Upload files to "/"

10 minuten extra gespendeerd als groep voor punt 6

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.
+**Al in gebruik?** Ja.
-- **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.
+- Argonne National Lab + LPI, Inc.: software die betrouwbaarheid en kosten combineert voor planning.
-- **OxMaint** biedt een platform dat refueling-outages optimaliseert op basis van de werkelijke conditie van onderdelen, in plaats van vaste schema's.
+- OxMaint: platform dat plant op basis van werkelijke conditie i.p.v. vaste schema's.
-- Doel in de sector: onderhoud verschuiven van *tijd-gebaseerd* (vaste intervallen) naar *conditie-gebaseerd* (pas ingrijpen als het nodig is).
+- 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?*
+**Kern-deelvragen:**
-
+1. Hoe werkt onderhoudsplanning nu, zonder AI?
-**Deelvragen:**
+2. Verschil tijd-gebaseerd vs. conditie-gebaseerd onderhoud?
-1. Hoe werkt onderhoudsplanning in een kerncentrale op dit moment, zonder AI?
+3. Welke data is nodig om onderhoud te voorspellen?
-2. Wat is het verschil tussen tijd-gebaseerd en conditie-gebaseerd onderhoud?
+4. Wie ontwikkelt dit al, en met welke resultaten?
-3. Waarom stapt de sector over van tijd-gebaseerd naar conditie-gebaseerd onderhoud?
+5. Wat zijn de risico's van een verkeerde AI-inschatting?
-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?
 
 ---
 
-## 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.
+**Al in gebruik?** 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.
+- iFactory: detecteert degradatie tot 60 dagen eerder dan inspecties.
-- **AtkinsRéalis** (VK) loopt een proof-of-concept bij een moderne kerncentrale om storingen te voorspellen vóór ze gebeuren.
+- AtkinsRéalis (VK): proof-of-concept om storingen te voorspellen.
-- **GE Research** ontwikkelt dit specifiek voor de nieuwe generatie kleine reactoren (BWRX-300), gefinancierd door het Amerikaanse ARPA-E.
+- GE Research: ontwikkelt dit voor nieuwe kleine reactoren (BWRX-300).
-- **EDF Energy** (Europa) en **Exelon Generation** (VS) hebben dit al operationeel in hun centrales.
+- 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?*
+**Kern-deelvragen:**
-
+1. Wat is anomaly detection en hoe verschilt dit van gewone data-analyse?
-**Deelvragen:**
+2. Hoe "leert" een model wat normaal gedrag is?
-1. Wat is "anomaly detection" en hoe verschilt dit van gewone data-analyse?
+3. Verschil tussen gemiste afwijking en vals alarm — waarom belangrijk?
-2. Hoe wordt een storing in een kerncentrale nu ontdekt, zonder AI?
+4. Wie past dit al toe, en hoeveel eerder signaleren ze problemen?
-3. Welke soorten sensoren en data leveren signalen die op een aankomende storing kunnen wijzen?
+5. Waar gaan deze systemen nog wel eens mis?
-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?
 
 ---
 
-## 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.
+**Al in gebruik?** Ja — het langst lopende onderzoeksgebied.
-- **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.
+- Purdue University (2017): deep-learning algoritme voor scheurdetectie, patent 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).
+- Westinghouse (HiVE): commercieel product, eerste AI/ML-toepassing ingediend bij NRC.
-- 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.
+- 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?*
+**Kern-deelvragen:**
-
+1. Hoe wordt schade nu handmatig geïnspecteerd?
-**Deelvragen:**
+2. Waarom is menselijke inspectie soms niet mogelijk?
-1. Hoe wordt materiaalschade (scheurtjes, corrosie) in een kerncentrale nu handmatig geïnspecteerd?
+3. Hoe leert een model het verschil tussen schade en geen schade?
-2. Waarom is directe menselijke inspectie in sommige delen van een kerncentrale niet of nauwelijks mogelijk?
+4. Welke rol spelen robots hierbij?
-3. Wat is beeldherkenning met AI, en hoe leert een model het verschil tussen "schade" en "geen schade"?
+5. Welke goedkeuring is nodig voor officiële inzet?
-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?
 
 ---
 
-## 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.
+**Al in gebruik?** Ja — grootste AI-toepassing in de sector nu.
-- **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.
+- Blue Wave AI Labs bij Constellation Energy: ~$1,6 miljoen besparing 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.
+- McKinsey (QuantumBlack): tot 3% efficiëntieverbetering, $60 miljoen besparing bij één klant.
-- De markt voor predictive maintenance software in de energiesector wordt geschat op $7,08 miljard in 2030.
+- 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?*
+**Kern-deelvragen:**
-
+1. Verschil reactief, preventief en predictief onderhoud?
-**Deelvragen:**
+2. Wat kost onverwachte downtime?
-1. Wat is het verschil tussen reactief, preventief en predictief onderhoud?
+3. Wie past dit al toe, met welke besparingen?
-2. Welke kosten brengt onverwachte uitval (downtime) van een kerncentrale precies met zich mee?
+4. Risico's van te veel vertrouwen op zo'n systeem?
-3. Hoe verzamelt en verwerkt een predictief onderhoudssysteem data uit een centrale?
+5. Verschil met anomaly detection (idee 2)?
-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?
 
 ---
 
 ## 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:
+**Al in gebruik?** Minder ver ontwikkeld dan de rest — nog relatief onontgonnen.
-- **Westinghouse** werkt aan bredere generatieve AI-toepassingen ("Nuclear Specific Generative AI") voor de sector, wat richting deze kant beweegt.
+- Westinghouse werkt aan generatieve AI voor de sector ("Nuclear Specific Generative AI").
-- 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.
+- 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:**
+**Kern-deelvragen:**
-1. Wat doet een operator in een controlekamer, en welke soorten beslissingen moet die onder tijdsdruk nemen?
+1. Welke beslissingen neemt een operator onder tijdsdruk?
-2. Welke informatiebronnen gebruikt een operator nu al om een beslissing te nemen?
+2. Verschil tussen een AI die waarschuwt en een AI die actief meedenkt?
-3. Wat is het verschil tussen een AI die waarschuwt/voorspelt en een AI die actief meedenkt of advies geeft?
+3. Waarom bestaat dit nog nauwelijks, terwijl andere toepassingen al gangbaar zijn?
-4. Waarom bestaat een interactieve AI-assistent voor operators nog nauwelijks, terwijl andere AI-toepassingen (planning, onderhoud) wel al gangbaar zijn?
+4. Gevaren van een verkeerd advies in een veiligheidskritieke situatie?
-5. Welke bedrijven werken al in de richting van dit soort generatieve AI-toepassingen in de nucleaire sector?
+5. Wie is verantwoordelijk: de operator of de AI?
-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?
+## 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?