das Kernproblem: Es besteht eine signifikante und inkonsistente Abweichung (Bias) zwischen den offline berechneten und den online gemessenen thermischen Grenzwerten. Diese "Thermal Limit Bias" ist nicht konstant, variiert über den Brennstoffzyklus hinweg und ist von Zyklus zu Zyklus unvorhersehbar.
Folgen: Um diese Unsicherheit zu kompensieren, müssen KKW-Betreiber große Sicherheitsmargen einplanen. Dies führt zu:

• Verlust der Brennstoffzyklus-Effizienz.
• Erhöhten Brennstoffkosten (durch größere Nachlademengen oder höhere Anreicherung).
• Ungeplanten Betriebszuständen (z. B. Nutzung flacher Steuerstäbe, Leistungsreduzierungen).

Bisher gibt es keine Methode, um diesen Bias im Designstadium genau vorherzusagen.

---

2. Methodik

Datensatz:
Die Studie nutzt Daten von einem kommerziell betriebenen BWR-4 (Mark I-Einschluss). Der Datensatz umfasst 11 Brennstoffzyklen mit folgenden Parametern:

• Online und Offline Nodal MFLPD (Maximum Fraction of Limiting Power Density).
• Offline Nodal Power (NP).
• Zielvariable: Der Online-MFLPD-Wert (als Ground Truth).

Modellarchitektur:
Es wird ein vollständig convolutionales Encoder-Decoder-Neurales Netzwerk (FCN) vorgeschlagen, das auf der SegNet-Architektur basiert. Die Architektur besteht aus drei Hauptkomponenten:

1. Feature-Fusion-Netzwerk: Zwei separate Blöcke aus Faltungsschichten extrahieren Merkmale aus den Eingabedaten ($MFLPD_{offline}$ und $NP_{offline}$). Diese Feature-Maps werden konkateniert.
2. Encoder: Bestehend aus 3 Stufen und insgesamt 7 Faltungsschichten. Jede Stufe wendet Faltungen, Batch-Normalisierung und ReLU-Aktivierung an. Max-Pooling reduziert die räumlichen Dimensionen um den Faktor 2. Die Positionen der Maximalwerte werden gespeichert (für die Rekonstruktion).
3. Decoder: Hat ebenfalls 3 Stufen und korrespondierende 7 Schichten. Er nutzt die gespeicherten Maximalwert-Positionen des Encoders, um die Feature-Maps durch "Upsampling" wiederherzustellen. Die resultierenden dichten Feature-Maps werden normalisiert und durch eine letzte Faltungsschicht (ohne Normalisierung/Activation) geleitet, um das korrigierte $MFLPD_{predicted}$ auszugeben.

Training:

• Framework: PyTorch.
• Optimierer: AdamW mit Weight Decay (0.01).
• Lernrate: 1-Cycle-Learning-Rate-Policy (max_lr = 0.005).
• Loss-Funktion: Mittlerer quadratischer Fehler (MSE), angewendet auf einen binären Reaktormasken, um nur gültige Elemente des oktogonalen Kerns zu berücksichtigen.
• Input-Selektion: Ablationsstudien zeigten, dass die Kombination aus $MFLPD_{offline}$ und $NP_{offline}$ die besten Ergebnisse liefert.

---

3. Wichtige Beiträge

1. KI-gestützte Bias-Korrektur: Entwicklung eines Deep-Learning-Modells, das Offline-Parameter nimmt und diese so korrigiert, dass sie den Online-Grenzwerten (dem tatsächlichen Betriebszustand) sehr nahekommen.
2. Architektur-Design: Anwendung einer voll convolutionalen Encoder-Decoder-Architektur, die räumliche Beziehungen im Reaktorkern effektiv lernt und von niedrig aufgelösten Feature-Karten profitiert.
3. Robuste Evaluierung: Das Modell wurde nicht nur auf zufällig aufgeteilten Trainings-/Testdaten getestet, sondern auf fünf unabhängigen, jüngsten Brennstoffzyklen, die als Testzyklen dienten. Dies simuliert den Einsatz in der Praxis für zukünftige Zyklen.
4. Kommerzielle Anwendung: Eine Variante des Modells wurde bereits kommerziell für das Management zukünftiger Brennstoffzyklen in einem BWR eingesetzt.

---

4. Ergebnisse

Die Leistung wurde anhand dreier Metriken bewertet, die den Abstand zwischen den vorhergesagten Werten und den tatsächlichen Online-Werten messen:

1. Mittlerer quadratischer Fehler (MSE) der Knotenarrays:

   • Das Modell reduziert den Fehler zwischen den Offline-Arrays und den Online-Arrays im Durchschnitt um 74 %.

2. Mittlere absolute Differenz der Grenzwerte (Mean Absolute Difference):

   • Dies ist die wichtigste Metrik für den Betrieb. Das Modell reduziert die Abweichung zwischen den Offline-Grenzwerten und den Online-Grenzwerten im Durchschnitt um 72 %.
   • Die Korrektur ist über den gesamten Brennstoffzyklus hinweg konsistent.

3. Maximale absolute Differenz (Max Bias):

   • Diese Metrik erfasst den schlechtesten Fall im Zyklus. Das Modell reduziert diese maximale Abweichung im Durchschnitt um 52 %.

Tabelle I (Zusammenfassung): In allen fünf getesteten Zyklen (Cycle A bis E) übertraf das Modell die reinen Offline-Methoden deutlich in allen drei Metriken. Beispielsweise sank der MSE für Cycle A von 4,18 (Offline) auf 1,65 (Modell).

---

5. Bedeutung und Ausblick

Bedeutung:
Die Fähigkeit, den thermischen Limit-Bias im Designstadium genau vorherzusagen, ermöglicht es Kernkraftwerken, die Sicherheitsmargen zu verringern, ohne die administrativen Grenzwerte zu verletzen. Dies führt zu:

• Optimierter Wirtschaftlichkeit: Geringere Brennstoffkosten und effizientere Brennstoffzyklen.
• Betriebssicherheit: Reduzierung ungeplanter Betriebszustände und Leistungsreduzierungen.
• Zuverlässigkeit: Das Modell bietet eine datengetriebene Lösung für ein Problem, das bisher nur durch konservative Annahmen gelöst werden konnte.

Zukünftige Arbeiten:
Die Autoren planen, das Modell auf andere thermische Grenzwerte (CPR und APLHGR) zu erweitern. Zudem soll die Leistung bei der Kombination von Daten mehrerer BWRs und in Szenarien mit nur wenigen historischen Zyklen evaluiert werden.

Fazit:
Dieser Beitrag demonstriert erfolgreich den Einsatz von Deep Learning zur Lösung eines kritischen Problems in der Nukleartechnik. Durch die signifikante Reduktion der Unsicherheit zwischen Simulations- und Betriebsdaten trägt die Methode direkt zur Steigerung der Effizienz und Sicherheit von Kernkraftwerken bei.