Defensa de la tesis de Corentin Ascone

Apoyo a la experiencia humana en sistemas nucleares mediante gemelos digitales: aplicación al diagnóstico de la unidad motobomba primaria

El diagnóstico de equipos nucleares como los grupos motobomba primarios (GMPP) requiere un alto nivel de pericia difícil de adquirir y capitalizar dentro de una empresa. Esta tesis, realizada en colaboración entre la empresa industrial FRAMATOME (Base Installée de Jeumont, IB-J) y el laboratorio LAMIH (UMR CNRS 8201), es un estudio exploratorio destinado a desarrollar un sistema de apoyo basado en Inteligencia Artificial para asistir a los expertos humanos en sus actividades de diagnóstico de este tipo de componentes complejos. Se basa en el concepto de Gemelo Digital (DN) de los sistemas hombre-máquina y lo aplica a las necesidades de FRAMATOME.

Un profundo estado del arte ha permitido definir un nuevo enfoque holístico del diseño de JN basado en nueve dimensiones que constituyen el marco metodológico aplicado al desarrollo de la herramienta EXPERIA. Esta herramienta comprende una arquitectura de software capaz de gestionar varios tipos de GMPP, integrar sus datos y utilizar modelos algorítmicos de Inteligencia Artificial (IA) para proporcionar servicios de diagnóstico a los usuarios. Las principales aportaciones asociadas al desarrollo de una JN de este tipo residen sobre todo en la integración de datos procedentes de múltiples fuentes, pero también en la consideración de un número muy reducido de datos característicos de los fallos. Dado que los requisitos de seguridad de los sistemas nucleares son muy elevados, los escenarios de fallos son poco frecuentes. Esto plantea entonces un problema a la hora de crear modelos algorítmicos de diagnóstico basados en estos datos.

La solución propuesta se basa en el enfoque holístico del diseño JN que se apoya en la modelización múltiple del mismo sistema y en la complementariedad entre los datos técnicos y el conocimiento humano asociado. Con este objetivo se ha diseñado la herramienta EXPERIA, que permite asistir a los expertos en sus tareas de diagnóstico de GMPP aprovechando su conocimiento experto. EXPERIA incorpora modelos de aprendizaje automático supervisado y no supervisado y un módulo basado en la teoría de Dempster-Shafer para gestionar las discrepancias entre modelos y hacer más fiable el diagnóstico. También se implementan otros modelos basados en el conocimiento humano, que permiten diagnosticar explícitamente el buen o mal funcionamiento. Las interfaces EXPERIA permiten a los usuarios explorar varios modelos a voluntad.

Los resultados preliminares son alentadores y se proponen perspectivas de diagnóstico y pronóstico del funcionamiento normal y anormal de los componentes nucleares para la optimización de su mantenimiento.