10 KiB
PWS-ideeën: AI & Nucleaire Energie
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.
1. AI-dashboard voor refueling/onderhoudsplanning
Idee: Een simulatie of algoritme dat laat zien hoe AI een refueling- of onderhoudsschema kan optimaliseren op basis van (fictieve) 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).
Waarom leuk voor PWS: Je kunt dit goed simuleren met dummy-data in Excel of Python zonder dat je echte reactordata nodig hebt.
Mogelijke hoofdvraag: In hoeverre kan een AI-algoritme de onderhoudsplanning van een kerncentrale efficiënter maken dan traditionele, tijd-gebaseerde planning?
Deelvragen:
- Hoe werkt onderhoudsplanning in een kerncentrale op dit moment, zonder AI?
- Wat is het verschil tussen tijd-gebaseerd en conditie-gebaseerd onderhoud?
- Waarom stapt de sector over van tijd-gebaseerd naar conditie-gebaseerd onderhoud?
- Welke soorten data zijn nodig om onderhoud te kunnen voorspellen of plannen?
- Wat maakt onderhoudsplanning in een kerncentrale lastiger dan in een "gewone" fabriek?
- Wie ontwikkelt dit soort AI-planningssystemen al, en in welke centrales worden ze toegepast?
- Welke resultaten (tijd- of kostenbesparing) worden hiermee tot nu toe gerapporteerd?
- Wat zijn de risico's als een AI-planningsmodel een verkeerde inschatting maakt?
- Wie is er uiteindelijk verantwoordelijk als een AI-advies over onderhoud fout blijkt te zijn?
2. Anomaly detection (afwijkingen in sensordata herkennen)
Idee: Een machine learning-model dat "normaal" gedrag leert herkennen in sensordata, zodat het afwijkingen kan signaleren 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.
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.
Mogelijke hoofdvraag: Hoe kan een machine learning-model afwijkingen in sensordata van kerncentrale-apparatuur herkennen vóórdat er een storing optreedt?
Deelvragen:
- Wat is "anomaly detection" en hoe verschilt dit van gewone data-analyse?
- Hoe wordt een storing in een kerncentrale nu ontdekt, zonder AI?
- Welke soorten sensoren en data leveren signalen die op een aankomende storing kunnen wijzen?
- Hoe "leert" een AI-model wat normaal gedrag is, zonder dat iemand dit expliciet programmeert?
- Wat is het verschil tussen een gemiste afwijking en een vals alarm, en waarom is die balans belangrijk?
- Welke bedrijven of instellingen passen anomaly detection al toe in kerncentrales?
- Hoeveel eerder kunnen deze systemen een probleem signaleren vergeleken met traditionele methodes?
- Wat zijn de beperkingen van dit soort AI-systemen — waar gaan ze nog wel eens mis?
- Hoe wordt vertrouwen in zo'n systeem opgebouwd bij operators die gewend zijn aan andere methodes?
3. AI-beeldherkenning voor inspecties (scheurtjes/corrosie)
Idee: Een beeldherkenningsmodel dat scheurtjes of roest herkent op foto's van materialen, gekoppeld aan het concept van 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.
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.
Mogelijke hoofdvraag: Hoe kan beeldherkenning met AI helpen bij het detecteren van materiaalschade in moeilijk bereikbare of gevaarlijke ruimtes zoals een kerncentrale?
Deelvragen:
- Hoe wordt materiaalschade (scheurtjes, corrosie) in een kerncentrale nu handmatig geïnspecteerd?
- Waarom is directe menselijke inspectie in sommige delen van een kerncentrale niet of nauwelijks mogelijk?
- Wat is beeldherkenning met AI, en hoe leert een model het verschil tussen "schade" en "geen schade"?
- Welke rol spelen robots (zoals drones of viervoetige robots) bij het uitvoeren van dit soort inspecties?
- Sinds wanneer wordt dit soort technologie ontwikkeld, en hoe heeft het zich in de tijd ontwikkeld?
- Welke bedrijven of universiteiten hebben dit al tot een werkend product gemaakt?
- Hoe nauwkeurig zijn deze systemen vergeleken met een menselijke inspecteur?
- Wat gebeurt er als het systeem een scheur mist of ten onrechte alarm slaat?
- Welke goedkeuring of regelgeving is nodig voordat zo'n AI-systeem officieel ingezet mag worden in een kerncentrale?
4. Voorspellend onderhoudssysteem (predictive maintenance, breder)
Idee: Een concept/prototype-app die voorspelt wanneer onderdelen vervangen moeten worden, op basis van trends in sensordata.
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.
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.
Mogelijke hoofdvraag: Hoe kan een voorspellend onderhoudssysteem op basis van AI de kosten en downtime van een kerncentrale verminderen?
Deelvragen:
- Wat is het verschil tussen reactief, preventief en predictief onderhoud?
- Welke kosten brengt onverwachte uitval (downtime) van een kerncentrale precies met zich mee?
- Hoe verzamelt en verwerkt een predictief onderhoudssysteem data uit een centrale?
- Welke bedrijven passen dit al toe, en bij welke centrales?
- Welke besparingen (tijd, geld, uitstoot) worden hierdoor tot nu toe gerapporteerd?
- Waarom groeit de markt voor dit soort systemen zo snel?
- Wat zijn de nadelen of risico's van te veel vertrouwen op een voorspellend AI-systeem?
- Hoe verhoudt dit onderwerp zich tot anomaly detection (idee 2) — waar zit het verschil precies?
- 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.
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.
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.
Mogelijke hoofdvraag: Hoe zou een AI-beslissingshulp operators in een controlekamer van een kerncentrale kunnen ondersteunen bij het interpreteren van afwijkende metingen?
Deelvragen:
- Wat doet een operator in een controlekamer, en welke soorten beslissingen moet die onder tijdsdruk nemen?
- Welke informatiebronnen gebruikt een operator nu al om een beslissing te nemen?
- Wat is het verschil tussen een AI die waarschuwt/voorspelt en een AI die actief meedenkt of advies geeft?
- Waarom bestaat een interactieve AI-assistent voor operators nog nauwelijks, terwijl andere AI-toepassingen (planning, onderhoud) wel al gangbaar zijn?
- Welke bedrijven werken al in de richting van dit soort generatieve AI-toepassingen in de nucleaire sector?
- Wat zijn de gevaren van een AI die een verkeerd advies geeft in een veiligheidskritieke situatie?
- Hoe kun je voorkomen dat operators té veel op zo'n AI-systeem gaan vertrouwen?
- Wie is uiteindelijk verantwoordelijk voor een beslissing: de operator of de AI die het advies gaf?
- Welke wet- en regelgeving zou er nodig zijn voordat zo'n systeem echt ingezet mag worden?