EP4248464A1 - Procédé et dispositif électronique d'aide à la surveillance d'un élément de réacteur nucléaire, programme d'ordinateur et système associés - Google Patents

Procédé et dispositif électronique d'aide à la surveillance d'un élément de réacteur nucléaire, programme d'ordinateur et système associés

Info

Publication number
EP4248464A1
EP4248464A1 EP21815984.6A EP21815984A EP4248464A1 EP 4248464 A1 EP4248464 A1 EP 4248464A1 EP 21815984 A EP21815984 A EP 21815984A EP 4248464 A1 EP4248464 A1 EP 4248464A1
Authority
EP
European Patent Office
Prior art keywords
nuclear reactor
image
artificial intelligence
alert
intelligence algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP21815984.6A
Other languages
German (de)
English (en)
Inventor
Franck GREMBER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Areva NP SAS
Original Assignee
Framatome SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Framatome SA filed Critical Framatome SA
Publication of EP4248464A1 publication Critical patent/EP4248464A1/fr
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/001—Computer implemented control
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21C—NUCLEAR REACTORS
    • G21C17/00—Monitoring; Testing ; Maintaining
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21C—NUCLEAR REACTORS
    • G21C17/00—Monitoring; Testing ; Maintaining
    • G21C17/08—Structural combination of reactor core or moderator structure with viewing means, e.g. with television camera, periscope, window
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Definitions

  • the present invention relates to a method for assisting the monitoring of a nuclear reactor element, the method being implemented by an electronic device.
  • the invention also relates to a computer program comprising software instructions which, when executed by a computer, implement such a monitoring aid method.
  • the invention also relates to an electronic monitoring aid device, as well as an electronic monitoring aid system for a nuclear reactor element comprising an image sensor configured to take at least one image of the nuclear reactor element, and such a monitoring aid device connected to the image sensor(s).
  • the invention therefore relates to the field of the monitoring of nuclear reactors, in order to increase their operational safety, and to limit the risks of incidents.
  • the invention relates in particular to the monitoring of these nuclear reactors using artificial intelligence algorithms, in order to facilitate the monitoring carried out by operators, and in particular to reduce their cognitive load.
  • Document US 2017/0343481 A1 discloses a method for the remote inspection of components of a nuclear power plant, in particular for detecting surface cracks.
  • This document specifies that the use of automated crack detection algorithms makes it possible to improve the speed of examinations and to reduce the risk of human error, and that most of the existing automatic crack detection algorithms are based on a detection edges, thresholding or even morphological operations.
  • This document presents a machine learning classifier configured to analyze surface texture data and to detect surface texture features in areas of the surface represented in images, with the ability to track the movement of texture features from surface detected in the images to produce tracking data.
  • the classifier is typically a support vector machine, also denoted SVM (Support Vector Machine).
  • SVM Support Vector Machine
  • the object of the invention is then to propose a method for assisting in the monitoring of a nuclear reactor element which is easier to implement, in particular when training the artificial intelligence algorithm.
  • the subject of the invention is a method for assisting in the monitoring of a nuclear reactor element, the method being implemented by an electronic device and comprising the following steps:
  • an input of the artificial intelligence algorithm is an image of an area including the nuclear reactor element, and an output of the artificial intelligence algorithm is a confidence level as to an absence of defect of the element for said zone; if the level of confidence is lower than a predefined threshold, then at least one defect is deemed to be present; and during the training step, only images of the defect-free element are provided at the input of the artificial intelligence algorithm.
  • the artificial intelligence algorithm makes it possible to directly provide a level of confidence as to the absence of a fault in the nuclear reactor element for each zone of which one image was provided as input to the artificial intelligence algorithm.
  • the presence or absence of a defect for the nuclear reactor element is then estimated directly from the calculated confidence level, a defect being considered present if the confidence level is lower than the predefined threshold.
  • the training of the artificial intelligence algorithm is carried out exclusively from images of the defect-free nuclear reactor element, that is to say images where the item has no defects.
  • Such learning then makes it possible to dispense with a library of faults, which is particularly advantageous in the case of the nuclear reactor element, for which faults are relatively rare.
  • monitoring aid method remains effective even with faults that have not yet been listed.
  • the monitoring aid method aims to determine the zones which do not present a fault with the greatest possible precision, this via the artificial intelligence algorithm, and to then generate an alert when a fault is estimated present for a given area. This allows the operator in charge of monitoring to focus mainly on the doubtful area(s), in order to more easily detect any faults.
  • the alert is for example a visual alert, with a specific color layer displayed superimposed on the image of the doubtful area, such as a red layer, in order to attract the attention of the operator; and/or an audible alert, typically synchronized with the display of the suspicious zone.
  • the monitoring aid method comprises one or more of the following characteristics, taken in isolation or in all technically possible combinations:
  • the artificial intelligence algorithm includes an artificial neural network
  • the nuclear reactor element is an element of a primary circuit of the nuclear reactor; the nuclear reactor element preferably being selected from the group consisting of: part of a nuclear reactor core, part of a set of fuel assemblies, and part of a reactor vessel nuclear ;
  • a first alert is generated if the confidence level is lower than a first predefined threshold and/or a second alert is generated if the confidence level is lower than a second predefined threshold, the second alert being higher than the first alert, and the second predefined threshold being strictly lower than the first predefined threshold;
  • the acquired image comprises several distinct zones, and during the estimation step, a respective level of confidence is estimated for each of said zones;
  • the method further comprises a step of determining the or each predefined threshold, distinct from the training step, during the determination step, the or each predefined threshold preferably being determined as a function of at least one level of confidence calculated by the artificial intelligence algorithm and for an image of said element with defect;
  • the alert is a visual alert; the visual alert preferably being in the form of a layer and/or a symbol intended to be displayed superimposed on the image of the nuclear reactor element; and
  • the alert is an audible alert.
  • the invention also relates to a computer program comprising software instructions which, when they are executed by a computer, implement a monitoring aid method, as defined above.
  • the invention also relates to an electronic device for assisting in the monitoring of a nuclear reactor element, the device comprising:
  • a training module configured to train an artificial intelligence algorithm
  • an acquisition module configured to acquire an image of the nuclear reactor element
  • an estimation module configured to estimate, from the acquired image and via the artificial intelligence algorithm, the presence of at least one defect of the element
  • a display module configured to display the image of the nuclear reactor element
  • a generation module configured to, if at least one fault is deemed present, generate an alert; an input of the artificial intelligence algorithm being an image of an area comprising the nuclear reactor element, and an output of the artificial intelligence algorithm being a level of confidence as to an absence of fault of the element for said area; the estimation module being configured to estimate that at least one defect is present, if the confidence level is below a predefined threshold; and the training module being, for training the artificial intelligence algorithm, configured to provide at the input of said artificial intelligence algorithm only images of the defect-free element.
  • the invention also relates to an electronic system for assisting in the monitoring of a nuclear reactor element, the system comprising:
  • an image sensor(s) configured to take at least one image of the nuclear reactor element
  • FIG. 1 is a schematic view illustrating a nuclear reactor, such as a pressurized water nuclear reactor;
  • FIG. 2 is a schematic side view of a fuel assembly of the reactor core of Figure 1;
  • FIG. 3 is a schematic representation of an electronic system, according to the invention, to aid in the monitoring of an element of the nuclear reactor of Figure 1, the monitoring aid system comprising a sensor of image(s) able to take at least one image of said element, and an electronic monitoring aid device, connected to the image(s) sensor;
  • FIG. 4 is a flowchart of a method, according to the invention, for monitoring the element of the nuclear reactor of Figure 1, the method being implemented by the electronic device of Figure 3;
  • FIG. 5 is an example of two images taken by the image sensor(s) of Figure 3, a first image representing the faultless element, and a second image representing the faulty element;
  • FIG. 6 is a schematic representation of the images capable of being displayed by the surveillance aid device of Figure 3, following the implementation of the method of Figure 4 and from the images of Figure 5;
  • Figure 7 is a view similar to that of Figure 5 for another element of the nuclear reactor of Figure 1;
  • Figure 8 is a view similar to that of Figure 6 for this other element.
  • a pressurized water nuclear reactor 1 comprises, as known per se, a heart 2, a steam generator 3, a turbine 4 coupled to an electrical energy generator 5, and a condenser 6.
  • the nuclear reactor 1 comprises a primary circuit 8 equipped with a pump 9 and in which pressurized water circulates, along the path shown by the arrows in FIG. warmed up by cooling the core 2.
  • the primary circuit 8 further comprises a pressurizer 10 making it possible to pressurize the water circulating in the primary circuit 8.
  • the water in the primary circuit 8 also supplies the steam generator 3 where it is cooled by ensuring the vaporization of water circulating in a secondary circuit 12.
  • the steam produced by the steam generator 3 is channeled through the secondary circuit 12 to the turbine 4 then to the condenser 6 where this steam is condensed by indirect heat exchange with cooling water circulating in the condenser 6.
  • the secondary circuit 12 comprises, downstream of the condenser 6, a pump 13 and a heater 14.
  • the core 2 comprises fuel assemblies 16 which are loaded into a vessel 18 according to a loading plan.
  • a single assembly 16 is shown in Figure 1, but the heart 2 includes for example 157 assemblies 16.
  • the reactor 1 comprises control rods 20 which are arranged in the vessel 18 above certain fuel assemblies 16.
  • a single control rod 20 is represented in FIG. 1, but the core 2 comprises for example about sixty rods order 20.
  • each control cluster 20 can be moved by mechanisms 22 to be inserted into the fuel assemblies 16 which they overlook.
  • each control cluster 20 comprises rods, at least some of which comprise a neutron-absorbing material.
  • the vertical displacement of each control rod 20 makes it possible to adjust the reactivity of the reactor 1 and allows variations in the overall power supplied by the core 2, depending on the depression of the control rods 20 in the fuel assemblies 16 .
  • each fuel assembly 16 conventionally comprises a network of fuel rods 23 and a support skeleton 24 for the fuel rods 23.
  • the skeleton 24 conventionally comprises a lower end piece 25, an upper end piece 26, a network of guide tubes 27 connecting the two end pieces 25 and 26 and intended to receive the rods of the control clusters 20 and to position grids 28 forming a spacer to position the networks of fuel rods 23 and guide tubes 27.
  • an electronic system 30 for assisting in the monitoring of an element of the nuclear reactor 1 comprises an image sensor 35 of the nuclear reactor element, input/output means 36 and a display screen 38.
  • the monitoring aid system 30 also comprises an electronic device 40 for aiding monitoring of the nuclear reactor element, said device 40 being connected to the image(s) sensor 35, to the input means/ exit 36 and display screen
  • the nuclear reactor element capable of being monitored via the monitoring aid system 30, and in particular the monitoring aid device 40 is typically an element of the primary circuit 8.
  • the nuclear reactor element capable of to be monitored is for example chosen from the group consisting of: a part of the core 2 of the nuclear reactor 1, a part of a set of fuel assembly(s) 16, and a part of the vessel 18 of the nuclear reactor 1 .
  • the image sensor(s) 35 is then for example placed inside the vessel 18, in order to take images of the fuel assemblies 16, or of one or more internal parts of the vessel 18.
  • the image sensor(s) 35 is typically arranged on a tool such as for example a robot type carrier, submarine; or on a pole; or else on a machine for loading fuel with fuel assembly(s) 16.
  • the image sensor(s) 35 is then generally configured to carry out an in situ television inspection of an element of the nuclear reactor 1, in particular of its primary circuit 8.
  • the image sensor(s) 35 is then configured to take at least one image of the nuclear reactor element.
  • the image sensor(s) 35 is known per se.
  • the monitoring aid device 40 comprises a module 42 for acquiring an image of the nuclear reactor element; a module 44 for estimating, from the acquired image and via an artificial intelligence algorithm, the presence of at least one defect of the element; a module 46 for displaying the image of the nuclear reactor element; and a module 48 for generating an alert if at least one fault is deemed present.
  • the monitoring aid device 40 also comprises a module 50 for training the artificial intelligence algorithm.
  • the monitoring aid device 40 comprises a module 52 for determining a predefined threshold, used for estimating the presence of at least one element fault.
  • the monitoring aid device 40 comprises an information processing unit 60, formed for example of a memory 62 and a processor 64 associated with the memory 62.
  • the acquisition module 42, the estimation module 44, the display module 46, the generation module 48 and the training module 50, as well as optionally the determination module 52 are each produced in the form of software, or a software brick, executable by the processor 64.
  • the memory 62 of the monitoring aid device 40 is then capable of storing acquisition software an image of the nuclear reactor element; estimation software, from a image acquired and via the artificial intelligence algorithm, of the presence of at least one defect of the element; software for displaying the image of the nuclear reactor element; software for generating the alert if at least one defect is deemed present; and artificial intelligence algorithm training software.
  • the memory 62 of the electronic surface aid device 40 is also capable of storing software for determining the or each predefined threshold.
  • the processor 64 is then capable of executing each of the software programs among the acquisition software, the estimation software, the display software, the generation software and the training software, as well as, optionally, the determination.
  • the acquisition module 42, the estimation module 44, the display module 46, the generation module 48 and the training module 50, as well as in optional addition the determination module 52 are each made in the form of a programmable logic component, such as an FPGA (English Field Programmable Gate Away), or in the form of a dedicated integrated circuit, such as an ASIC (English Application-Specific Integrated Circuit).
  • a programmable logic component such as an FPGA (English Field Programmable Gate Away)
  • ASIC American Application-Specific Integrated Circuit
  • the electronic surveillance aid device 40 When the electronic surveillance aid device 40 is produced in the form of one or more software, that is to say in the form of a computer program, it is also capable of being recorded on a medium, not represented, readable by computer.
  • the computer-readable medium is, for example, a medium capable of storing electronic instructions and of being coupled to a bus of a computer system.
  • the readable medium is an optical disc, a magneto-optical disc, a ROM memory, a RAM memory, any type of non-volatile memory (for example EPROM, EEPROM, FLASH, NVRAM), a magnetic card or an optical card.
  • EPROM EPROM
  • EEPROM electrically erasable programmable read-only memory
  • FLASH erasable programmable read-only memory
  • NVRAM any type of non-volatile memory
  • the acquisition module 42 is configured to acquire at least one image of the element of the nuclear reactor from the image sensor(s) 35, said element being for example a part of the heart 2, a part of the fuel assembly assembly 16, or part of the vessel 18.
  • the acquisition module 42 is preferably configured to acquire successive images of said element of the nuclear reactor 1, and to then transmit them progressively to the estimation module 44.
  • the estimation module 44 is configured to estimate, from each respective acquired image and via the artificial intelligence algorithm, the presence of at least one defect of the element; that is to say configured to estimate whether said element is likely to have at least one defect.
  • an input of the artificial intelligence algorithm is an image of an area comprising the nuclear reactor element
  • an output of the artificial intelligence algorithm is a level of confidence as to an absence defect of the element for said zone, that is to say a level of confidence as to the fact that the element does not present a defect for said zone.
  • the estimation module 44 is then configured to estimate that at least one fault is present when the level of confidence is lower than the predefined threshold. In other words, if the level of confidence provided at the output of the artificial intelligence algorithm is lower than said predefined threshold, then the estimation module 44 is configured to estimate the presence of at least one defect. As a corollary, the estimation module 44 is configured to estimate the absence of fault of the element for said zone, if the level of confidence is greater than or equal to said predefined threshold.
  • the estimation module 44 is configured to successively estimate, from each respective image and via the artificial intelligence algorithm, the presence of at least one defect of the element for each respective image, the artificial intelligence algorithm providing a level of confidence as to the absence of defect for each respective image.
  • the image acquired comprises several distinct zones, and the estimation module 44 is then configured to calculate a respective level of confidence for each of said zones.
  • the estimation module 44 is for example configured to cut the acquired image into several cut images, each cut image corresponding to a respective zone and to then supply as input to the artificial intelligence algorithm each image cut corresponding to a respective zone, and recovering at the output of the artificial intelligence algorithm a level of confidence associated with each cut image, that is to say corresponding to each respective zone. This then makes it possible to display a distinct level of confidence for each of the zones, as can be seen in the example of figure 6.
  • the artificial intelligence algorithm is typically a self-encoding algorithm, or else an algorithm based on artificial neural network(s), such as an unsupervised learning algorithm at basis of artificial neural network(s).
  • the artificial intelligence algorithm comprises for example a network of artificial neurons, such as a multilayer network with backpropagation.
  • the artificial intelligence algorithm is preferably said artificial neural network.
  • the display module 46 is configured to display the image of the nuclear reactor element, for example on the display screen 38.
  • the display module 46 is further configured to display said visual alert, for example also on the screen of display 38.
  • the generation module 48 is configured to generate a respective alert if at least one fault is deemed present. In other words, if the estimation module 44 has estimated the presence of at least one element defect, then the generation module 48 is configured to generate an alert corresponding to the estimation of this presence of at least one default. In particular, if the level of confidence as to the absence of fault for a respective zone is calculated below the predefined threshold, then the generation module 48 is configured to generate an alert for said zone.
  • the generation module 48 is configured to generate a first alert if the confidence level is lower than a first predefined threshold and/or a second alert if the confidence level is lower than a second predefined threshold, the second alert being greater than the first alert, that is to say having an intensity greater than an intensity of the first alert, and the second predefined threshold being strictly less than the first predefined threshold.
  • the alert is for example a visual alert.
  • the visual alert is preferably in the form of a colored layer, such as the layer C2 visible in FIG. 6, and/or of a symbol, such as the symbol S2 also visible in FIG. 6.
  • the visual alert is typically intended to be displayed superimposed on the image of the nuclear reactor element.
  • the second visual alert has a more vivid tone than the first visual alert, in order to draw the operator's attention more to the second alert than to the first alert.
  • the alert generated by the generation module 48 is an audible alert.
  • the second sound alert is of greater intensity than that of the first sound alert.
  • the second sound alert then typically has a higher sound level than that of the first sound alert and/or a higher frequency than that of the first sound alert in order to present a more acute tone, and thus to attract more of the user's attention. 'operator.
  • the training module 50 is configured to train the artificial intelligence algorithm used by the estimation module 44.
  • the training module 50 is in particular configured to provide input data and corresponding output data to said artificial intelligence algorithm for training.
  • the training module 50 is configured to supply only images of the faultless element at the input of said artificial intelligence algorithm.
  • the training module 50 is configured to train said artificial intelligence algorithm to recognize the images of the defect-free element with very high precision, and to then attribute to such images a level of confidence close to 100 %, such as a level of confidence greater than 95%, and more preferably greater than 99%.
  • the determination module 52 is configured to determine the or each predefined threshold, and is separate from the drive module 50.
  • the determination module 52 is for example configured to determine the predefined threshold, or even each predefined threshold in the case of the first and second predefined thresholds, according to at least one level of confidence calculated by the artificial intelligence algorithm and for an image of said element with defect.
  • the determination module 52 is configured to obtain, via the estimation module 44, at least one level of confidence corresponding to the presence of a defect in the corresponding element, then to determine the or each threshold from this level of confidence in the presence of default.
  • the determination module 52 is for example configured to determine the predefined threshold as being equal to an average value between the level of confidence obtained for said element in the presence of a fault and the level of confidence equal to 100% corresponding to a certain absence of fault. .
  • the first predefined threshold is for example equal to a first weighted average between the level of confidence obtained for the element in the presence of a fault and the level of confidence equal 100% corresponding to the certain absence of defects; and the second predefined threshold is determined with a second weighted average between also said level of confidence in the presence of default, and the level of confidence equal to 100% in the absence of default, and the weighting coefficient associated with the level of confidence in presence of default being for the second weighted average greater than that used for the first weighted average.
  • FIG. representing a flowchart of the process for assisting in the monitoring of an element of the nuclear reactor 1, the process being implemented by the electronic monitoring aid device 40.
  • the surveillance aid method comprises an initial phase 100, followed by an operational phase 110 during which the surveillance aid is performed for one or more successive acquired images.
  • the initial phase 100 comprises a training step 120 during which the training module 50 trains the artificial intelligence algorithm to calculate a level of confidence as to the absence of a defect in the element, and this for different images corresponding to different zones comprising the nuclear reactor element.
  • this training step 120 only images of the defect-free element are provided, by the training module 50, at the input of the artificial intelligence algorithm, with then a corresponding confidence level close to 100%, such as a confidence level greater than 99%.
  • the determination module 52 determines, during a following step 130 and distinct from the training step 120, the predefined threshold in the case where a single predefined threshold is used. , or else each predefined threshold in the case of the first and second predefined thresholds. During this determination step 130, the determination module 52 determines, for example, the or each predefined threshold according to at least one level of confidence calculated by the artificial intelligence algorithm and for an image of said element with a defect, such as previously described.
  • the monitoring aid method comprises the operational phase 110 which first comprises a step 140 of acquisition of an image of the element of the nuclear reactor 1 by the module acquisition module 42.
  • the acquisition module 42 typically acquires this image from the image sensor(s) 35 which regularly takes images of said element.
  • the surveillance aid method then moves on to the next step 150, during which the estimation module 44 estimates, from the acquired image and via the previously trained artificial intelligence algorithm, the presence of at least one defect for the element of the nuclear reactor 1, represented on the acquired image.
  • the acquired image represents in particular a zone comprising the nuclear reactor element
  • the estimation module 44 calculates, via the artificial intelligence algorithm, a level of confidence as to to the absence of defect of the element for said zone, then estimates the presence or not of defect(s) according to the level of confidence calculated.
  • the confidence level is below the threshold predefined, or at one of the first and second predefined thresholds, then the estimation module 44 estimates that at least one fault is present for said zone.
  • the estimation module 44 calculates a respective confidence level for each of said zones, and then estimates the presence or not of at least one element defect for each of said areas.
  • the monitoring aid device 40 then displays, during step 160 and via its display module 46, the image of the element of the nuclear reactor 1.
  • the monitoring aid device 40 In parallel, or even prior to the display step 160, the monitoring aid device 40 generates, during step 170, via its generation module 48 and if at least one fault is deemed present, an alert corresponding for at least one fault deemed present.
  • the alert is typically a visual alert, such as the colored layer C2 and/or the symbol S2, and is then displayed superimposed on the image of the element of the nuclear reactor 1 during the display step 160 .
  • the alert is an audible alert, which is preferably emitted at the same time as the display of the image of the corresponding element of the nuclear reactor 1 during step 160.
  • the element of the nuclear reactor 1 is a part of the heart 2 of said nuclear reactor 1, and Figure 5 represents two acquired images, namely a first acquired image 200 showing no defect, and a second image 250 having a defect D.
  • Figure 6 shows the images as displayed during the display step 160, namely a first displayed image 300 not including a visual alert and a second displayed image 350 with a visual alert due to the default D.
  • the first displayed image 300 then corresponds to the first acquired image 200 with the superimposed addition of a first layer C1 as well as a first symbol S1.
  • the first layer C1 and/or the first symbol S1 makes it possible to provide the operator with additional information as to an estimated absence of fault.
  • the first layer C1 is for example green in color, and represented in the form of a cloud of white points in the example in gray level of FIG. 6. This additional information of absence of defect is for example generated by the generation module 48 when the estimation module 44 has previously estimated such an absence of fault, and thus enables the operator to detect such an absence of fault even more quickly.
  • the first symbol S1 is for example the value of the confidence level calculated by the module estimate 44, and is typically a value expressed as a percentage, such as 99.99% in the example of Figure 6.
  • the second displayed image 350 comprises two distinct zones, namely a first zone for which an absence of defect has been estimated by the estimation module 44 and then comprising the first layer C1, as well as the first symbol S1; and a second zone distinct from the first zone and comprising the fault D, according to the corresponding estimation made by the estimation module 44.
  • an alert corresponding to this second zone is then generated by the generation module 48 during step 170, and is in the form of the second layer C2 and/or of the second symbol S2.
  • the second layer C2 corresponds for example to a layer of red color, and is represented in the form of white hatching in the example of FIG. 6 in gray level
  • the second symbol S2 corresponds to a level of confidence expressed in percentage , for example 75% in the example of figure 6.
  • the generation module 48 is capable of generating several alerts, such as first and second alerts associated with first and second predefined thresholds and the alert is a visual alert, the colored layer associated with the first alert is for example orange color, and that associated with the second alert is for example red in color, in order to draw the operator's attention more to the second alert than to the first alert.
  • the element of the nuclear reactor 1 is part of a fuel assembly assembly 16 and FIG. 7 represents two acquired images, namely a third acquired image 400 showing no defect, and a fourth image 450 presenting a respective defect D.
  • Figure 8 then shows the images as displayed during the display step 160, namely a third displayed image 500 not including a visual alert and a fourth displayed image 550 with a visual alert due to the default D.
  • the third displayed image 500 then corresponds to the third acquired image 400 with the superposition of a first respective layer C1, as well as a first respective symbol S1.
  • the first layer C1 and/or the first symbol S1 makes it possible to provide the operator with additional information as to an estimated absence of fault.
  • the first layer C1 is for example green in color, and represented in the form of a cloud of white points in the gray level example of FIG. 8. This information additional absence of fault is for example generated by the generation module 48 when the estimation module 44 has previously estimated such an absence of fault, and thus allows the operator to detect such an absence of fault even more rapidly.
  • the first symbol S1 is for example the value of the confidence level calculated by the estimation module 44, and is typically a value expressed as a percentage, such as 99.99% in the example of FIG. 8.
  • the fourth displayed image 550 comprises two distinct zones, namely a first zone for which an absence of defect has been estimated by the estimation module 44 and then comprising the first layer C1, as well as the first symbol S1; and a second zone distinct from the first zone and comprising the fault D, according to the corresponding estimation made by the estimation module 44.
  • an alert corresponding to this second zone is then generated by the generation module 48 during step 170, and is in the form of the second layer C2 and/or the second symbol S2.
  • the second layer C2 corresponds for example to a layer of red color, and is represented in the form of white hatching in the example of FIG. 8 in gray level
  • the second symbol S2 corresponds to a confidence level expressed as a percentage , for example 75% in the example of Figure 8.
  • the monitoring aid device 40 according to the invention makes it possible to determine with very high precision the zones of the nuclear reactor 1 which do not present any fault, this by using the artificial intelligence algorithm for which the training was carried out only with images of said zones without defects, in order to train it to provide therefrom a level of confidence close to 100% in the absence of defects and with such precision.
  • this learning makes it possible to train the artificial intelligence algorithm to recognize healthy areas with a higher confidence rate than an operator viewing images while monitoring nuclear reactors.
  • monitoring aid device 40 remains effective even in the presence of faults not yet listed, the monitoring aid device 40 making it possible to indicate very quickly to the operator the absence of fault in the healthy areas, and then allowing it to focus on doubtful areas by generating for this purpose a alert associated with the estimation of the presence of fault(s).
  • the operator more easily detects one or more faults in such doubtful zones.
  • the monitoring aid device 40 and the associated monitoring aid method, are easier to implement, in particular when training the artificial intelligence algorithm, while reducing the cognitive load of the operator.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Procédé et dispositif électronique d'aide à la surveillance d'un élément de réacteur nucléaire, programme d'ordinateur et système associés Ce procédé d'aide à la surveillance d'un élément de réacteur nucléaire, mis en œuvre par un dispositif électronique, comprend les étapes : - (120) entrainer un algorithme d'intelligence artificielle; - (140) acquérir une image de l'élément; - (150) estimer, à partir de l'image et via l'algorithme d'intelligence artificielle, une présence d'un défaut de l'élément; - (160) afficher l'image de l'élément; et - si au moins un défaut est estimé présent, (170) générer une alerte. Lors de l'étape d'estimation, une entrée de l'algorithme d'intelligence artificielle est une image d'une zone comportant l'élément, et une sortie est un niveau de confiance quant à une absence de défaut de l'élément pour ladite zone. Si le niveau de confiance est inférieur à un seuil, alors un défaut est estimé présent. Lors de l'étape d'entraînement, seules des images de l'élément sans défaut sont fournies à l'entrée de l'algorithme d'intelligence artificielle.

Description

Procédé et dispositif électronique d'aide à la surveillance d’un élément de réacteur nucléaire, programme d’ordinateur et système associés
La présente invention concerne un procédé d’aide à la surveillance d’un élément de réacteur nucléaire, le procédé étant mis en œuvre par un dispositif électronique.
L’invention concerne également un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un tel procédé d'aide à la surveillance.
L’invention concerne aussi un dispositif électronique d'aide à la surveillance, ainsi qu’un système électronique d’aide à la surveillance d’un élément de réacteur nucléaire comprenant un capteur d’image(s) configuré pour prendre au moins une image de l’élément de réacteur nucléaire, et un tel dispositif d’aide à la surveillance connecté au capteur d’image(s).
L’invention concerne alors le domaine de la surveillance des réacteurs nucléaires, afin d’augmenter leur sûreté de fonctionnement, et de limiter les risques d’incident. L’invention concerne en particulier la surveillance de ces réacteurs nucléaires à l’aide d’algorithmes d’intelligence artificielle, afin de faciliter la surveillance effectuée par des opérateurs, et notamment de diminuer leur charge cognitive.
On connaît du document US 2017/0343481 A1 un procédé d’inspection à distance de composants d’une centrale nucléaire, en particulier pour détecter des fissures en surface. Ce document précise que l’utilisation d’algorithmes automatisés de détection de fissures permet d’améliorer la rapidité des examens et de réduire le risque d’erreur humaine, et que la plupart des algorithmes de détection automatique de fissures existants sont basés sur une détection d’arêtes, un seuillage ou encore des opérations morphologiques. Ce document présente alors un classifieur par apprentissage machine configuré pour analyser des données de texture de surface et pour détecter des caractéristiques de texture de surface dans des zones de la surface représentées dans des images, avec la capacité de suivre le mouvement des caractéristiques de texture de surface détectées dans les images pour produire des données de suivi. Le classifieur est typiquement une machine à vecteur de support, également noté SVM (de l’anglais Support Vector Machine). Le classifieur est alors apte à prédire une étiquette appropriée, telle que « fissurée » ou « non-fissurée », pour les caractéristiques de texture de surface détectées.
Cependant, un tel procédé nécessite un apprentissage particulièrement complexe du classifieur, puisqu’il a été entraîné en recadrant manuellement 4153 images non fissurées (qui ne contenaient pas de fissure) et 611 images fissurées (qui contenaient une fissure), certaines images de fissure ayant en outre subi une rotation de 22,5°, 45° ou encore 76,5°, afin d’entraîner le classifieur à détecter des fissures selon différentes orientations.
Le but de l’invention est alors de proposer un procédé d’aide à la surveillance d’un élément de réacteur nucléaire qui soit plus facile à mettre en œuvre, notamment lors de l’entraînement de l’algorithme d’intelligence artificielle.
A cet effet, l’invention a pour objet un procédé d'aide à la surveillance d’un élément de réacteur nucléaire, le procédé étant mis en œuvre par un dispositif électronique et comprenant les étapes suivantes :
- entrainer un algorithme d'intelligence artificielle ;
- acquérir une image de l’élément de réacteur nucléaire ;
- estimer, à partir de l’image acquise et via l’algorithme d'intelligence artificielle, une présence d’au moins un défaut de l’élément ;
- afficher l’image de l’élément de réacteur nucléaire ; et
- si au moins un défaut est estimé présent, générer une alerte ; lors de l’étape d’estimation, une entrée de l'algorithme d'intelligence artificielle est une image d’une zone comportant l’élément de réacteur nucléaire, et une sortie de l'algorithme d'intelligence artificielle est un niveau de confiance quant à une absence de défaut de l’élément pour ladite zone ; si le niveau de confiance est inférieur à un seuil prédéfini, alors au moins un défaut est estimé présent ; et lors de l’étape d’entraînement, seules des images de l’élément sans défaut sont fournies à l’entrée de l'algorithme d'intelligence artificielle.
Ainsi, avec le procédé d’aide à la surveillance selon l’invention, l’algorithme d’intelligence artificielle permet de fournir directement un niveau de confiance quant à l’absence de défaut de l’élément de réacteur nucléaire pour chaque zone dont une image a été fournie en entrée de l’algorithme d’intelligence artificielle. La présence ou l’absence de défaut pour l’élément de réacteur nucléaire est ensuite estimée directement à partir du niveau de confiance calculé, un défaut étant estimé présent si le niveau de confiance est inférieur au seuil prédéfini.
En outre, selon l’invention, l’entraînement de l’algorithme d’intelligence artificielle est effectué exclusivement à partir d’images de l’élément de réacteur nucléaire sans défaut, c’est-à-dire d’images où l’élément ne comporte pas de défaut. Un tel apprentissage permet alors de s’affranchir d’une bibliothèque de défauts, ce qui est particulièrement intéressant dans le cas de l’élément de réacteur nucléaire, pour lequel les défauts sont relativement rares.
De plus, un tel procédé d’aide à la surveillance reste efficace même avec des défauts qui n’ont pas encore été répertoriés. En effet, le procédé d’aide à la surveillance vise à déterminer les zones qui ne présentent pas de défaut avec la plus grande précision possible, ceci via l’algorithme d’intelligence artificielle, et à générer alors une alerte lorsqu’un défaut est estimé présent pour une zone donnée. Cela permet à l’opérateur en charge de la surveillance de se concentrer principalement sur la ou les zones douteuses, afin de détecter plus facilement d’éventuels défauts.
L’alerte est par exemple une alerte visuelle, avec un calque de couleur spécifique affiché de manière superposée à l’image de la zone douteuse, tel qu’un calque rouge, afin d’attirer l’attention de l’opérateur ; et/ou une alerte sonore, typiquement synchronisée avec l’affichage de la zone douteuse.
Suivant d’autres aspects avantageux de l’invention, le procédé d'aide à la surveillance comprend une ou plusieurs des caractéristiques suivantes, prises isolément ou suivant toutes les combinaisons techniquement possibles :
- l’algorithme d'intelligence artificielle comporte un réseau de neurones artificiels ;
- l’élément de réacteur nucléaire est un élément d’un circuit primaire du réacteur nucléaire ; l’élément de réacteur nucléaire étant de préférence choisi parmi le groupe consistant en : une partie d’un cœur de réacteur nucléaire, une partie d’un ensemble d’assemblage(s) de combustible, et une partie d’une cuve de réacteur nucléaire ;
- une première alerte est générée si le niveau de confiance est inférieur à un premier seuil prédéfini et/ou une deuxième alerte est générée si le niveau de confiance est inférieur à un deuxième seuil prédéfini, la deuxième alerte étant supérieure à la première alerte, et le deuxième seuil prédéfini étant strictement inférieur au premier seuil prédéfini ;
- l'image acquise comporte plusieurs zones distinctes, et lors de l’étape d’estimation, un niveau de confiance respectif est estimé pour chacune desdites zones ;
- le procédé comprend en outre une étape de détermination du ou de chaque seuil prédéfini, distincte de l’étape d’entrainement, lors de l’étape de détermination, le ou chaque seuil prédéfini étant de préférence déterminé en fonction d’au moins un niveau de confiance calculé par l'algorithme d'intelligence artificielle et pour une image dudit élément avec défaut ;
- l’alerte est une alerte visuelle ; l’alerte visuelle étant de préférence en forme d’un calque et/ou un symbole destiné(s) à être affiché(s) de manière superposée à l’image de l’élément de réacteur nucléaire ; et
- l’alerte est une alerte sonore.
L’invention a également pour objet un programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un procédé d'aide à la surveillance, tel que défini ci-dessus.
L’invention a aussi pour objet un dispositif électronique d'aide à la surveillance d’un élément de réacteur nucléaire, le dispositif comprenant :
- un module d’entraînement configuré pour entrainer un algorithme d'intelligence artificielle ;
- un module d’acquisition configuré pour acquérir une image de l’élément de réacteur nucléaire ;
- un module d’estimation configuré pour estimer, à partir de l’image acquise et via l’algorithme d'intelligence artificielle, une présence d’au moins un défaut de l’élément ;
- un module d’affichage configuré pour afficher l’image de l’élément de réacteur nucléaire ; et
- un module de génération configuré pour, si au moins un défaut est estimé présent, générer une alerte ; une entrée de l'algorithme d'intelligence artificielle étant une image d’une zone comportant l’élément de réacteur nucléaire, et une sortie de l'algorithme d'intelligence artificielle étant un niveau de confiance quant à une absence de défaut de l’élément pour ladite zone ; le module d’estimation étant configuré pour estimer qu’au moins un défaut est présent, si le niveau de confiance est inférieur à un seuil prédéfini ; et le module d’entrainement étant, pour l’entraînement de l’algorithme d'intelligence artificielle, configuré pour fournir à l’entrée dudit algorithme d'intelligence artificielle seulement des images de l’élément sans défaut.
L’invention a également pour objet un système électronique d'aide à la surveillance d’un élément de réacteur nucléaire, le système comprenant :
- un capteur d’image(s) configuré pour prendre au moins une image de l’élément de réacteur nucléaire ; et
- un dispositif électronique d'aide à la surveillance de l’élément de réacteur nucléaire, connecté au capteur d’image(s) ; le dispositif étant tel que défini ci-dessus. Ces caractéristiques et avantages de l’invention apparaîtront plus clairement à la lecture de la description qui va suivre, donnée uniquement à titre d’exemple non limitatif, et faite en référence aux dessins annexés, sur lesquels :
- la figure 1 est une vue schématique illustrant un réacteur nucléaire, tel qu’un réacteur nucléaire à eau pressurisée ;
- la figure 2 est une vue schématique latérale d’un assemblage de combustible du cœur du réacteur de la figure 1 ;
- la figure 3 est une représentation schématique d’un système électronique, selon l’invention, d’aide à la surveillance d’un élément du réacteur nucléaire de la figure 1 , le système d’aide à la surveillance comprenant un capteur d’image(s) apte à prendre au moins une image dudit élément, et un dispositif électronique d’aide à la surveillance, connecté au capteur d’image(s) ;
- la figure 4 est un organigramme d’un procédé, selon l’invention, d’aide à la surveillance de l’élément du réacteur nucléaire de la figure 1 , le procédé étant mis en œuvre par le dispositif électronique de la figure 3 ;
- la figure 5 est un exemple de deux images prises par le capteur d’image(s) de la figure 3, une première image représentant l’élément sans défaut, et une deuxième image représentant l’élément avec défaut ;
- la figure 6 est une représentation schématique des images aptes à être affichées par le dispositif d’aide à la surveillance de la figure 3, suite à la mise en œuvre du procédé de la figure 4 et à partir des images de la figure 5 ;
- la figure 7 est une vue analogue à celle de la figure 5 pour un autre élément du réacteur nucléaire de la figure 1 ;
- la figure 8 est une vue analogue à celle de la figure 6 pour cet autre élément.
Sur la figure 1 , un réacteur nucléaire 1 à eau pressurisée comprend comme connu en soi un cœur 2, un générateur de vapeur 3, une turbine 4 couplée à un générateur 5 d’énergie électrique, et un condenseur 6.
Le réacteur nucléaire 1 comprend un circuit primaire 8 équipé d’une pompe 9 et dans lequel circule de l’eau sous pression, selon le trajet matérialisé par les flèches sur la figure 1. Cette eau remonte notamment au travers du cœur 2 pour y être réchauffée en assurant la réfrigération du cœur 2.
Le circuit primaire 8 comprend en outre un pressuriseur 10 permettant de mettre sous pression l’eau circulant dans le circuit primaire 8.
L’eau du circuit primaire 8 alimente également le générateur de vapeur 3 où elle est refroidie en assurant la vaporisation d’eau circulant dans un circuit secondaire 12. La vapeur produite par le générateur de vapeur 3 est canalisée par le circuit secondaire 12 vers la turbine 4 puis vers le condenseur 6 où cette vapeur est condensée par échange de chaleur indirect avec de l’eau de refroidissement circulant dans le condenseur 6.
Le circuit secondaire 12 comprend, en aval du condenseur 6, une pompe 13 et un réchauffeur 14.
De manière classique, le cœur 2 comprend des assemblages de combustible 16 qui sont chargés dans une cuve 18 suivant un plan de chargement. Un seul assemblage 16 est représenté sur la figure 1 , mais le cœur 2 comprend par exemple 157 assemblages 16.
Le réacteur 1 comprend des grappes de commande 20 qui sont disposées dans la cuve 18 au-dessus de certains assemblages de combustible 16. Une seule grappe de commande 20 est représentée sur la figure 1 , mais le cœur 2 comprend par exemple une soixantaine de grappes de commande 20.
Les grappes de commande 20 sont déplaçables par des mécanismes 22 pour venir s’insérer dans les assemblages de combustible 16 qu’elles surplombent. Classiquement, chaque grappe de commande 20 comprend des crayons dont au moins certains comportent un matériau absorbant les neutrons. Ainsi, le déplacement vertical de chaque grappe de commande 20 permet de régler la réactivité du réacteur 1 et autorise des variations de la puissance globale fournie par le cœur 2, en fonction de l’enfoncement des grappes de commande 20 dans les assemblages de combustible 16.
Comme illustré par la figure 2, chaque assemblage de combustible 16 comprend de manière classique un réseau de crayons de combustible 23 et un squelette 24 de support des crayons de combustible 23.
Le squelette 24 comprend classiquement un embout inférieur 25, un embout supérieur 26, un réseau de tubes-guides 27 reliant les deux embouts 25 et 26 et destinés à recevoir les crayons des grappes de commande 20 et à positionner des grilles 28 formant entretoise pour positionner les réseaux de crayons de combustible 23 et de tubes-guides 27.
Sur la figure 3, un système électronique 30 d’aide à la surveillance d’un élément du réacteur nucléaire 1 comprend un capteur 35 d’image(s) de l’élément de réacteur nucléaire, des moyens d’entrée/sortie 36 et un écran d’affichage 38.
Le système d’aide à la surveillance 30 comprend également un dispositif électronique 40 d’aide à la surveillance de l’élément de réacteur nucléaire, ledit dispositif 40 étant connecté au capteur d’image(s) 35, aux moyens d’entrée/sortie 36 et à l’écran d’affichage L’élément de réacteur nucléaire apte à être surveillé via le système d’aide à la surveillance 30, et en particulier le dispositif d’aide à la surveillance 40, est typiquement un élément du circuit primaire 8. L’élément de réacteur nucléaire apte à être surveillé est par exemple choisi parmi le groupe consistant en : une partie du cœur 2 du réacteur nucléaire 1 , une partie d’un ensemble d’assemblage(s) de combustible 16, et une partie de la cuve 18 du réacteur nucléaire 1 .
Le capteur d’image(s) 35 est alors par exemple disposé à l’intérieur de la cuve 18, afin de prendre des images des assemblages de combustible 16, ou encore d’une ou plusieurs parties internes de la cuve 18.
Le capteur d’image(s) 35 est typiquement disposé sur un outillage comme par exemple un porteur type robot, sous-marin ; ou sur une perche ; ou encore sur une machine de chargement de combustible d’assemblage(s) de combustible 16.
Le capteur dïmage(s) 35 est alors de manière générale configuré pour réaliser une inspection télévisuelle in situ d’un élément du réacteur nucléaire 1 , en particulier de son circuit primaire 8.
Le capteur d’image(s) 35 est alors configuré pour prendre au moins une image de l’élément de réacteur nucléaire. Le capteur d’image(s) 35 est connu en soi.
Le dispositif d’aide à la surveillance 40 comprend un module 42 d’acquisition d’une image de l’élément de réacteur nucléaire ; un module 44 d’estimation, à partir de l’image acquise et via un algorithme d’intelligence artificielle, d’une présence d’au moins un défaut de l’élément ; un module 46 d’affichage de l’image de l’élément de réacteur nucléaire ; et un module 48 de génération d’une alerte si au moins un défaut est estimé présent.
Le dispositif d’aide à la surveillance 40 comprend également un module 50 d’entraînement de l’algorithme d’intelligence artificielle.
En complément facultatif, le dispositif d’aide à la surveillance 40 comprend un module 52 de détermination d’un seuil prédéfini, utilisé pour l’estimation de la présence d’au moins un défaut de l’élément.
Dans l’exemple de la figure 3, le dispositif d’aide à la surveillance 40 comprend une unité de traitement d’informations 60, formée par exemple d’une mémoire 62 et d’un processeur 64 associé à la mémoire 62.
Dans l’exemple de la figure 3, le module d’acquisition 42, le module d’estimation 44, le module d’affichage 46, le module de génération 48 et le module d’entraînement 50, ainsi qu’en complément facultatif le module de détermination 52, sont réalisés chacun sous forme d’un logiciel, ou d’une brique logicielle, exécutable par le processeur 64. La mémoire 62 du dispositif d’aide à la surveillance 40 est alors apte à stocker un logiciel d’acquisition d’une image de l’élément de réacteur nucléaire ; un logiciel d’estimation, à partir d’une image acquise et via l’algorithme d’intelligence artificielle, de la présence d’au moins un défaut de l’élément ; un logiciel d’affichage de l’image de l’élément de réacteur nucléaire ; un logiciel de génération de l’alerte si au moins un défaut est estimé présent ; et un logiciel d’entraînement de l’algorithme d’intelligence artificielle. En complément facultatif, la mémoire 62 du dispositif électronique d’aide à la surface 40 est également apte à stocker un logiciel de détermination du ou de chaque seuil prédéfini. Le processeur 64 est alors apte à exécuter chacun des logiciels parmi le logiciel d’acquisition, le logiciel d’estimation, le logiciel d’affichage, le logiciel de génération et le logiciel d’entraînement, ainsi qu’en complément facultatif le logiciel de détermination.
En variante non représentée, le module d’acquisition 42, le module d’estimation 44, le module d’affichage 46, le module de génération 48 et le module d’entraînement 50, ainsi qu’en complément facultatif le module de détermination 52, sont réalisés chacun sous forme d’un composant logique programmable, tel qu’un FPGA (de l’anglais Field Programable Gate Awaÿ), ou encore sous forme d’un circuit intégré dédié, tel qu’un ASIC (de l’anglais Application-Specific Integrated Circuit).
Lorsque le dispositif électronique d'aide à la surveillance 40 est réalisé sous forme d’un ou plusieurs logiciels, c’est-à-dire sous forme d’un programme ordinateur, il est en outre apte à être enregistré sur un support, non représenté, lisible par ordinateur. Le support lisible par ordinateur est par exemple un médium apte à mémoriser des instructions électroniques et à être couplé à un bus d’un système informatique. A titre d’exemple, le support lisible est un disque optique, un disque magnéto-optique, une mémoire ROM, une mémoire RAM, tout type de mémoire non volatile (par exemple EPROM, EEPROM, FLASH, NVRAM), une carte magnétique ou une carte optique. Sur le support lisible est alors mémorisé un programme d’ordinateur comprenant des instructions logicielles.
Le module d’acquisition 42 est configuré pour acquérir au moins une image de l’élément du réacteur nucléaire de la part du capteur d’image(s) 35, ledit élément étant par exemple une partie du cœur 2, une partie de l’ensemble d’assemblage de combustible 16, ou encore une partie de la cuve 18.
Le module d’acquisition 42 est de préférence configuré pour acquérir des images successives dudit élément du réacteur nucléaire 1 , et pour les transmettre alors au fur et à mesure au module d’estimation 44.
Le module d’estimation 44 est configuré pour estimer, à partir de chaque image acquise respective et via l’algorithme d’intelligence artificielle, la présence d’au moins un défaut de l’élément ; c’est-à-dire configuré pour estimer si ledit élément est susceptible de présenter au moins un défaut. Selon l’invention, une entrée de l’algorithme d’intelligence artificielle est une image d’une zone comportant l’élément de réacteur nucléaire, et une sortie de l’algorithme d’intelligence artificielle est un niveau de confiance quant à une absence de défaut de l’élément pour ladite zone, c’est-à-dire un niveau de confiance quant au fait que l’élément ne présente pas de défaut pour ladite zone.
Le module d’estimation 44 est alors configuré pour estimer qu’au moins un défaut est présent lorsque le niveau de confiance est inférieur au seuil prédéfini. Autrement dit, si le niveau de confiance fourni en sortie de l’algorithme d’intelligence artificielle est inférieur audit seuil prédéfini, alors le module d’estimation 44 est configuré pour estimer la présence d’au moins un défaut. De manière corollaire, le module d’estimation 44 est configuré pour estimer l’absence de défaut de l’élément pour ladite zone, si le niveau de confiance est supérieur ou égal audit seuil prédéfini.
En complément, lorsque le module d’acquisition 42 est configuré pour acquérir des images successives de l’élément considéré, puis pour les transmettre successivement au module d’estimation 44, le module d’estimation 44 est configuré pour estimer successivement, à partir de chaque image respective et via l’algorithme d’intelligence artificielle, la présence d’au moins un défaut de l’élément pour chaque image respective, l’algorithme d’intelligence artificielle fournissant un niveau de confiance quant à l’absence de défaut pour chaque image respective.
En complément facultatif, l’image acquise comporte plusieurs zones distinctes, et le module d’estimation 44 est alors configuré pour calculer un niveau de confiance respectif pour chacune desdites zones.
Selon ce complément facultatif, le module d’estimation 44 est par exemple configuré pour découper l’image acquise en plusieurs images découpées, chaque image découpée correspondant à une zone respective et pour fournir alors en entrée de l’algorithme d’intelligence artificielle chaque image découpée correspondant à une zone respective, et récupérer en sortie de l’algorithme d’intelligence artificielle un niveau de confiance associé à chaque image découpée, c’est-à-dire correspondant à chaque zone respective. Ceci permet alors d’afficher un niveau de confiance distinct pour chacune des zones, comme cela est visible dans l’exemple de la figure 6.
L’algorithme d’intelligence artificielle est typiquement un algorithme auto-encodeur, ou encore un algorithme à base de réseau(x) de neurones artificiels (de l’anglais artificial neural network), tel qu’un algorithme d’apprentissage non supervisé à base de réseau(x) de neurones artificiels. L’algorithme d’intelligence artificielle comporte par exemple un réseau de neurones artificiels, tel qu’un réseau multicouches avec rétropropagation. L’algorithme d’intelligence artificielle est de préférence ledit réseau de neurones artificiels.
Le module d’affichage 46 est configuré pour afficher l’image de l’élément de réacteur nucléaire, par exemple sur l’écran d’affichage 38.
En complément, lorsqu’une alerte respective est générée par le module de génération 48 et que ladite alerte est une alerte visuelle, le module d’affichage 46 est configuré en outre pour afficher ladite alerte visuelle, par exemple également sur l’écran d’affichage 38.
Le module de génération 48 est configuré pour générer une alerte respective si au moins un défaut est estimé présent. Autrement dit, si le module d’estimation 44 a estimé la présence d’au moins un défaut de l’élément, alors le module de génération 48 est configuré pour générer une alerte correspondant à l’estimation de cette présence d’au moins un défaut. En particulier, si le niveau de confiance quant à l’absence de défaut pour une zone respective est calculé inférieur au seuil prédéfini, alors le module de génération 48 est configuré pour générer une alerte pour ladite zone.
En complément facultatif, le module de génération 48 est configuré pour générer une première alerte si le niveau de confiance est inférieur à un premier seuil prédéfini et/ou une deuxième alerte si le niveau de confiance est inférieur à un deuxième seuil prédéfini, la deuxième alerte étant supérieure à la première alerte, c’est-à-dire ayant une intensité supérieure à une intensité de la première alerte, et le deuxième seuil prédéfini étant strictement inférieur au premier seuil prédéfini.
L’alerte, ou encore chaque alerte dans le cas de première et deuxième alertes, est par exemple une alerte visuelle. Selon cet exemple, l’alerte visuelle est de préférence en forme d’un calque coloré, tel que le calque C2 visible à la figure 6, et/ou d’un symbole, tel que le symbole S2 visible également à la figure 6. L’alerte visuelle est typiquement destinée à être affichée de manière superposée à l’image de l’élément de réacteur nucléaire.
Selon le complément précité avec les première et deuxième alertes, la deuxième alerte visuelle présente une tonalité plus vive que la première alerte visuelle, afin d’attirer davantage l’attention de l’opérateur sur la deuxième alerte que sur la première alerte.
En variante, l’alerte générée par le module de génération 48 est une alerte sonore. Selon cette variante, la deuxième alerte sonore est d’intensité supérieure à celle de la première alerte sonore. La deuxième alerte sonore présente alors typiquement un niveau sonore supérieur à celui de la première alerte sonore et/ou une fréquence supérieure à celle de la première alerte sonore afin de présenter une tonalité plus aigüe, et d’attirer ainsi davantage l’attention de l’opérateur. Le module d’entraînement 50 est configuré pour entraîner l’algorithme d’intelligence artificielle utilisé par le module d’estimation 44. Le module d’entraînement 50 est en particulier configuré pour fournir des données d’entrée et des données correspondantes de sortie audit algorithme d’intelligence artificielle en vue de son entraînement.
Selon l’invention, pour l’entraînement de l’algorithme d’intelligence artificielle, le module d’entraînement 50 est configuré pour fournir seulement des images de l’élément sans défaut à l’entrée dudit algorithme d’intelligence artificielle. Autrement dit, le module d’entraînement 50 est configuré pour entraîner ledit algorithme d’intelligence artificielle à reconnaître les images de l’élément sans défaut avec une très grande précision, et à attribuer alors à de telles images un niveau de confiance proche de 100%, tel qu’un niveau de confiance supérieur à 95%, et de préférence encore supérieur à 99%.
En complément facultatif, le module de détermination 52 est configuré pour déterminer le ou chaque seuil prédéfini, et est distinct du module d’entraînement 50.
Le module de détermination 52 est par exemple configuré pour déterminer le seuil prédéfini, ou encore chaque seuil prédéfini dans le cas des premier et deuxième seuils prédéfinis, en fonction d’au moins un niveau de confiance calculé par l’algorithme d’intelligence artificielle et pour une image dudit élément avec défaut. En d’autres termes, le module de détermination 52 est configuré pour obtenir, via le module d’estimation 44, au moins un niveau de confiance correspondant à la présence d’un défaut dans l’élément correspondant, puis pour déterminer le ou chaque seuil à partir de ce niveau de confiance en présence de défaut.
Le module de détermination 52 est par exemple configuré pour déterminer le seuil prédéfini comme étant égal à une valeur moyenne entre le niveau de confiance obtenu pour ledit élément en présence de défaut et le niveau de confiance égal à 100% correspondant à une absence certaine de défaut.
Lorsque le module de détermination 52 est configuré pour déterminer les premier et deuxième seuils prédéfinis, le premier seuil prédéfini est par exemple égal à une première moyenne pondérée entre le niveau de confiance obtenu pour l’élément en présence de défaut et le niveau de confiance égal à 100% correspondant à l’absence certaine de défaut ; et le deuxième seuil prédéfini est déterminé avec une deuxième moyenne pondérée entre également ledit niveau de confiance en présence de défaut, et le niveau de confiance égal à 100% en l’absence de défaut, et le coefficient de pondération associé au niveau de confiance en présence de défaut étant pour la deuxième moyenne pondérée supérieur à celui utilisé pour la première moyenne pondérée.
Le fonctionnement du système d’aide à la surveillance 30, et en particulier du dispositif d’aide à la surveillance 40, va être à présent décrit en regard de la figure 4 représentant un organigramme du procédé d’aide à la surveillance d’un élément du réacteur nucléaire 1 , le procédé étant mis en œuvre par le dispositif électronique d’aide à la surveillance 40.
Le procédé d’aide à la surveillance comprend une phase initiale 100, suivie d’une phase opérationnelle 110 lors de laquelle l’aide à la surveillance est effectuée pour une ou plusieurs images acquises successives.
La phase initiale 100 comporte une étape 120 d’entraînement lors de laquelle le module d’entraînement 50 entraîne l’algorithme d’intelligence artificielle à calculer un niveau de confiance quant à une absence de défaut de l’élément, et ce pour différentes images correspondant à différentes zones comportant l’élément de réacteur nucléaire.
Selon l’invention, lors de cette étape d’entraînement 120, seules des images de l’élément sans défaut sont fournies, par le module d’entraînement 50, à l’entrée de l’algorithme d’intelligence artificielle, avec alors un niveau de confiance correspondant proche de 100%, tel qu’un niveau de confiance supérieur à 99%.
À l’issue de cette étape d’apprentissage 120, le module de détermination 52 détermine, lors d’une étape suivante 130 et distincte de l’étape d’entraînement 120, le seuil prédéfini dans le cas où un unique seuil prédéfini est utilisé, ou bien chaque seuil prédéfini dans le cas des premier et deuxième seuils prédéfinis. Lors de cette étape de détermination 130, le module de détermination 52 détermine par exemple le ou chaque seuil prédéfini en fonction d’au moins un niveau de confiance calculé par l’algorithme d’intelligence artificielle et pour une image dudit élément avec défaut, comme décrit précédemment.
À l’issue de cette phase initiale 100, le procédé d’aide à la surveillance comprend la phase opérationnelle 1 10 qui comporte d’abord une étape 140 d’acquisition d’une image de l’élément du réacteur nucléaire 1 par le module d’acquisition 42. Le module d’acquisition 42 acquiert typiquement cette image de la part du capteur d’image(s) 35 qui prend régulièrement des images dudit élément.
Le procédé d’aide à la surveillance passe ensuite à l’étape suivante 150, lors de laquelle le module d’estimation 44 estime, à partir de l’image acquise et via l’algorithme d’intelligence artificielle préalablement entraîné, la présence d’au moins un défaut pour l’élément du réacteur nucléaire 1 , représenté sur l’image acquise.
Lors de cette étape d’estimation 150, l’image acquise représente en particulier une zone comportant l’élément de réacteur nucléaire, et le module d’estimation 44 calcule alors, via l’algorithme d’intelligence artificielle, un niveau de confiance quant à l’absence de défaut de l’élément pour ladite zone, puis estime la présence ou non de défaut(s) en fonction du niveau de confiance calculé. Typiquement, si le niveau de confiance est inférieur au seuil prédéfini, ou bien à l’un des premier et deuxième seuils prédéfinis, alors le module d’estimation 44 estime qu’au moins un défaut est présent pour ladite zone.
En complément facultatif, lorsque l’image acquise comporte plusieurs zones distinctes, le module d’estimation 44 calcule un niveau de confiance respectif pour chacune desdites zones, et estime alors la présence ou non d’au moins un défaut de l’élément pour chacune desdites zones.
Le dispositif d’aide à la surveillance 40 affiche ensuite, lors de l’étape 160 et via son module d’affichage 46, l’image de l’élément du réacteur nucléaire 1.
En parallèle, voire préalablement à l’étape d’affichage 160, le dispositif d’aide à la surveillance 40 génère, lors de l’étape 170, via son module de génération 48 et si au moins un défaut est estimé présent, une alerte correspondante pour au moins un défaut estimé présent.
L’alerte est typiquement une alerte visuelle, telle que le calque coloré C2 et/ou le symbole S2, et est alors affichée de manière superposée à l’image de l’élément du réacteur nucléaire 1 lors de l’étape d’affichage 160.
En variante ou en complément, l’alerte est une alerte sonore, qui est de préférence émise en même temps que l’affichage de l’image de l’élément correspondant du réacteur nucléaire 1 lors de l’étape 160.
Dans l’exemple des figures 5 et 6, l’élément du réacteur nucléaire 1 est une partie du cœur 2 dudit réacteur nucléaire 1 , et la figure 5 représente deux images acquises, à savoir une première image acquise 200 ne présentant pas de défaut, et une deuxième image 250 présentant un défaut D.
La figure 6 montre alors les images telles qu’affichées lors de l’étape d’affichage 160, à savoir une première image affichée 300 ne comportant pas d’alerte visuelle et une deuxième image affichée 350 avec alerte visuelle de par le défaut D.
La première image affichée 300 correspond alors à la première image acquise 200 avec l’ajout en superposition d’un premier calque C1 ainsi que d’un premier symbole S1. Le premier calque C1 et/ou le premier symbole S1 permet de fournir à l’opérateur une information supplémentaire quant à une absence estimée de défaut. Le premier calque C1 est par exemple de couleur verte, et représenté sous la forme d’un nuage de points blancs dans l’exemple en niveau de gris de la figure 6. Cette information supplémentaire d’absence de défaut est par exemple générée par le module de génération 48 lorsque le module d’estimation 44 a préalablement estimé une telle absence de défaut, et permet ainsi à l’opérateur de détecter encore plus rapidement une telle absence de défaut. Le premier symbole S1 est par exemple la valeur du niveau de confiance calculé par le module d’estimation 44, et est typiquement une valeur exprimée en pourcentage, telle que 99,99% dans l’exemple de la figure 6.
La deuxième image affichée 350 comporte deux zones distinctes, à savoir une première zone pour laquelle une absence de défaut a été estimée par le module d’estimation 44 et comportant alors le premier calque C1 , ainsi que le premier symbole S1 ; et une deuxième zone distincte de la première zone et comportant le défaut D, selon l’estimation correspondante faite par le module d’estimation 44. Dans l’exemple de la figure 6, une alerte correspondant à cette deuxième zone est alors générée par le module de génération 48 lors de l’étape 170, et est en forme du deuxième calque C2 et/ou du deuxième symbole S2. Le deuxième calque C2 correspond par exemple à un calque de couleur rouge, et est représenté sous la forme de hachures blanches dans l’exemple de la figure 6 en niveau de gris, et le deuxième symbole S2 correspond à un niveau de confiance exprimé en pourcentage, par exemple 75% dans l’exemple de la figure 6.
Lorsque le module de génération 48 est apte à générer plusieurs alertes, telles que des première et deuxième alertes associées à des premier et deuxième seuils prédéfinis et que l’alerte est une alerte visuelle, le calque coloré associé à la première alerte est par exemple de couleur orange, et celui associé à la deuxième alerte est par exemple de couleur rouge, afin d’attirer davantage l’attention de l’opérateur sur la deuxième alerte que sur la première alerte.
Dans l’exemple des figures 7 et 8, l’élément du réacteur nucléaire 1 est une partie d’un ensemble d’assemblage de combustible 16 et la figure 7 représente deux images acquises, à savoir une troisième image acquise 400 ne présentant pas de défaut, et une quatrième image 450 présentant un défaut D respectif. La figure 8 montre alors les images telles qu’affichées lors de l’étape d’affichage 160, à savoir une troisième image affichée 500 ne comportant pas d’alerte visuelle et une quatrième image affichée 550 avec alerte visuelle de par le défaut D.
Les troisième et quatrième images acquises 400, 450, visibles à la figure 7, représentent chacune une vue latérale du réseau de crayons de combustible 23 et d’une grille respective 28 formant entretoise pour positionner les réseaux de crayons de combustible 23.
La troisième image affichée 500 correspond alors à la troisième image acquise 400 avec l’ajout en superposition d’un premier calque C1 respectif, ainsi que d’un premier symbole S1 respectif. Le premier calque C1 et/ou le premier symbole S1 permet de fournir à l’opérateur une information supplémentaire quant à une absence estimée de défaut. Le premier calque C1 est par exemple de couleur verte, et représenté sous la forme d’un nuage de points blancs dans l’exemple en niveau de gris de la figure 8. Cette information supplémentaire d’absence de défaut est par exemple générée par le module de génération 48 lorsque le module d’estimation 44 a préalablement estimé une telle absence de défaut, et permet ainsi à l’opérateur de détecter encore plus rapidement une telle absence de défaut. Le premier symbole S1 est par exemple la valeur du niveau de confiance calculé par le module d’estimation 44, et est typiquement une valeur exprimée en pourcentage, telle que 99,99% dans l’exemple de la figure 8.
La quatrième image affichée 550 comporte deux zones distinctes, à savoir une première zone pour laquelle une absence de défaut a été estimée par le module d’estimation 44 et comportant alors le premier calque C1 , ainsi que le premier symbole S1 ; et une deuxième zone distincte de la première zone et comportant le défaut D, selon l’estimation correspondante faite par le module d’estimation 44. Dans l’exemple de la figure 8, une alerte correspondant à cette deuxième zone est alors générée par le module de génération 48 lors de l’étape 170, et est en forme du deuxième calque C2 et/ou du deuxième symbole S2. Le deuxième calque C2 correspond par exemple à un calque de couleur rouge, et est représenté sous la forme de hachures blanches dans l’exemple de la figure 8 en niveau de gris, et le deuxième symbole S2 correspond à un niveau de confiance exprimé en pourcentage, par exemple 75% dans l’exemple de la figure 8.
L’homme du métier comprendra que la manière de présenter les informations quant à l’absence ou à la présence estimée d’un défaut D respectif, illustrée sur les figures 6 et 8 avec les calques C1 , C2 et/ou les symboles S1 , S2, est un exemple non limitatif parmi d’autres de présentation de telles informations. D’autres exemples de présentation de ces informations d’absence ou de présence estimée d’un défaut D respectif sont bien entendu envisageables.
Ainsi, le dispositif d’aide à la surveillance 40 selon l’invention, et le procédé d’aide à la surveillance associé, permettent de déterminer avec une très grande précision les zones du réacteur nucléaire 1 qui ne présentent pas de défaut, ceci en utilisant l’algorithme d’intelligence artificielle pour lequel l’apprentissage a été effectué seulement avec des images desdites zones sans défaut, afin de l’entraîner à fournir en sortir un niveau de confiance proche de 100% en l’absence de défaut et avec une telle précision. Autrement dit, cet apprentissage permet d’entraîner l’algorithme d’intelligence artificielle à reconnaître des zones saines avec un taux de confiance supérieur à ce qu’effectuerait un opérateur visualisant des images lors de la surveillance des réacteurs nucléaires.
En outre, un tel dispositif d’aide à la surveillance 40 reste efficace même en présence de défauts non encore répertoriés, le dispositif d’aide à la surveillance 40 permettant d’indiquer très rapidement à l’opérateur l’absence de défaut dans les zones saines, et lui permettant alors de se concentrer sur les zones douteuses en générant à cet effet une alerte associée à l’estimation d’une présence de défaut(s). Ainsi, l’opérateur détecte plus facilement un ou des défauts dans de telles zones douteuses.
On conçoit donc que le dispositif d’aide à la surveillance 40, et le procédé d’aide à la surveillance associé, sont plus faciles à mettre en œuvre notamment lors de l’entraînement de l’algorithme d’intelligence artificielle, tout en diminuant la charge cognitive de l’opérateur.

Claims

REVENDICATIONS
1. Procédé d'aide à la surveillance d’un élément de réacteur nucléaire (1 ), le procédé étant mis en œuvre par un dispositif électronique (40) et comprenant les étapes suivantes :
- (120) entrainer un algorithme d'intelligence artificielle ;
- (140) acquérir une image de l’élément de réacteur nucléaire (1 ) ;
- (150) estimer, à partir de l’image acquise et via l’algorithme d'intelligence artificielle, une présence d’au moins un défaut de l’élément ;
- (160) afficher l’image de l’élément de réacteur nucléaire (1 ) ; et
- si au moins un défaut est estimé présent, (170) générer une alerte ; caractérisé en ce que, lors de l’étape d’estimation (150), une entrée de l'algorithme d'intelligence artificielle est une image d’une zone comportant l’élément de réacteur nucléaire (1 ), et une sortie de l'algorithme d'intelligence artificielle est un niveau de confiance quant à une absence de défaut de l’élément pour ladite zone ; en ce que si le niveau de confiance est inférieur à un seuil prédéfini, alors au moins un défaut est estimé présent ; et en ce que, lors de l’étape d’entraînement (120), seules des images de l’élément sans défaut sont fournies à l’entrée de l'algorithme d'intelligence artificielle.
2. Procédé selon la revendication 1 , dans lequel l’algorithme d'intelligence artificielle comporte un réseau de neurones artificiels.
3. Procédé selon la revendication 1 ou 2, dans lequel l’élément de réacteur nucléaire (1) est un élément d’un circuit primaire (8) du réacteur nucléaire (1) ; l’élément de réacteur nucléaire (1 ) étant de préférence choisi parmi le groupe consistant en : une partie d’un cœur (2) de réacteur nucléaire (1 ), une partie d’un ensemble d’assemblage(s) de combustible (16), et une partie d’une cuve (18) de réacteur nucléaire (1 )-
4. Procédé selon l’une quelconque des revendications précédentes, dans lequel une première alerte est générée si le niveau de confiance est inférieur à un premier seuil prédéfini et/ou une deuxième alerte est générée si le niveau de confiance est inférieur à un deuxième seuil prédéfini, la deuxième alerte étant supérieure à la première alerte, et le deuxième seuil prédéfini étant strictement inférieur au premier seuil prédéfini.
5. Procédé selon l’une quelconque des revendications précédentes, dans lequel l'image acquise comporte plusieurs zones distinctes, et lors de l’étape d’estimation (150), un niveau de confiance respectif est estimé pour chacune desdites zones.
6. Procédé selon l’une quelconque des revendications précédentes, dans lequel le procédé comprend en outre une étape (130) de détermination du ou de chaque seuil prédéfini, distincte de l’étape d’entrainement (120), lors de l’étape de détermination (130), le ou chaque seuil prédéfini étant de préférence déterminé en fonction d’au moins un niveau de confiance calculé par l'algorithme d'intelligence artificielle et pour une image dudit élément avec défaut.
7. Procédé selon l’une quelconque des revendications précédentes, dans lequel l’alerte est une alerte visuelle ; l’alerte visuelle étant de préférence en forme d’un calque (C1 , C2) et/ou un symbole (S1 , S2) destiné(s) à être affiché(s) de manière superposée à l’image de l’élément de réacteur nucléaire (1 ).
8. Procédé selon l’une quelconque des revendications précédentes, dans lequel l’alerte est une alerte sonore.
9. Programme d’ordinateur comportant des instructions logicielles qui, lorsqu’elles sont exécutées par un ordinateur, mettent en œuvre un procédé selon l’une quelconque des revendications précédentes.
10. Dispositif électronique (40) d'aide à la surveillance d’un élément de réacteur nucléaire (1 ), le dispositif (40) comprenant :
- un module d’entraînement (50) configuré pour entrainer un algorithme d'intelligence artificielle ;
- un module d’acquisition (42) configuré pour acquérir une image de l’élément de réacteur nucléaire (1 ) ;
- un module d’estimation (44) configuré pour estimer, à partir de l’image acquise et via l’algorithme d'intelligence artificielle, une présence d’au moins un défaut de l’élément ;
- un module d’affichage (46) configuré pour afficher l’image de l’élément de réacteur nucléaire (1 ) ; et
- un module de génération (48) configuré pour, si au moins un défaut est estimé présent, générer une alerte ; 19 caractérisé en ce qu’une entrée de l'algorithme d'intelligence artificielle est une image d’une zone comportant l’élément de réacteur nucléaire (1 ), et une sortie de l'algorithme d'intelligence artificielle est un niveau de confiance quant à une absence de défaut de l’élément pour ladite zone ; en ce que le module d’estimation (44) est configuré pour estimer qu’au moins un défaut est présent, si le niveau de confiance est inférieur à un seuil prédéfini ; et en ce que le module d’entrainement (50) est, pour l’entraînement de l’algorithme d'intelligence artificielle, configuré pour fournir à l’entrée dudit algorithme d'intelligence artificielle seulement des images de l’élément sans défaut.
11. Système électronique (30) d'aide à la surveillance d’un élément de réacteur nucléaire (1 ), le système (30) comprenant :
- un capteur d’image(s) (35) configuré pour prendre au moins une image de l’élément de réacteur nucléaire (1 ) ; et - un dispositif électronique (40) d'aide à la surveillance de l’élément de réacteur nucléaire (1 ), connecté au capteur d’image(s) (35) ; caractérisé en ce que le dispositif (40) est selon la revendication précédente.
EP21815984.6A 2020-11-19 2021-11-18 Procédé et dispositif électronique d'aide à la surveillance d'un élément de réacteur nucléaire, programme d'ordinateur et système associés Withdrawn EP4248464A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2011882A FR3116342B1 (fr) 2020-11-19 2020-11-19 Procédé et dispositif électronique d'aide à la surveillance d’un élément de réacteur nucléaire, programme d’ordinateur et système associés
PCT/EP2021/082076 WO2022106506A1 (fr) 2020-11-19 2021-11-18 Procédé et dispositif électronique d'aide à la surveillance d'un élément de réacteur nucléaire, programme d'ordinateur et système associés

Publications (1)

Publication Number Publication Date
EP4248464A1 true EP4248464A1 (fr) 2023-09-27

Family

ID=75539384

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21815984.6A Withdrawn EP4248464A1 (fr) 2020-11-19 2021-11-18 Procédé et dispositif électronique d'aide à la surveillance d'un élément de réacteur nucléaire, programme d'ordinateur et système associés

Country Status (5)

Country Link
US (1) US20240006087A1 (fr)
EP (1) EP4248464A1 (fr)
CN (1) CN116457894A (fr)
FR (1) FR3116342B1 (fr)
WO (1) WO2022106506A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117558472B (zh) * 2024-01-11 2024-03-15 深圳大学 核反应堆冷却系统及其冷却控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160078353A1 (en) * 2014-09-15 2016-03-17 Palo Alto Research Center Incorporated Monitoring user status by comparing public and private activities
US20170343481A1 (en) * 2016-05-27 2017-11-30 Purdue Research Foundation Methods and systems for crack detection

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA3030226A1 (fr) * 2016-07-08 2018-01-11 Ats Automation Tooling Systems Inc. Systeme et procede d'inspection automatique et manuelle combinee
CN108280820A (zh) * 2017-12-12 2018-07-13 深圳市智能机器人研究院 一种核岛厂房清水混凝土墙面自动修复系统及其实现方法
CN108734142A (zh) * 2018-05-28 2018-11-02 西南交通大学 一种基于卷积神经网络的核堆内构件表面粗糙度评估方法
CN110751642A (zh) * 2019-10-18 2020-02-04 国网黑龙江省电力有限公司大庆供电公司 一种绝缘子裂缝检测方法和系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160078353A1 (en) * 2014-09-15 2016-03-17 Palo Alto Research Center Incorporated Monitoring user status by comparing public and private activities
US20170343481A1 (en) * 2016-05-27 2017-11-30 Purdue Research Foundation Methods and systems for crack detection

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
-: "One-class classification - Wikipedia", 24 October 2020 (2020-10-24), pages 1 - 6, XP093218584, Retrieved from the Internet <URL:https://en.wikipedia.org/w/index.php?title=One-class_classification&oldid=985134376> *
RAGHAVENDRA CHALAPATHY ET AL: "Anomaly Detection using One-Class Neural Networks", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 18 February 2018 (2018-02-18), XP081014436 *
See also references of WO2022106506A1 *

Also Published As

Publication number Publication date
FR3116342B1 (fr) 2023-04-14
CN116457894A (zh) 2023-07-18
WO2022106506A1 (fr) 2022-05-27
US20240006087A1 (en) 2024-01-04
FR3116342A1 (fr) 2022-05-20

Similar Documents

Publication Publication Date Title
CN114022420B (zh) 一种自动识别光伏电池el组件缺陷的检测方法
Aghaei et al. IR real-time analyses for PV system monitoring by digital image processing techniques
EP2599039B1 (fr) Procede et systeme d&#39;analyse de donnees de vol enregistrees au cours d&#39;un vol d&#39;un avion
Özer et al. An approach based on deep learning methods to detect the condition of solar panels in solar power plants
EP3494430A1 (fr) Procédé d&#39;élaboration d&#39;une image numérique, produit programme d&#39;ordinateur et système optique associés
FR3095424A1 (fr) Système et procédé de surveillance d’un moteur d’aéronef
Mourato et al. Automatic sunspot detection through semantic and instance segmentation approaches
EP4248464A1 (fr) Procédé et dispositif électronique d&#39;aide à la surveillance d&#39;un élément de réacteur nucléaire, programme d&#39;ordinateur et système associés
EP4531278A1 (fr) Méthode de détection de défauts dans une installation photovoltaïque
Mueller et al. Classifying sonar images: can a computer‐driven process identify eels?
EP3216213A1 (fr) Procédé de détection de pixels défectueux
CA2935863C (fr) Procede et programme d&#39;ordinateur pour la surveillance d&#39;un inverseur de poussee a actionneurs hydrauliques
McLeay et al. Deep convolutional neural networks with transfer learning for waterline detection in mussel farms
WO2024023453A1 (fr) Dispositif de surveillance d&#39;opération industrielle
EP3018487B1 (fr) Procédé et système d&#39;inspection d&#39;une centrale solaire photovoltaïque
FR3142595A1 (fr) Procédé d’aide à la détection de corps migrants au sein d’un assemblage combustible
FR3044187A1 (fr) Localisation d&#39;un sous-groupe de modules defaillant dans un parc photovoltaique
CN117953428A (zh) 遗落物品告警方法、装置、设备、存储介质及产品
EP2409276B1 (fr) Procede de traitement d&#39;image pour l&#39;analyse de circuits integres, et systeme de mise en oeuvre du procede
FR3140185A1 (fr) Procédé et dispositif de détection d’anomalie de fonctionnement d’un aéronef
FR2633747A1 (en) Adaptive image-processing system
BE1030831B1 (fr) Méthode de détection de l&#39;état de fonctionnement d&#39;un panneau photovoltaïque et système de détection
EP4118616B1 (fr) Procédé et système de contrôle non destructif d&#39;une pièce aéronautique
EP3643986A1 (fr) Procédé de détection et de localisation d&#39;un défaut dans un champ solaire thermique
FR3149712A1 (fr) Detection d’anomalie dans une piece aeronautique

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230519

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240327

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN

18W Application withdrawn

Effective date: 20250912