Análise de redes neurais artificiais para detecção de falhas de sensores em reatores nucleares

Abstract

Este estudo dá continuidade a uma linha de pesquisa desenvolvida no Instituto de Pesquisas Energéticas e Nucleares (IPEN), focada no uso de Redes Neurais Artificiais (RNA) para alcançar redundância de sensores em reatores nucleares. A metodologia proposta consiste em treinar uma Rede Neural Feedforward (FFNN) para estimar o valor de uma variável do reator com base em medições de outras variáveis. A viabilidade foi demonstrada utilizando dados do reator nuclear de pesquisa do IPEN e um modelo em escala. Enquanto trabalhos anteriores se basearam em dados de um único ciclo operacional do reator, este estudo avaliou o desempenho das redes utilizando dados de múltiplos ciclos com o objetivo de verificar a precisão, a generalização, e identificar deficiências no método. Um ciclo livre de falhas foi selecionado para treinamento e validação, enquanto outros cinco foram usados para testes, abrangendo diferentes eventos. Três variáveis de temperatura, três de radiação, uma medição de potência e a posição de uma barra de segurança foram escolhidas para as redes estimarem. O desempenho foi avaliado por meio do Mean Absolute Percentage Error (MAPE). Todas as redes apresentaram bons resultados durante o treinamento. No entanto, apenas as redes de duas variáveis de temperatura obtiveram precisão similar nos ciclos de teste, apresentando valores de MAPE abaixo de 3%. As demais tiveram desempenho insatisfatório, com casos de desvios persistentes ou falha em acompanhar a tendência geral dos sinais medidos. Os resultados destacam os desafios impostos por correlações fortes entre entradas e saídas, bem como a dificuldade em capturar toda a complexidade das relações funcionais entre as variáveis do reator.