XiaoMi-AI文件搜索系统
World File Search System核电站
动态人在环模拟核电站……
免责声明 本信息由美国政府机构赞助，作为工作记录而编写。美国政府及其任何机构或其任何员工均不对所披露的任何信息、设备、产品或流程的准确性、完整性或实用性做任何明示或暗示的保证，也不承担任何法律责任或义务，也不表示其使用不会侵犯私有权利。本文以商品名、商标、制造商或其他方式提及任何特定商业产品、流程或服务并不一定构成或暗示美国政府或其任何机构对其的认可、推荐或支持。本文表达的作者的观点和意见不一定代表或反映美国政府或其任何机构的观点和意见。
利用机器人人工智能对核电站（NPP）运营进行风险分析
摘要 — 研究了核电站 (NPP) 现场管理的认知架构，其中融入了人工智能 (AI)。结合机器人智能算法对正常运行和事故进行建模，其中随机抽样在量化中起主要作用。研究计算了事故动力学模拟器与机组人员情境认知模型 (ADS-IDAC) 中的信息、决策和行动以及工厂操作的认知技能。模拟显示了 ADS-IDAC 建模和仿真结果，在第 21 和第 21.75 序列中有两个峰值。否则，在第 13.25 序列中有几个峰值，一个大峰值。大峰位于心理状态、环境和身份的第 25.75 序列中。事故情况与认知系统的动作有关。在操作案例中，显示了各种信号，其中工厂的操作可以显示机器人要执行的几种操作。该图显示了核认知架构的过程。通过设计的模型调查了一起核事故，其中机器人的行为由人工大脑量化。本文开发的算法可应用于其他类型的复杂工业系统，如飞机操作和安全系统、航天器系统等。
NUREG/CR-7294，“探索在核电站运营中使用人工智能和机器学习的先进计算工具和技术”
本报告介绍了爱达荷国家实验室为核管理委员会 (NRC) 开展的项目，该项目旨在探索用于运营核电站的先进计算工具和技术，例如人工智能 (AI) 和机器学习 (ML)。该报告回顾了核数据源，重点关注可通过先进计算工具和技术应用的运营经验数据。描述了来自不同来源的工厂特定数据和通用（国内和国际）数据。该报告描述了统计数据与 AI/ML 之间的关系，然后介绍了监督和无监督学习中最广泛使用的 AI/ML 算法。该报告回顾了先进计算工具和技术在核工业各个领域的最新应用，例如反应堆系统设计和分析、工厂运行和维护以及核安全和风险分析。该报告介绍了该项目对 AI/ML 技术在提高先进计算能力方面的潜在适用性的见解，先进的工具和技术如何有助于理解安全和风险，以及需要哪些信息才能为决策者提供有意义的见解。
我们如何使用数字孪生进行核电站监控？
Metroscope 是一家软件初创公司，成立于 2018 年，总部位于巴黎，在德国和美国设有办事处。我们为发电厂的监控和诊断构建数字孪生。截至 2021 年 11 月，我们为全球 60 家发电厂提供设备。
气候变化：核电站脆弱性评估及其适应方法
该协议是在 2015 年于法国巴黎举行的联合国气候变化框架公约 (UNFCCC) 缔约方会议上谈判达成的，今天共有 197 个 UNFCCC 成员国中的 188 个缔约方参加。这表明了全球的关注和共同信念，即需要采取行动限制温室气体排放。然而，正如国际能源署 (IEA)《2021 年世界能源展望》等近期报告所强调的那样，当前的政策不足以将排放控制在《巴黎协定》要求的水平。在这种情况下，根据政府间气候变化专门委员会 (IPCC) 发布的全球气候预测，全球变暖伴随着极端天气事件的增多，可能会影响世界许多地区。长期干旱、强烈热浪、森林火灾、风暴和洪水预计将影响人口、经济和基础设施。因此，确保能源供应安全的能源基础设施应对气候变化的适应力正成为一个关键问题。该项目名为“气候变化：评估核电站的脆弱性及其适应方法”，旨在评估核电站对气候变化和相关极端天气事件的适应能力，以及提高其适应能力的方法。该研究借鉴了过去极端天气事件的案例研究，这些事件是未来天气模式的特征，以及它们对核电站运行和安全的影响。研究的结论是，核电站通常是非常有弹性的基础设施，在极端天气情况下成为关键资产，前提是相关基础设施（例如输送核电站生产的电力的电网）本身具有适应能力。气候变化对核电站运行和安全构成的主要风险与水有关：由于洪水泛滥或缺乏冷却水而导致水量过大。报告记录了此类案例，以及为提高对此类事件的适应能力而制定的适应措施和安全升级。
弗吉尼亚州贝尔沃堡 SM-1 核电站
SM-1 核电站位于弗吉尼亚州费尔法克斯县贝尔沃堡边界内的波托马克河西岸。它位于华盛顿特区中心西南偏南约 17 英里处。贝尔沃堡的 SM-1 于 1957 年建成，并于 1957 年 4 月首次达到临界状态。SM-1 是一座单回路 10 兆瓦热 (MWt) 压水反应堆，净发电量为 1,750 千瓦。这是第一座长期为美国商业电网供电的核电站反应堆。SM-1 反应堆从 1957 年 4 月运行至 1973 年 3 月。贝尔沃堡是美国陆军工程反应堆组 (USAERG) 的所在地，SM-1 用于培训将操作项目中各个工厂的多兵种工作人员。该反应堆为固定式，功率范围为中等（1000 至 10,000 KWe 之间）。根据陆军反应堆系统健康与安全审查委员会 (ARCHS) 批准的 SM-1 退役和转换计划，SM-1 反应堆于 1973-1974 年进行了停用。这包括移除核燃料、进行轻微净化、运送必要的放射性废物、密封压力容器以及安装适当的警告标志和监测设备。设施停用和转换完成后，美国陆军环境卫生局进行的第三方放射学调查证实，已知的放射性污染区域已被净化到可接受的水平或得到了适当控制。陆军反应堆系统健康与安全审查委员会 (ARCHS) 批准的 SM-1 退役后环境监测计划已启动，以对退役设施进行持续监测。 20 世纪 70 年代制定的退役策略建议将停用的反应堆置于安全储存模式，使寿命较短的放射性核素衰变。预计延迟退役将减少放射性废物量和工人
![通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。](/simg/d/dd5abf0752fcc9f891dc4a96743f916f96f28350.png)
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
通过分层相关性传播增强核电站 AI 模型的可解释性 Seung Geun Kim a*、Seunghyoung Ryu a、Hyeonmin Kim b、Kyungho Jin b、Jaehyun Cho ba 应用人工智能实验室/b 韩国原子能研究院风险评估与管理研究团队，韩国大田儒城区大德大路 989 号街 111，34057 * 通讯作者：sgkim92@kaeri.re.kr 1.简介 随着人工智能 (AI) 技术的快速发展，各个领域的应用数量巨大。核领域也紧跟这一趋势，许多研究利用 AI 模型解决事件诊断和自动/自主操作等问题。然而，占据近期 AI 技术应用最大份额的深度神经网络 (DNN) 具有不透明且可解释性低的局限性。对于基于 DNN 的模型，很难了解模型的内部逻辑或模型如何从给定的输入推断出输出。由于这一限制，尽管基于 DNN 的模型的性能可以接受，但人们对将其实际应用于安全关键领域和与道德/法律问题相关的领域仍犹豫不决。为了克服可解释性低的限制，已经提出了许多可解释的人工智能 (XAI) 方法。XAI 方法可以提供详细的解释，例如模型的内部逻辑和输入与输出之间的关系。然而，尽管可解释性问题对于安全关键的核领域至关重要，但缺乏处理 XAI 的研究。在本研究中，为了提高核领域人工智能模型的可解释性和实用性，研究了分层相关性传播 (LRP) [1]，它是 XAI 方法之一，与其他 XAI 方法相比，它在许多应用中表现出更好的性能。论文的其余部分组织如下。在第 2 章中，对 XAI 和 LRP 进行了简要说明。第 3 章描述了可行性检查实验，第 4 章总结了本文。 2. 前言 2.1 可解释人工智能 可解释人工智能 (XAI) 是一种使人类轻松理解 AI 模型的技术。大多数 AI 模型在数据处理和解决问题的方法方面与人类不同。例如，AI 模型识别具有像素 RGB 值的图像，而人类则不能。提出 XAI 是为了减轻理解 AI 模型内部过程或推断某些输出的原因的难度。
多尔核电站多尔 1 号和 2 号机组的 LTO
缩写 11 系统列表 15 1 总论 第 1 章：1 1.1 简介 第 1 章：1 1.1.1 背景 第 1 章：1 1.1.2 问题概述 第 1 章：1 1.1.3 目标和范围 第 1 章：5 1.1.4 申请人的详细信息 第 1 章：11 1.1.5 授权机构的数据 第 1 章：12 1.1.6 项目组织 第 1 章：12 1.1.7 专家团队 第 1 章：13 1.1.7.1 非放射部分 第 1 章：13 1.1.7.2 放射部分 第 1 章：14 1.1.8 阅读指南 第 1 章：14 1.2 现有许可证 第 1 章：15 1.2.1 联邦许可证 第 1 章：15 1.2.2 地区许可证 第 1 章：18 1.3 核电站的一般描述 第 1 章：18 1.3.1 工作原理 第 1 章：18 1.3.2 核部分 第 1 章：19 1.3.3 常规部分 第 1 章：21 1.4 多尔核电站的描述 第 1 章：22 1.4.1 位置 第 1 章：22 1.4.2 空间布局 第 1 章：23 1.4.3 自然环境 第 1 章：25 1.4.4 建筑环境 第 1 章：26 1.4.5 土地登记地段 第 1 章：27 1.4.6 KCD 场址布局图 第 1 章：27 1.4.7 KCD-1 和 KCD-2 第 1 章：28 1.4.7.1 反应堆建筑 (RGB) 第 1 章：28 1.4.7.2 反应堆辅助服务建筑（BAR1、BAR2） 第 1 章：29 1.4.7.3 核辅助服务大楼（GNH） 第 1 章：29 1.4.7.4 应急系统大楼（GNS） 第 1 章：29 1.4.7.5 涡轮机房（MAZ） 第 1 章：30 1.4.7.6 电气辅助服务大楼（GEH） 第 1 章：30 1.4.7.7 机械辅助服务大楼（GMH） 第 1 章：31 1.4.7.8 进水和排水管线 第 1 章：31 1.4.7.9 中央大楼 A（CGA） 第 1 章：32 1.4.7.10 应急系统大楼（DGG） 第 1 章：32 1.4.7.11 附属建筑 第 1 章：32 1.4.7.12 与 WAB 的连接 第 1 章：32 1.4.7.13 乏燃料 第 1 章：33 1.4.7.14 保护水平 第 1 章：33 1.5 对 KCD-1 和 KCD-2 系统的修改 第 1 章：33 1.5.1 项目前的变化 第 1 章：33 1.5.2 与项目相关的变化 第 1 章：35 1.6 项目 第 1 章：37 1.6.1 项目描述 第 1 章：37