Detección de perturbaciones en reactores nucleares utilizando redes neuronales

Abstract

[ES] El presente trabajo estudia las posibilidades de detección y localización de pequeñas anomalías de funcionamiento en un reactor nuclear de agua presión. Mediante la monitorización de las medidas de los detectores de neutrones es posible la detección temprana de perturbaciones de una forma no invasiva. La detección temprana de anomalías da la posibilidad de realizar las acciones pertinente antes que estas provoquen problemas de seguridad o repercutan en la disponibilidad de la planta.

El objetivo principal del TFM es el de diseñar una red neuronal que permita encontrar las perturbaciones en un modelo de reactor bidimensional a partir de los datos de flujo neutrónico simulados ante anomalías. En este sentido, se simulan casos de diferentes perturbaciones y se obtiene las lecturas del ruido neutrónico en los detectores, la fluctuación sobre la media. Estos datos permiten entrenar una red neuronal. En primer lugar, se simularán los datos en el código FEMFFUSION. Luego, los datos permitirán construir una red neuronal para encontrar la localización de la perturbación. La red se construye de manera similar a la de la documentación que trata los problemas de localización mediante la librería KERAS.

Finalmente, se estudia en más detalle las diferentes redes que se pueden construir y se varían sus datos y estudiando su desempeño. Se concluye con los resultados de detección y se establecen los mejores parámetros para el funcionamiento del sistema.

[EN] This work studies the possibilities of detection and localisation of small operating anomalies in a nuclear pressurised water reactor. By monitoring neutron detector measurements, early detection of disturbances is possible in a non-invasive way. Early detection of anomalies gives the possibility to take appropriate actions before they cause safety problems or impact on the availability of the plant.

The main objective of the TFM is to design a neural network to find disturbances in a two-dimensional reactor model from simulated neutron flux data in the presence of anomalies. In this sense, cases of different perturbations are simulated and the neutron noise readings in the detectors, the fluctuation above the mean, are obtained. These data are used to train a neural network. First, the data will be simulated in the FEMFFUSION code. Then, the data will allow building a neural network to find the location of the disturbance. The network is constructed similarly as in the documentation dealing with localisation problems using the KERAS library. Finally, we study in more detail the different networks that can be built and vary their data and study their performance. We conclude with the detection results and establish the best parameters for the operation of the system.

[CAT] El present treball estudia les possibilitats de detecció i localització d’anomalies de funcionament en un reactor nuclear d'aigua a pressió. Mitjançant el monitoratge de les mesures dels detectors de neutrons és possible la detecció precoç de pertorbacions d'una forma no invasiva. La detecció precoç d'anomalies dona la possibilitat de realitzar les accions pertinents abans que aquestes provoquen problemes de seguretat o repercutisquen en la disponibilitat de la planta. L'objectiu principal del TFM és el de dissenyar una xarxa neuronal que permeta trobar les pertorbacions en un model de reactor bidimensional a partir de les dades de flux neutrónico simulats davant anomalies. En aquest sentit, se simulen casos de diferents pertorbacions i s'obté les lectures del soroll neutrònic en els detectors, la fluctuació sobre la mitjana. Aquestes dades permeten entrenar una xarxa neuronal. En primer lloc, se simularán les dades en el codi FEMFFUSION. Després, les dades permetran construir una xarxa neuronal per a trobar la localització de la pertorbació. La xarxa es construeix de manera similar a la de la documentació que tracta els problemes de localització mitjançant la llibreria KERAS. Finalment, s'estudia en més detalle les diferents xarxes que es poden construir i es varien les seues dades i estudiant el seu acompliment. Es conclou amb els resultats de detecció i s'estableixen els millors paràmetres pel funcionament del sistema.