124 lines
5.2 KiB
Markdown
124 lines
5.2 KiB
Markdown
# PWS-ideeën: AI & Nucleaire Energie (verkort)
|
|
|
|
Vijf productideeën voor je profielwerkstuk, met wie dit al ontwikkelt.
|
|
|
|
---
|
|
|
|
## 1. AI-dashboard voor onderhoudsplanning
|
|
|
|
**Idee:** Simulatie die laat zien hoe AI onderhoud kan plannen op basis van sensordata.
|
|
|
|
**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.
|
|
|
|
**Hoofdvraag:** *In hoeverre kan AI de onderhoudsplanning van een kerncentrale efficiënter maken dan traditionele planning?*
|
|
|
|
**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 in sensordata
|
|
|
|
**Idee:** ML-model dat afwijkend gedrag herkent vóórdat het een storing wordt.
|
|
|
|
**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.
|
|
|
|
**Hoofdvraag:** *Hoe kan een ML-model afwijkingen in sensordata herkennen vóórdat er een storing optreedt?*
|
|
|
|
**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
|
|
|
|
**Idee:** Model dat scheurtjes/corrosie herkent op foto's, gekoppeld aan een inspectierobot.
|
|
|
|
**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.
|
|
|
|
**Hoofdvraag:** *Hoe kan AI-beeldherkenning helpen bij het detecteren van materiaalschade in gevaarlijke ruimtes zoals 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 (breder)
|
|
|
|
**Idee:** App die voorspelt wanneer onderdelen vervangen moeten worden.
|
|
|
|
**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.
|
|
|
|
**Hoofdvraag:** *Hoe kan een voorspellend AI-onderhoudssysteem de kosten en downtime van een kerncentrale verminderen?*
|
|
|
|
**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:** Chatbot of beslisboom die operators helpt snel te reageren op afwijkende metingen.
|
|
|
|
**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:** Origineler onderwerp, minder risico op "het wiel opnieuw uitvinden".
|
|
|
|
**Hoofdvraag:** *Hoe zou een AI-beslissingshulp operators kunnen ondersteunen bij het interpreteren van afwijkende metingen?*
|
|
|
|
**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? |