From 0fac1ddfa69e6111f31fc60353f49a4c048b4893 Mon Sep 17 00:00:00 2001 From: BMX Date: Tue, 15 Sep 2026 12:11:21 +0000 Subject: [PATCH] Upload files to "/" 10 minuten extra gespendeerd als groep voor punt 6 --- PWS-ideeen-AI-nucleaire-energie.md | 181 ++++++++++++++--------------- 1 file changed, 86 insertions(+), 95 deletions(-) diff --git a/PWS-ideeen-AI-nucleaire-energie.md b/PWS-ideeen-AI-nucleaire-energie.md index c149c89..cdc056e 100644 --- a/PWS-ideeen-AI-nucleaire-energie.md +++ b/PWS-ideeen-AI-nucleaire-energie.md @@ -1,133 +1,124 @@ -# PWS-ideeën: AI & Nucleaire Energie +# PWS-ideeën: AI & Nucleaire Energie (verkort) -Vijf productideeën voor je profielwerkstuk, elk met wie dit in de praktijk al ontwikkelt of gebruikt — zodat je weet waar je je eigen (kleinere) prototype tegen kunt afzetten. +Vijf productideeën voor je profielwerkstuk, met wie dit al ontwikkelt. --- -## 1. AI-dashboard voor refueling/onderhoudsplanning +## 1. AI-dashboard voor onderhoudsplanning -**Idee:** Een simulatie of algoritme dat laat zien hoe AI een refueling- of onderhoudsschema kan optimaliseren op basis van (fictieve) sensordata. +**Idee:** Simulatie die laat zien hoe AI onderhoud kan plannen op basis van sensordata. -**Wordt dit al gebruikt?** Ja, actief. -- **Argonne National Laboratory** (VS) werkt met bedrijf **LPI, Inc.** aan software die de geschatte toekomstige betrouwbaarheid van onderdelen combineert met onderhoudskosten, om optimale planning te berekenen. -- **OxMaint** biedt een platform dat refueling-outages optimaliseert op basis van de werkelijke conditie van onderdelen, in plaats van vaste schema's. -- Doel in de sector: onderhoud verschuiven van *tijd-gebaseerd* (vaste intervallen) naar *conditie-gebaseerd* (pas ingrijpen als het nodig is). +**Al in gebruik?** Ja. +- Argonne National Lab + LPI, Inc.: software die betrouwbaarheid en kosten combineert voor planning. +- OxMaint: platform dat plant op basis van werkelijke conditie i.p.v. vaste schema's. +- Trend: van tijd-gebaseerd naar conditie-gebaseerd onderhoud. -**Waarom leuk voor PWS:** Je kunt dit goed simuleren met dummy-data in Excel of Python zonder dat je echte reactordata nodig hebt. +**Hoofdvraag:** *In hoeverre kan AI de onderhoudsplanning van een kerncentrale efficiënter maken dan traditionele planning?* -**Mogelijke hoofdvraag:** *In hoeverre kan een AI-algoritme de onderhoudsplanning van een kerncentrale efficiënter maken dan traditionele, tijd-gebaseerde planning?* - -**Deelvragen:** -1. Hoe werkt onderhoudsplanning in een kerncentrale op dit moment, zonder AI? -2. Wat is het verschil tussen tijd-gebaseerd en conditie-gebaseerd onderhoud? -3. Waarom stapt de sector over van tijd-gebaseerd naar conditie-gebaseerd onderhoud? -4. Welke soorten data zijn nodig om onderhoud te kunnen voorspellen of plannen? -5. Wat maakt onderhoudsplanning in een kerncentrale lastiger dan in een "gewone" fabriek? -6. Wie ontwikkelt dit soort AI-planningssystemen al, en in welke centrales worden ze toegepast? -7. Welke resultaten (tijd- of kostenbesparing) worden hiermee tot nu toe gerapporteerd? -8. Wat zijn de risico's als een AI-planningsmodel een verkeerde inschatting maakt? -9. Wie is er uiteindelijk verantwoordelijk als een AI-advies over onderhoud fout blijkt te zijn? +**Kern-deelvragen:** +1. Hoe werkt onderhoudsplanning nu, zonder AI? +2. Verschil tijd-gebaseerd vs. conditie-gebaseerd onderhoud? +3. Welke data is nodig om onderhoud te voorspellen? +4. Wie ontwikkelt dit al, en met welke resultaten? +5. Wat zijn de risico's van een verkeerde AI-inschatting? --- -## 2. Anomaly detection (afwijkingen in sensordata herkennen) +## 2. Anomaly detection in sensordata -**Idee:** Een machine learning-model dat "normaal" gedrag leert herkennen in sensordata, zodat het afwijkingen kan signaleren vóórdat het een storing wordt. +**Idee:** ML-model dat afwijkend gedrag herkent vóórdat het een storing wordt. -**Wordt dit al gebruikt?** Ja, op grote schaal. -- **iFactory** claimt tot 60 dagen eerder degradatie te detecteren dan traditionele periodieke inspecties, en wordt gebruikt bij koelwaterpompen, noodgeneratoren en HVAC-systemen. -- **AtkinsRéalis** (VK) loopt een proof-of-concept bij een moderne kerncentrale om storingen te voorspellen vóór ze gebeuren. -- **GE Research** ontwikkelt dit specifiek voor de nieuwe generatie kleine reactoren (BWRX-300), gefinancierd door het Amerikaanse ARPA-E. -- **EDF Energy** (Europa) en **Exelon Generation** (VS) hebben dit al operationeel in hun centrales. +**Al in gebruik?** Ja, op grote schaal. +- iFactory: detecteert degradatie tot 60 dagen eerder dan inspecties. +- AtkinsRéalis (VK): proof-of-concept om storingen te voorspellen. +- GE Research: ontwikkelt dit voor nieuwe kleine reactoren (BWRX-300). +- EDF Energy en Exelon: al operationeel. -**Waarom leuk voor PWS:** Goed te bouwen met Python/scikit-learn op gesimuleerde sensordata — een van de meest haalbare "echte AI"-projecten op deze lijst. +**Hoofdvraag:** *Hoe kan een ML-model afwijkingen in sensordata herkennen vóórdat er een storing optreedt?* -**Mogelijke hoofdvraag:** *Hoe kan een machine learning-model afwijkingen in sensordata van kerncentrale-apparatuur herkennen vóórdat er een storing optreedt?* - -**Deelvragen:** -1. Wat is "anomaly detection" en hoe verschilt dit van gewone data-analyse? -2. Hoe wordt een storing in een kerncentrale nu ontdekt, zonder AI? -3. Welke soorten sensoren en data leveren signalen die op een aankomende storing kunnen wijzen? -4. Hoe "leert" een AI-model wat normaal gedrag is, zonder dat iemand dit expliciet programmeert? -5. Wat is het verschil tussen een gemiste afwijking en een vals alarm, en waarom is die balans belangrijk? -6. Welke bedrijven of instellingen passen anomaly detection al toe in kerncentrales? -7. Hoeveel eerder kunnen deze systemen een probleem signaleren vergeleken met traditionele methodes? -8. Wat zijn de beperkingen van dit soort AI-systemen — waar gaan ze nog wel eens mis? -9. Hoe wordt vertrouwen in zo'n systeem opgebouwd bij operators die gewend zijn aan andere methodes? +**Kern-deelvragen:** +1. Wat is anomaly detection en hoe verschilt dit van gewone data-analyse? +2. Hoe "leert" een model wat normaal gedrag is? +3. Verschil tussen gemiste afwijking en vals alarm — waarom belangrijk? +4. Wie past dit al toe, en hoeveel eerder signaleren ze problemen? +5. Waar gaan deze systemen nog wel eens mis? --- -## 3. AI-beeldherkenning voor inspecties (scheurtjes/corrosie) +## 3. AI-beeldherkenning voor inspecties -**Idee:** Een beeldherkenningsmodel dat scheurtjes of roest herkent op foto's van materialen, gekoppeld aan het concept van een inspectierobot. +**Idee:** Model dat scheurtjes/corrosie herkent op foto's, gekoppeld aan een inspectierobot. -**Wordt dit al gebruikt?** Ja, en dit is het langst lopende onderzoeksgebied van de vijf. -- **Purdue University** (VS) ontwikkelde al in 2017 een deep-learning algoritme dat scheuren in reactoronderdelen herkent vanuit videobeelden, en heeft hier een patent op aangevraagd. -- **Westinghouse Nuclear** heeft dit doorontwikkeld tot een commercieel product (HiVE) dat live videobeelden interpreteert om vuil, corrosie en vervorming te herkennen, en dient als eerste bedrijf een AI/ML-toepassing in voor officiële NRC-licentiëring (Amerikaanse toezichthouder). -- Onderzoek (o.a. gepubliceerd via arXiv, 2026) combineert dit inmiddels met robots zoals de vierpotige **Boston Dynamics Spot** en het **TurtleBot 3**-platform voor autonome inspectie in gevaarlijke ruimtes. +**Al in gebruik?** Ja — het langst lopende onderzoeksgebied. +- Purdue University (2017): deep-learning algoritme voor scheurdetectie, patent aangevraagd. +- Westinghouse (HiVE): commercieel product, eerste AI/ML-toepassing ingediend bij NRC. +- Onderzoek combineert dit met robots als Boston Dynamics Spot en TurtleBot 3. -**Waarom leuk voor PWS:** Je hoeft geen nucleaire foto's te gebruiken — het principe (CNN's die scheurtjes herkennen) is met willekeurige materiaalfoto's te oefenen en goed visueel te presenteren. +**Hoofdvraag:** *Hoe kan AI-beeldherkenning helpen bij het detecteren van materiaalschade in gevaarlijke ruimtes zoals een kerncentrale?* -**Mogelijke hoofdvraag:** *Hoe kan beeldherkenning met AI helpen bij het detecteren van materiaalschade in moeilijk bereikbare of gevaarlijke ruimtes zoals een kerncentrale?* - -**Deelvragen:** -1. Hoe wordt materiaalschade (scheurtjes, corrosie) in een kerncentrale nu handmatig geïnspecteerd? -2. Waarom is directe menselijke inspectie in sommige delen van een kerncentrale niet of nauwelijks mogelijk? -3. Wat is beeldherkenning met AI, en hoe leert een model het verschil tussen "schade" en "geen schade"? -4. Welke rol spelen robots (zoals drones of viervoetige robots) bij het uitvoeren van dit soort inspecties? -5. Sinds wanneer wordt dit soort technologie ontwikkeld, en hoe heeft het zich in de tijd ontwikkeld? -6. Welke bedrijven of universiteiten hebben dit al tot een werkend product gemaakt? -7. Hoe nauwkeurig zijn deze systemen vergeleken met een menselijke inspecteur? -8. Wat gebeurt er als het systeem een scheur mist of ten onrechte alarm slaat? -9. Welke goedkeuring of regelgeving is nodig voordat zo'n AI-systeem officieel ingezet mag worden in een kerncentrale? +**Kern-deelvragen:** +1. Hoe wordt schade nu handmatig geïnspecteerd? +2. Waarom is menselijke inspectie soms niet mogelijk? +3. Hoe leert een model het verschil tussen schade en geen schade? +4. Welke rol spelen robots hierbij? +5. Welke goedkeuring is nodig voor officiële inzet? --- -## 4. Voorspellend onderhoudssysteem (predictive maintenance, breder) +## 4. Voorspellend onderhoudssysteem (breder) -**Idee:** Een concept/prototype-app die voorspelt wanneer onderdelen vervangen moeten worden, op basis van trends in sensordata. +**Idee:** App die voorspelt wanneer onderdelen vervangen moeten worden. -**Wordt dit al gebruikt?** Ja, dit is momenteel de grootste AI-toepassing in de nucleaire sector. -- **Blue Wave AI Labs** heeft dit al operationeel bij **Constellation Energy**'s Peach Bottom en Limerick-centrales, met een geschatte besparing van $1,6 miljoen per jaar per reactor. -- **McKinsey (QuantumBlack)** heeft dit soort modellen toegepast bij energiebedrijven in de VS, Azië en Australië, met tot 3% verbeterde efficiëntie en $60 miljoen jaarlijkse besparing bij één klant. -- De markt voor predictive maintenance software in de energiesector wordt geschat op $7,08 miljard in 2030. +**Al in gebruik?** Ja — grootste AI-toepassing in de sector nu. +- Blue Wave AI Labs bij Constellation Energy: ~$1,6 miljoen besparing per jaar per reactor. +- McKinsey (QuantumBlack): tot 3% efficiëntieverbetering, $60 miljoen besparing bij één klant. +- Marktomvang predictive maintenance (energie): geschat $7,08 miljard in 2030. -**Waarom leuk voor PWS:** Overlapt met idee 2, maar dit is breder inzetbaar — goed als je liever een concept/ontwerp presenteert dan alleen een werkend model. +**Hoofdvraag:** *Hoe kan een voorspellend AI-onderhoudssysteem de kosten en downtime van een kerncentrale verminderen?* -**Mogelijke hoofdvraag:** *Hoe kan een voorspellend onderhoudssysteem op basis van AI de kosten en downtime van een kerncentrale verminderen?* - -**Deelvragen:** -1. Wat is het verschil tussen reactief, preventief en predictief onderhoud? -2. Welke kosten brengt onverwachte uitval (downtime) van een kerncentrale precies met zich mee? -3. Hoe verzamelt en verwerkt een predictief onderhoudssysteem data uit een centrale? -4. Welke bedrijven passen dit al toe, en bij welke centrales? -5. Welke besparingen (tijd, geld, uitstoot) worden hierdoor tot nu toe gerapporteerd? -6. Waarom groeit de markt voor dit soort systemen zo snel? -7. Wat zijn de nadelen of risico's van te veel vertrouwen op een voorspellend AI-systeem? -8. Hoe verhoudt dit onderwerp zich tot anomaly detection (idee 2) — waar zit het verschil precies? -9. Wat is er nog voor nodig voordat dit soort systemen breed in de hele sector gebruikt kan worden? +**Kern-deelvragen:** +1. Verschil reactief, preventief en predictief onderhoud? +2. Wat kost onverwachte downtime? +3. Wie past dit al toe, met welke besparingen? +4. Risico's van te veel vertrouwen op zo'n systeem? +5. Verschil met anomaly detection (idee 2)? --- ## 5. AI-beslissingshulp/chatbot voor operators -**Idee:** Een simpele chatbot of beslisboom die operators in een controlekamer helpt snel te reageren op afwijkende metingen. +**Idee:** Chatbot of beslisboom die operators helpt snel te reageren op afwijkende metingen. -**Wordt dit al gebruikt?** Minder ver ontwikkeld dan de andere vier — dit is het gebied waar het minste concrete, publiek bekende operationele voorbeeld bestaat. Aanpalend werk: -- **Westinghouse** werkt aan bredere generatieve AI-toepassingen ("Nuclear Specific Generative AI") voor de sector, wat richting deze kant beweegt. -- De meeste bestaande systemen (zoals hierboven) geven wél voorspellingen en waarschuwingen, maar een *interactieve chatbot-achtige assistent* specifiek voor controlekamer-operators is nog relatief onontgonnen terrein. +**Al in gebruik?** Minder ver ontwikkeld dan de rest — nog relatief onontgonnen. +- Westinghouse werkt aan generatieve AI voor de sector ("Nuclear Specific Generative AI"). +- Bestaande systemen waarschuwen wel, maar een interactieve assistent bestaat nauwelijks. -**Waarom leuk voor PWS:** Juist omdát dit minder ver ontwikkeld is, is het een origineel onderwerp — je loopt minder risico dat je "het wiel opnieuw uitvindt" en kunt makkelijker een eigen, onderscheidend concept neerzetten. +**Waarom leuk voor PWS:** Origineler onderwerp, minder risico op "het wiel opnieuw uitvinden". -**Mogelijke hoofdvraag:** *Hoe zou een AI-beslissingshulp operators in een controlekamer van een kerncentrale kunnen ondersteunen bij het interpreteren van afwijkende metingen?* +**Hoofdvraag:** *Hoe zou een AI-beslissingshulp operators kunnen ondersteunen bij het interpreteren van afwijkende metingen?* -**Deelvragen:** -1. Wat doet een operator in een controlekamer, en welke soorten beslissingen moet die onder tijdsdruk nemen? -2. Welke informatiebronnen gebruikt een operator nu al om een beslissing te nemen? -3. Wat is het verschil tussen een AI die waarschuwt/voorspelt en een AI die actief meedenkt of advies geeft? -4. Waarom bestaat een interactieve AI-assistent voor operators nog nauwelijks, terwijl andere AI-toepassingen (planning, onderhoud) wel al gangbaar zijn? -5. Welke bedrijven werken al in de richting van dit soort generatieve AI-toepassingen in de nucleaire sector? -6. Wat zijn de gevaren van een AI die een verkeerd advies geeft in een veiligheidskritieke situatie? -7. Hoe kun je voorkomen dat operators té veel op zo'n AI-systeem gaan vertrouwen? -8. Wie is uiteindelijk verantwoordelijk voor een beslissing: de operator of de AI die het advies gaf? -9. Welke wet- en regelgeving zou er nodig zijn voordat zo'n systeem echt ingezet mag worden? \ No newline at end of file +**Kern-deelvragen:** +1. Welke beslissingen neemt een operator onder tijdsdruk? +2. Verschil tussen een AI die waarschuwt en een AI die actief meedenkt? +3. Waarom bestaat dit nog nauwelijks, terwijl andere toepassingen al gangbaar zijn? +4. Gevaren van een verkeerd advies in een veiligheidskritieke situatie? +5. Wie is verantwoordelijk: de operator of de AI? + +--- + +## 6. AI voor afvalclassificatie en -sortering + +**Idee:** Algoritme dat bepaalt hoe nucleair afval geclassificeerd en verwerkt moet worden. + +**Al in gebruik?** Ja, vooral bij decommissioning (ontmanteling van oude centrales). +- Veolia Nuclear Solutions + Faculty AI: autonome sortering met de robot Dexter. +- PNNL (Hanford-site): AI optimaliseert glasformules voor verglazen van radioactief afval (onderdeel van de Genesis Mission). + +**Hoofdvraag:** *Hoe kan AI helpen bij het classificeren en sorteren van nucleair afval?* + +**Kern-deelvragen:** +1. Hoe wordt afval nu geclassificeerd, zonder AI? +2. Welke categorieën radioactief afval bestaan er? +3. Hoe werkt een AI-systeem dat afval herkent en classificeert? +4. Wat maakt dit lastiger dan gewoon huishoudelijk afval classificeren? +5. Welke rol spelen robots bij fysieke sortering? \ No newline at end of file