5.4 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.
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.
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.
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.
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.
Advies
Voor een werkend product binnen de tijd die je hebt: optie 2 (anomaly detection) is het meest haalbare en heeft de meeste bestaande voorbeelden om je onderzoek op te baseren.
Voor een origineel concept waarmee je opvalt: optie 5 (beslissingshulp) is het minst "al gedaan" en laat meer ruimte voor eigen inbreng.