La Corée du Sud développe un modèle d'IA pour prioriser les inspections post-séisme des installations nucléaires

Une équipe de recherche conjointe de l'Institut coréen de recherche sur les normes et les sciences (KRISS) et de l'Institut national des sciences et technologies d'Ulsan (UNIST) a développé un modèle d'apprentissage profond capable d'aider les installations nucléaires à identifier rapidement les zones d'inspection prioritaires après un séisme. Ce modèle utilise uniquement les signaux d'ondes sismiques collectés par un seul sismomètre pour prédire en temps réel les réponses vibratoires à plusieurs emplacements à l'intérieur de la centrale nucléaire et quantifier le classement des risques potentiels.

La recherche a été menée conjointement par l'équipe du chercheur principal Jae-Beom Lee du KRISS et celle du professeur Young-Ju Lee de l'UNIST. Les chercheurs indiquent que cette technologie peut, sans installer de capteurs à chaque emplacement critique, déduire les vibrations à 139 emplacements non équipés de capteurs dans l'installation nucléaire, aidant ainsi les exploitants à réduire plus rapidement le périmètre d'inspection post-séisme.

Après un séisme, même si l'installation ne présente aucun dommage apparent, la confirmation de sûreté et les inspections détaillées peuvent encore entraîner de longues périodes d'arrêt. Les données montrent qu'après le séisme de magnitude 5,8 survenu à Gyeongju en Corée du Sud en 2016, les tranches 1 à 4 de la centrale nucléaire de Wolsong ont repris leur exploitation après environ 80 jours de confirmation des performances et d'inspections détaillées. Après le fort séisme survenu à Kumamoto, au Japon, en juillet de cette année, l'usine 1 de TSMC à Kumamoto a également suspendu temporairement ses opérations, puis a progressivement repris ses activités normales après l'inspection et l'ajustement des équipements.

Le cœur de cette recherche réside dans la technologie de « détection virtuelle ». Le modèle analyse les ondes sismiques enregistrées par un seul sismomètre pour déduire en temps réel les réponses vibratoires à différents emplacements à l'intérieur de l'installation ; même face à des enregistrements sismiques réels non utilisés lors de l'entraînement, il démontre une bonne capacité de prédiction. L'équipe de recherche a également intégré les incertitudes liées aux caractéristiques structurelles dans les calculs, quantifiant de 0 % à 100 % la probabilité que les réponses vibratoires à chaque emplacement dépassent les seuils de risque prédéfinis.

Cette méthode ne se contente pas de fournir un jugement binaire « sûr » ou « dangereux », mais classe les points d'inspection par ordre de probabilité de risque. Pour les grandes installations complexes comme les centrales nucléaires, cela aide les experts à prioriser l'examen des zones à haut risque après un séisme, améliorant ainsi l'efficacité de la vérification de sûreté.

L'équipe de recherche a également proposé une formule de conception permettant de dériver une architecture d'IA optimale à partir des fréquences propres de la structure, réduisant ainsi le processus d'essais-erreurs nécessaire à la conception et à la comparaison itératives des modèles. Le modèle d'IA conçu selon cette méthode atteint une précision comparable à certains des modèles d'apprentissage profond les plus récents, mais avec un nombre de paramètres bien inférieur et une charge de calcul nettement réduite, ce qui le rend plus adapté aux applications sur site où les ressources de calcul sont limitées.

Étant donné que ce modèle d'IA peut être conçu de manière flexible en fonction des caractéristiques vibratoires de différentes structures, l'équipe de recherche estime que cette technologie pourrait à l'avenir être étendue à l'évaluation de la sûreté post-séisme de grandes installations industrielles telles que les usines de semi-conducteurs et les centres de données.

Jae-Beom Lee a déclaré que dans le domaine de l'IA de sûreté, la prédiction précise et la compréhension des limites de jugement du modèle sont tout aussi importantes. Les recherches futures continueront d'améliorer la fiabilité du modèle afin qu'il puisse assister le personnel dans la prise de décisions dans des scénarios marqués par l'incertitude.

Les résultats de ces travaux ont donné lieu à trois articles, dont un publié dans la revue internationale Reliability Engineering & System Safety. La recherche a bénéficié du soutien du projet de recherche fondamentale individuelle de la Fondation nationale de recherche de Corée et du projet de recherche fondamentale du KRISS.