Investigación de modelos subrogados de quemado de combustible BWR basados en redes neuronales

Abstract

El aumento del consumo energético en los últimos años ha provocado un avance tecnológico que ha hecho surgir varios problemas con los combustibles fósiles, los cuales son uno de los principales causantes del calentamiento global. Para conseguir reducir las emisiones, se debe buscar una forma de generación de energía limpia. Dentro del grupo de energías con bajas emisiones, la energía nuclear es una opción por la que han optado algunos países, al tratarse de una forma de generación sin emisiones y capaz de producir energía eléctrica de forma continua. Por otro lado, este avance tecnológico ha traído consigo también la aparición de la inteligencia artificial (IA). Esta tecnología ha llegado a nuestras vidas con el objetivo de facilitar el trabajo al ser humano, y se hace uso de ella en una gran diversidad de situaciones. Dentro del campo de la inteligencia artificial se encuentra el aprendizaje profundo o Deep Learning, método mediante el cual las redes neuronales aprenden a distinguir patrones y características significativas de un problema en concreto, teniendo así la capacidad de acelerar alta variedad de procesos. En este trabajo se hará uso de esta tecnología con el objetivo de diseñar una red neuronal que acelere el proceso de cálculo de ciertos parámetros de elementos combustibles irradiados para, en un paso posterior no objeto de este trabajo, poder llegar a optimizar el almacenamiento de elementos combustibles en contenedores con la ayuda de un algoritmo genético. Para ser capaces de conseguir lo propuesto, se necesita un set de datos lo suficientemente grande para entrenar de forma correcta la red neuronal y comprobar su precisión. A fin de conseguir un set de datos de tal tamaño y variedad, se han generado de forma semi-aleatoria características y ciclos de irradiación de elementos combustibles y se ha calculado mediante el programa SCALE, la criticidad y composición de cada uno de ellos tras el enfriamiento, estos valores son los que calculará la red neuronal una vez entrenada. Con el set de datos disponible, se diseña la red, variando el número de capas, las neuronas por capa y otra serie de parámetros referentes al diseño, ajuste y entrenamiento de la red de forma que se minimice el error en las predicciones. Tras la realización del estudio, se podrá observar el tipo de red escogida y se podrán realizar las predicciones necesarias sobre cualquier elemento combustible que ha sido irradiado en un reactor de agua en ebullición.

Azken urteko energia-kontsumoaren gorakadak aurrerapen teknologiko bat eragin du, eta horrek hainbat arazo sortu ditu erregai fosilekin, horiek baitira berotze globalaren eragile nagusietako bat. Emisioak murrizteko energia garbia sortzeko era bat bilatu behar da. Emisio gutxi aske egiten dituzten energien taldearen barruan, herrialde batzuk aukeratu dute energia nuklearra, emisiorik gabeko sorkuntza modu bat eta energia elektrikoa etengabe ekoizteko gai delako. Bestalde, aurrerapen teknologiko horrek inteligentzia artifizialaren agerpena ere ekarri du. Teknologia hau pertsonei lana errazteko helburuarekin iritzi da gure bizitzara, eta hainbat egoeretan erabiltzen da. Inteligentzia artifizialaren zelaian, ikaskuntza sakona edo Deep Learning metodoa dago. Metodo horren bidez, sare neuronalek arazo jakin baten patroiak eta ezaugarri garrantzitsuak bereizten ikasten dute, eta, horrela, prozesu-aniztasun handia bizkortzeko gaitasuna dute. Lan honetan, teknologia hori erabiliko da, elementu erregai irradiatuen parametro jakin batzuk kalkulatzeko prozesua azkartuko duen sare neuronal bat diseinatzeko, ondoren, lan honen helburua ez den urrats batean, elementu erregaiak edukiontzietan biltegiratzea optimizatu ahal izateko algoritmo genetiko baten laguntzarekin. Proposatutakoa lortzeko gai izateko, datu-set handi bat behar da sare neuronala behar bezala entrenatzeko eta zehaztasuna egiaztatzeko. Tamainu eta barietate horretako datu-set bat lortzeko, elementu erregaien ezaugarriak eta irradiazio-zikloak sortu dira erdi ausaz, eta SCALE programaren bidez, hoztu ondoren horietako bakoitzaren kritikotasuna eta konposizioa kalkulatu dira. Balio horiek dira neurona-sareak behin entrenatuta kalkulatuko dituenak. Eskuragarri dagoen datu-setarekin, sarea diseinatzen da, geruza kopurua, geruza bakoitzeko neuronak eta sarearen diseinuari, doikuntzari eta entrenamenduari buruzko beste parametro batzuk aldatuz, iragarpenetan errorea minimizatzeko. Azterketa egin ondoren, aukeratutako sare mota ikusi ahal izango da, eta irakiten ari den ur-erreaktore batean irradiatu den edozein elementu erregairi buruzko beharrezko iragarpenak egin ahal izango dira.

Technological development has triggered in an increase of electric consumption. Along with this, some problems related to fossil fuels, which are the one of the main reasons of global warming, have arisen. To be capable of reducing emissions, a clean way of generating electrical energy has to be found. Inside the category of low emission energies, some countries have taken the path of nuclear energy because in addition to having low emissions, it is capable of continuously generating electricity. On the other hand, this technological development has brought about the rise of artificial intelligence. This technology has come to our lives to make them easier, and people use it in many ways. Inside the field of artificial intelligence, there lays Deep Learning, a method where a neural network learns to distinguish significant characteristics and patterns so that it acquires the ability to accelerate a wide range of processes. This work will make use of the technology mentioned above with the objective of designing a neural network which can speed up the calculation process of certain parameters of spent fuel assemblies so that, in a future project out of the scope of this work, it could optimize the used nuclear fuel canister loading with the help of a genetic algorithm. In order to be capable of doing this, a set of data big enough to train and test the neural network will be needed. When it comes to building a wide and varied set of data, the burnup of several fuel assemblies semi-randomly generated has been simulated in SCALE, obtaining the value of the criticality and composition of certain isotopes after an also random cooling time. Those will be the values calculated by the neural network once designed. With a complete set of data, the network is designed varying the number of neurons and layers and training it to achieve the lowest error possible. Once this work is finished, the type of network chosen can be observed and the network will have the capacity of predicting the values of any spent fuel assembly in a Boiling Water Reactor.