Monitoramento do Fator de Pico Nuclear em Reatores Compactos utilizando uma abordagem baseada em Aprendizado de Máquina (Machine Learning)

• Ano de defesa: 2021
• Autor(a) principal: Sanchez, Priscila Palma
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: boron free; fator de pico nuclear; isento de boro; monitoramento do reator; power peaking factor; reactor monitoring; reator compacto modular; small modular reactor; support vector; vetores de suporte
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/85/85133/tde-22102021-132940/

A fim de garantir a segurança em uma planta nuclear de potência, os sistemas de operação e proteção devem considerar parâmetros de segurança, seja para guiar os operadores ou para desligar o reator em caso de emergência. Especialmente em reatores modulares compactos (SMR) isentos de boro nos quais a reatividade e a potência são controladas exclusivamente por bancos de controle, a distribuição de potência é majoritariamente influenciada por suas movimentações afetando o Fator de Pico Nuclear (PF), que é um parâmetro importante a ser considerado. O PF relaciona a densidade de potência linear local máxima com a densidade de potência média em uma vareta combustível, indicando elevado fluxo de nêutrons que pode causar dano à vareta combustível. Neste trabalho, 2.117 amostras de simulações de um SMR livre de boro idealizado e controlado exclusivamente por bancos foram usadas para gerar um modelo de Máquina de Vetores de Suporte (SVM) capaz de estimar PF como função da posição dos bancos de controle. Tal modelo pode ser usado na predição e no monitoramento em tempo real de PF realizando cálculos simples como uma maneira de superar os desafios das metodologias existentes aplicadas a núcleos compactos. Residindo na busca em grade dos parâmetros da SVM e no processo de validação cruzada de 10 subgrupos no conjunto de dados de treino para alcançar um modelo otimizado e robusto, os resultados mostraram Raiz do Erro Quadrático Médio (RMSE) de aproximadamente 0,1% consistente para ambos os conjuntos de treino e teste.