Geri Dön

Development of artificial intelligence based semi-autonomous control system to assist decision making of reactor operators

Reaktör operatörlerinin karar vermesini desteklemek için yapay zekâ tabanlı yarı-otonom kontrol sisteminin geliştirilmesi

PDF İndir

  1. Tez No: 967345
  2. Yazar: CEYHUN YAVUZ
  3. Danışmanlar: DOÇ. DR. SENEM ŞENTÜRK LÜLE
  4. Tez Türü: Doktora
  5. Konular: Nükleer Mühendislik, Nuclear Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Enerji Bilim ve Teknoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 135

Özet

Düşük karbonlu enerji kaynakları, iklim değişikliğiyle mücadele etmek için gereklidir. Nükleer Güç Santrallerinde (NGS) elektrik üretimi sırasında sera gazı emisyonu olmadığından nükleer reaktörler iklim değişikliği hedeflerine ulaşmada önemli bir rol oynayacaktır. NGS'ler aktif ve pasif birçok güvenlik sistemine sahip olmaları sayesinde güvenle işletilselerde düşük olasılıkla da olsa kazalar meydana gelebilir. Kazaların belirlenmesi, sadece zamanında önlem almak için değil, aynı zamanda etkilerini azaltmak için de büyük önem taşır. 2018 yılından bu yana, Türkiye'nin Akkuyu sahasında dört adet Rus tipi Basınçlı Su Reaktörü (PWR) VVER-1200 ünitesi inşa edilmektedir. Bu reaktörlerin güvenliği Türkiye için büyük önem taşımaktadır. Bu nedenle VVER-1200 üzerinde yapılacak kaza tespiti çalışmaları son derece önemlidir. Makine öğrenmesi, yapay zekâ alanının bir alt dalıdır ve bilgisayarların verilerden öğrenerek her görev için ayrı programlamaya ihtiyaç duymadan performanslarını geliştirmelerini sağlar. Sabit kurallara bağlı kalmak yerine, bu sistemler verilerdeki örüntüleri ve eğilimleri tespit ederek tahminlerde veya karar vermelerde bulunur. Yüz tanıma, ürün önerileri, dil çevirisi ve dolandırıcılık tespiti gibi uygulama alanları yaygındır. Makine öğrenmesi yöntemleri arasında denetimli öğrenme (etiketli veri kullanımı), denetimsiz öğrenme (etiketsiz verilerdeki desenlerin keşfi) ve pekiştirmeli öğrenme (ödül ve geri bildirim yoluyla öğrenme) yer alır. Bu çalışma, VVER-1200 reaktörüne ait teknik verilerin literatürde yeterince bulunmaması nedeniyle, benzer bir reaktör tipi olan VVER-1000 için kontrol çubuğu çekilmesiyle gerçekleşen reaktivite eklenmesi, basınçlandırıcıdan buhar sızıntısı, akış kaybı ve sıcak/soğuk bacakları etkileyen soğutucu kaybı kazaları (LOCA) gibi senaryolardan türetilmiş 53 geçiş-durumu alt senaryonun makine öğrenmesi ile tespitine odaklanmıştır. Bu çalışmada geliştirilen yöntemler, gerekli verilerin sağlanması halinde VVER-1200'e de uygulanabilecektir. Bu amaçla üç farklı yöntem önerilmiştir. Tek adımlı yöntemde, tüm alt senaryoların verileri doğrudan kullanılarak alt senaryo tespiti yapılmıştır. İki adımlı yöntemde, önce ana senaryolar belirlenmiş, ardından alt senaryo tanımlaması gerçekleştirilmiştir. Gruplanmış tek adımlı yöntemde ise, tek adımlı yöntemin karışıklık matrisinden elde edilen yönlendirme ile alt senaryolar gruplanarak tahmin doğruluğu artırılmıştır. Makine öğrenme metdolarının eğitilmesi için kullanılacak 53 adet alt senaryoya ait veri seti, nükleer reaktörlerin simülasyonu için kullanılan ASYST programı kullanılarak elde edilmiştir. Reaktörlerin senaryo davranışları için ASYST programının kullandığı kod dosyasında hata kartlarını kullanmak sureti ile kazalar ve alt senaryoları simüle edilmiş, takip edilecek reaktör elemanı ve fiziksel parametlerine dair veri çıktısı sağlayan düzenleme kartları ile de 91 veri kolonu veya özellik simüle edilmiştir. Çıktı dosyalarından veri setinin çekilebilmesi için Visual Basic dilinde iki seviyeli derleyici kod yazılmış ve bu sayede işlenebilecek şekilde excel programına yapılı bir fortmatta veriler aktarılmıştır. Normalizasyon çalışmasını takiben, çalışmanın Python programında hayata geçirilebilmesi için, ilgili veri setleri .csv uzantılı dosyalara dönüştürülerek Google Colab derleme ortamına aktarılmıştır. Çalışma kapsamında Python Sci-Kit kütüphanesini kullanmak sureti ile K-En Yakın Komşu, Rastgele Orman, Gradyan Güçlendirme, Karar Ağaçları, Lojistik Regresyon, Destek Vektörü, Naïve Bayes makine öğrenme yöntemleri üzerinde modellerinin eğitim ve validasyon çalışması yürütülmüştür. Tüm modeller için hiper parametre optimizayonu koşulmuş, veri setleri 80%-20% ve 70%-30% eğitim ve doğrulama setleri ile tutarlılık açısından test edilmiştir. Veri setin eğitim ve doğrulama setleri, tüm alt senaryolarda 80%-20% oranın tesis edecek şekilde, ancak aynı zamanda reaktörün SCRAM sürecinde farklılaşan güç gradyanı profillerinde de aynı oranda temsili sağlayarak hayata geçirilmiştir. Tüm makine öğrenme modellerinin performansının değerlendirilmesi için doğruluk, hassasiyet, duyarlılık ve F1 Skorunu ihtiva edecek şekilde analizi yapılmış, makine modellerini hayata geçiren yöntemler ve modeller bazında da karışıklık matrisi değerlendirilmesi yapılmıştır. Tek adımlı yöntemde en iyi başarı, %74,66 doğruluk oranıyla K-En Yakın Komşu (KNN) yöntemiyle elde edilmiştir. Bu sonuç, tüm alt senaryoların tek bir eğitim yöntemi ile değerlendirildiğinde, nükleer sistemlerin karmaşıklığı nedeniyle önemli ölçüde karışıklık yaşandığını göstermektedir. %74,66 doğruluk oranı, nükleer endüstrinin gerektirdiği yüksek performans gerekliliğini karşılamaktan uzak olduğu için, çalışma iki adımlı yönteme doğru yönlenmiştir İki adımlı yöntemde, ana geçiş-durumu senaryosu tespitinde Rastgele Orman yöntemi, doğruluk, kesinlik, duyarlılık ve F1 puanı açısından en iyi sonucu vermiştir; yalnızca sıcak bacak LOCA senaryosunu %1,44 oranında karıştırmıştır. Bu sayede, alt senaryo tespiti neredeyse %100 doğru bir ana senaryo temelinde gerçekleştirilmiştir. Ana geçiş-durumu senaryosuna dair 99.51% doğruluk performansı gösteren Rastgele Orman yöntem, iki adımlı yöntemin birinci kısmını oluşturmuştur. Takiple tespit edilen ana geçiş-durumunun alt senaryosunu tespit etmek için her ana geçiş için bir alt senaryo tespit modeli geliştirilmiştir. Alt senaryo tespitinde KNN yöntemi, çubuk çekilmesi, basınçlandırıcıdan buhar sızıntısı ve akış kaybı senaryoları için %100 doğruluk sağlamış ve operatöre geçişin seviyesi hakkında net bilgi sunmuştur. Ancak LOCA senaryolarında yöntem yaklaşık %80 doğruluk sağlamış ve genel olarak iki adımlı yöntemde %86,44 doğruluk elde edilmiştir. Bu anlamda nükleer sektörün yüksek standardına daha yakın perfomans ortaya konmuştuır. Yapılan çalışmalarda karışıklık matrisi tüm ana geçiş-durumları ve alt senaryolar için incelenmiş ve karışıklığın çok sıklıkla, özellikle LOCA senaryolarında, senaryo şiddeti anlamında 1 seviye yukarıda veya aşağıda olduğu görülmüştür. Buradan hareket ile, bu karışıklık skorlarına kapsayacak şekilde yapacak daha geniş bir gruplamanın, hassasiyet kaybına sebep olacak ise de, daha yüksek bir doğrulukla alt senaryo tespitine imkan vereceği değerlendirilmiştir. Gruplanmış tek adımlı yöntemde, geçiş-durumu seviyelerine göre yapılan yeni gruplamayla 19 alt senaryo kümesi oluşturulmuştur. Bu, KNN yöntemiyle %92,04 doğrulukla tüm yöntemler arasında en yüksek başarıyı sağlamıştır. Ancak, gruplama nedeniyle hassasiyette bir miktar kayıp yaşanmıştır. Tüm yaklaşımlar için doğrulama süreci 2–3 saniyede tamamlanmış ve bu da yöntemlerin gerçek zamanlı izleme uygulamaları için yeterince hızlı ve etkili olduğunu göstermektedir. Yapılan çalışma kapsamında gelecek dönemde makine öğrenmesine ek olarak, yapay zeka ve derin öğrenme modellerinin de, alternatif olarak ele alınması gerektiği ve makine öğrenme modellerine karşı performanslarını değerlendirlmesinin gerektiği tartışılmıştır. Yine gelecek çalışmalarda 91 adet veri kolonunun, simülatör çalışması kapsamında elde edilmesi kolay olsa da, gerçek operasyonda bu sayıda ve detayda veriye tam zamanlı ve sürekli ulaşmanın sorun olacağından hareket ile, aynı veya daha fazla doğruluk skoruna, daha az veri kolonu ile erişmenin gerekliliği değerlendirilmiştir. Daha verimli ve değerli bir model önermesinde de, ASYST kodun nodalizasyonun izin verdiği ölçüde reaktörde alt senaryoların lokasyon bilgisi ile kartezyenleştirilerek çoğaltılması ve makine öğrenmesi veya yapay zeka modeli yardımı ile hem alt senaryonun hem de lokasyonun aynı anda tespit edilmesi ele alınmıştır. Böylece modelin sadece reaktör operatörlerine değil aynı zamanda reaktörün sorun gidermekten sorumlu kadrosunun da verimliliğine katkı verebileceği düşünülmektedir.

Özet (Çeviri)

The low-carbon energy sources are needed to combat climate change. Nuclear reactors will play a vital role in achieving climate change goals since electricity generation in nuclear power plants (NPPs) do not include greenhouse gas emissions. Although NPPs are safe to operate thanks to many safety systems both active and passive they contain, accidents are still possible with low probability. Determination of accidents is important not only for timely prevention but also for mitigation. Four units of Russian Pressurized Water Reactor (PWR) namely VVER-1200 are under construction in Akkuyu site in Türkiye since 2018. The safety of these reactors are important for Türkiye. The accident detection study on VEER-1200 has paramount importance. Machine learning (ML) is a subfield of artificial intelligence (AI) that enables computers to learn from data and improve their performance without needing specific programming for each task. Rather than relying on fixed rules, these systems detect patterns and trends in data to make predictions or decisions. Common applications include facial recognition, product recommendations, language translation, and fraud detection. ML methods include supervised learning (using labeled data), unsupervised learning (discovering patterns in unlabeled data), and reinforcement learning (learning through rewards and feedback). This study focuses on identification of 53 transient sub-scenarios derived from reactivity insertion via rod withdrawal, steam leak from the pressurizer, loss of flow (LOFA), and loss of coolant accidents (LOCA) affecting both hot and cold legs main transients for VVER-1000 type PWR since the technical data of VVER-1200 is not readily available in the literature with ML. However, the methods developed in this study can be converted to VVER-1200 if data is provided. Three approaches were introduced for the task. In one-step approach, data for all the sub-scenarios were used directly to identify transient sub-scenarios. In the two-steps approach, the main transients were identified first and then the sub-scenario identification was performed. In grouped one-step approach, with the guidance of confusion matrices of one-step approach, the sub-scenarios were grouped to increase the accuracy of the predictions. The best performance of identification in one-step model was achieved with K-Nearest Neighbor (KNN) method which resulted in 74.66 % accuracy. This result shows that if all transient sub-scenarios were considered in one training method, there is a lot of confusion due to complex nature of nuclear system. In two-steps approach, main transient detection with Random Forest method yielded the best result in terms of accuracy, precision, recall, and F1-score matrices, only slightly confusing LOCA hot leg transient with 1.44 %. This provided the sub-scenario identification almost 100 % accurate main transient base to optimize on. Sub-scenario identification with KNN method delivered 100% accuracy for rod withdrawal, steam leak from pressurizer, and loss of flow transients, providing the reactor operator an accurate understanding on the level of the transient. However, for LOCA transients, the method had a combined accuracy of approximately 80 %, which made the sub-scenario model usable for these transients, yielding a total of 86.44 % accuracy for two-steps approach. In grouped one-step approach, new grouping with respect to transient levels resulted in 19 grouped sub-scenarios. This yielded a far better accuracy among all approaches with 92.04 % for KNN method. On the other hand, due to grouping, there is a loss of sensitivity in this approach. For all approaches, the validation process was completed in 2-3 seconds, indicating that the approaches is sufficiently efficient and responsive for real-time monitoring applications.

Benzer Tezler

  1. Tez No

    781696

    Bir insansız hava aracının modellenmesi ve derin pekiştirmeli öğrenme tabanlı otonom kontrolü

    Modeling of an unmanned aerial vehicle and autonomous control based on deep reinforcement learning

    BURAK TAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Savunma ve Savunma TeknolojileriFırat Üniversitesi

    Savunma Teknolojileri Ana Bilim Dalı

    PROF. DR. AYŞEGÜL UÇAR

  2. Tez No

    847490

    Reducing in-vehicle communication overload and enhancing efficiency in autonomous and electrical vehicles

    Otonom ve elektrikli araçlarda araç içi iletişim yükünü azaltma ve etkinliğini artırma

    YUNUS KAĞAN ÖZDEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    PROF. DR. AHMET CANSIZ

  3. Tez No

    673369

    İstanbul boğazı geçişi yapan gemiler için makine öğrenmesi uygulamaları ve kantitatif risk analizi

    Machine learning applications and quantitative risk analysis for ships passing through the istanbul strait

    MUSTAFA TOPAL

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Denizcilikİstanbul Teknik Üniversitesi

    Deniz Ulaştırma Mühendisliği Ana Bilim Dalı

    PROF. DR. YASİN ARSLANOĞLU

  4. Tez No

    823388

    Yapay zekâ ve demokrasi

    Artificial intelligence and democracy

    AYŞE NUR YAZICILAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    HukukGalatasaray Üniversitesi

    Kamu Hukuku Ana Bilim Dalı

    PROF. DR. ŞULE ÖZSOY BOYUNSUZ

  5. Tez No

    908661

    Kısmi dişsiz çenelerin yapay zekâ algoritmalarıyla değerlendirilmesi

    Evaluation of partially edentulous jaws with artificial intelligence algorithms

    HİLAL UÇAK

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2024

    Diş HekimliğiSüleyman Demirel Üniversitesi

    Protetik Diş Tedavisi Ana Bilim Dalı

    DOÇ. DR. ZEYNEP BAŞAĞAOĞLU DEMİREKİN

Geri Dön