133 lines
10 KiB
Markdown
133 lines
10 KiB
Markdown
# 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:**
|
|
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?
|
|
|
|
---
|
|
|
|
## 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:**
|
|
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?
|
|
|
|
---
|
|
|
|
## 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:**
|
|
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?
|
|
|
|
---
|
|
|
|
## 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:**
|
|
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?
|
|
|
|
---
|
|
|
|
## 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:**
|
|
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? |