Aperçu de l'expérience de la CCSN avec la quantification de l'incertitude dans le domaine des accidents graves - Axes d'amélioration grâce à l'intelligence artificielle

Réunion de consultation sur l'utilisation de l'intelligence artificielle dans l'évaluation des incertitudes dans la modélisation et la simulation d'accidents graves pour les réacteurs avancés refroidis à l'eau, sur la base des résultats du CRPI31033
Du 21 au 23 mars 2023

Préparé par :
Mounia Berdaï
Commission canadienne de sûreté nucléaire

Résumé :

La Quantification de l'Incertitude (QI) dans les Accidents Graves (AG) vise à accroître notre confiance dans les prédictions des codes d'accidents graves et à améliorer nos réponses aux urgences nucléaires ou radiologiques. À cette fin, la boîte à outils Python Scripts for Uncertainty Quantification of MAAP-CANDU and MELCOR (PSUQM2) a été développée pour permettre le couplage avec MAAP-CANDU et MELCOR (codes d'accidents graves) et effectue la quantification de l'incertitude pour certains accidents graves Figure Of Merit (FOM).

PSUQM2 peut être utilisé pour un large éventail d'applications, telles que l'évaluation des incertitudes autour de certains phénomènes inconnus dans les Petits Réacteurs Modulaires (PRM), toute technologie confondue, et l'évaluation de leurs marges de sécurité.

Dans le cadre de PSUQM2, nous avons proposé deux nouveaux concepts : la Fonction de Densité de Probabilité Dynamique (FDPD) et la corrélation dynamique entre les Paramètres Incertains (PI) et les FOM. Nous avons également démontré que Boxplot pouvait être un outil puissant pour informer sur les caractéristiques de la distribution pour un FOM donné.

Le principal défi rencontré au cours de l'QI était la caractérisation des paramètres incertains avec la distribution de probabilité appropriée et qui est cohérente avec la nature physique de chaque PI. De plus, l'identification des corrélations entre les PI n'a pas été une tâche facile. Certains PI qui étaient supposés être « non corrélés », les résultats de l'QI ont révélé le contraire.

L’utilisation de l'Intelligence Artificielle (IA) est une alternative efficace pour prédire le comportement des centrales nucléaires pour des scénarios qui n’ont pas été stimulés. L'usage de l'IA pourrait donc être bénéfique pour la résolution des défis soulevés lors de l'exercice QI et pour pallier au manque de connaissances sur certains phénomènes dans le domaine AG.

Pour obtenir une copie du document correspondant au résumé, veuillez communiquer avec nous à cnsc.info.ccsn@cnsc-ccsn.gc.ca  ou en composant le 613‑995‑5894 ou le 1‑800‑668‑5284 (au Canada). Veuillez fournir le titre et la date du résumé