ИИ как экосистема, бизнес и рынок

В мире существует целый ряд научных центров, занятых в области создания умных роботов для атомной отрасли.

Например, проект RoMaNS (Robotic Manipulation for Nuclear Sort and Segregation) направлен на совершенствование технологий в области автоматизации решения критически важной с точки зрения защиты окружающей среды проблемы сортировки и сегрегации ядерных отходов. Сортировка позволяет минимизировать случаи, когда низкоуровневые отходы занимают дорогое оборудование для высокоуровневого хранения [134]. Огромное количество старых контейнеров с отходами должны быть вскрыты, исследованы, а их содержимое отсортировано. Из-за высокого содержания радиоактивных материалов это можно сделать только дистанционно с помощью роботов. Текущая практика в промышленности состоит в простом телеуправлении с помощью джойстика. Это неудовлетворительно медленный подход, учитывая огромные объемы материала для обработки. Согласно публикации [135], команда RoMaNs еще в 2017 году успешно испытала роботизированную руку с разработанной ими системой управления на базе ИИ в радиоактивной среде на объекте в северной Англии, находящемся в ведении Национальной ядерной лаборатории, и продолжает разработки в данной области.

В том же году сотрудники Далтонского ядерного института Манчестерского университета сообщили о запуске программы по созданию роботов на базе искусственного интеллекта, направленную на очистку ядерных отходов [136]. Центр робототехники и искусственного интеллекта для ядерной промышленности Robotics and Artificial Intelligence for Nuclear (RAIN) получил 12 миллионов фунтов стерлингов для решения таких проблем, как вывод из эксплуатации, утилизация отходов, термоядерный синтез, продление срока службы станций и строительство новых объектов. Центр объединяет специалистов из университетов Оксфорда, Ливерпуля, Шеффилда, Ноттингема, Ланкастера, Бристоля и Управления по атомной энергии Великобритании, а также международных партнеров из США, Италии и Японии.

Проблемами разработки роботизированных систем для очистки ядерных отходов занимаются во многих лабораториях. Например, в лаборатории экстремальной робототехники Бирмингемского университета выполняется проект, в рамках которого изучается проблема категоризации объектов отходов на основе RGBD ^{26RGB-D (Red Green Blue-Depth) - цветные 3D-изображения в виде облака точек} обнаружения и категоризации отходов для вывода из эксплуатации ядерных объектов [137]. Для обеспечения возможности автономного роботизированного манипулирования при выводе из эксплуатации необходимо обнаружить и классифицировать объекты ядерных отходов. Поскольку большое количество аннотированных данных об объектах отходов в настоящее время недоступно, специалисты разработали подход слабоконтролируемого обучения, который способен обучить глубокую сверточную нейронную сеть на основе немаркированных RGBD видео, требуя при этом очень мало аннотаций.

Интеллектуальная робототехника применяется не только для манипулирования радиоактивными отходами. Говоря о работах, выполняемых в Госкорпорации "Росатом", можно упомянуть проект на Калининской АЭС, где выполняется внедрение робототехнического комплекса противопожарной защиты машинных залов с элементами искусственного интеллекта. Разрабатываемая установка включает комплекс роботизированных лафетных стволов. У каждого робота задан свой определенный сектор, который он сканирует тепловизором, и в случае обнаружения возгорания система передает соответствующий сигнал на блочный щит управления энергоблоком и приступает к тушению в автоматическом режиме либо при управлении оператором [138].

Математическое моделирование

Атомная станция представляет собой сложную многокомпонентную систему, определяемую физическими процессами высокой сложности. Мультифизическое моделирование на основе решения дифференциальных уравнений упомянутых физических процессов требует больших вычислительных ресурсов и, соответственно, существенного расчетного времени. Для управления работой станции в нормальных и аномальных условиях различные системы АЭС (например, компоненты активной зоны реактора) подвергаются непрерывному мониторингу, что приводит к получению огромных массивов данных, которые целесообразно обрабатывать с помощью методов ИИ для прогнозирования поведения подсистем АЭС и принятия оперативных решений на основе фактических и прогнозных данных. Модели на основе данных с использованием машинного обучения в ряде случаев дополняют моделирование физических процессов.

В Госкорпорации "Росатом" разработано программное обеспечение для мультифизического математического моделирования и анализа инженерных данных - "Логос". Комплекс создан на основе цифровых разработок саровского предприятия РФЯЦ-ВНИИЭФ.

В настоящее время "Логос" состоит из пяти программных модулей: "Логос Аэро-Гидро" (для моделирования аэро-, гидро-, газодинамических процессов), "Логос Тепло" (для моделирования процессов теплопередачи), "Логос Прочность" (для решения статических и динамических прочностных задач),"ЛогосГидрогеология"(для решения задач водного баланса территорий и моделирования экологических процессов в сложной геологической среде), "Логос Платформа" (для интеграции в единую вычислительную платформу модулей "Логос" и ПО класса САЕ^{27Computer Aided Engineering - общее название для программ, предназначенных для решения различных инженерных задач: расчетов, анализа и моделирования физических процессов} от различных российских разработчиков, а также для решения задач оптимизации методами машинного обучения).

Обучение с подкреплением

Исследователи из DeepMind вместе с коллегами из Швейцарии создали алгоритм машинного обучения для удержания плазмы в токамаке [139]. Они обучили его на высокоточном симуляторе, а затем показали работоспособность подхода на реальном токамаке в Швейцарии [140]. Термо ядерный реактор предполагает создание плазмы, в которой происходит управляемый термоядерный синтез - слияние ядер с выделением огромного количества энергии. Для термоядерных реакторов предлагались разные конструкции, но на данный момент лидирует токамак - эту конструкцию в свое время разработали советские физики Тамм и Сахаров. Она же используется в международном реакторе ITER, который должен начать работу и получить первую плазму в 2025 году. Токамак состоит из тороидальной камеры, вокруг которой расположены магнитные катушки. Они позволяют удерживать плазму с помощью магнитного поля, не давая ей столкнуться со стенками токамака и разрушить их.

Еще в середине XX века стало ясно, что удержание плазмы магнитным полем - крайне сложная задача, потому что в ней не минуемо возникают неустойчивости. В итоге даже лучшие токамаки удерживают ее в течение очень небольшого времени: в прошлом году китайский EAST установил рекорд, удержав горячую плазму (120 миллионов градусов) в течение 101 секунды, а создатели ITER рассчитывают на 400-600 секунд.

Алгоритмы обучались на высокоточном симуляторе токамака, разработанном специалистами Швейцарского центра плазмы. После обучения авторы проверили работу нейросети-исполнителя на реальном токамаке в этом центре и подтвердили, что он способен удерживать плазму и поддерживать разные ее конфигурации, в том числе двойную, при которой в токамаке формируется два отдельных плазменных шнура.

Мониторинг технического состояния и предиктивная аналитика

Одним из важнейших направлений применения искусственного интеллекта в атомной отрасли является предиктивная аналитика. Решения в области предиктивной аналитики позволяют оптимизировать процессы технического обслуживания и ремонта промышленного оборудования, повысить качество решений, принимаемых на основе данных, совершенствовать производственные процессы, снизить брак производимой продукции. К типовым задачам предиктивной аналитики в промышленности можно отнести следующие.

• Мониторинг технического состояния производственного оборудования (детектирование аномалий).
• Прогнозирование остаточного ресурса узлов оборудования (прогноз времени до выхода за уставки).
• Прогноз вероятности брака (например, дефектов в микроструктуре) в производимой продукции по данным ранних этапов производственного процесса.
• Прогноз оптимальных параметров производственного процесса (технологических режимов оборудования).

Любое оборудование подвергается износу и требует ремонта. Одна из задач эксплуатирующей организации состоит в том, чтобы собрать исторические данные о его работе и поведении и оценить, сколько есть времени до выхода из строя этого оборудования. Такая задача называется RUL (Remaining useful life estimation), или прогноз остаточного ресурса ( рис. 3.16).