La principal función de una máquina de vapor situada en una central nuclear es, mediante agua radioactiva a alta temperatura, convertir agua proveniente de la naturaleza a vapor de agua. Esto se consigue haciendo pasar el agua radioactiva por el interior de unos tubos que están en contacto con el agua del exterior. Es por esto que la integridad de dichos tubos debe estar intacta. El objetivo de este trabajo es desarrollar un software capaz de detectar un posible fallo en estos tubos mediante técnicas de Machine Learning, concretamente utilizando redes neuronales convolucionales.
Para poder llevar a cabo el proyecto, se cuenta con una base de datos proporcionada por la empresa TECNATOM, en la cual se encuentra información acerca de 1443 tubos de vapor analizados mediante la técnica de corrientes inducidas. Parte de dicha información, que previamente procesaremos, la utilizamos para entrenar la red neuronal convolucional y otra parte para testear. Se crearán dos bases de datos: una simplificada y otra completa. La diferencia entre ellas es que en la simplificada contamos sólo con información escogida con el objetivo de conseguir unos resultados notablemente buenos. Se prueban varios procesados de datos así como varias arquitecturas de red para ambas bases de datos y se comparan sus prestaciones, escogiendo la que mejor se adapta a los datos. Además, se comparan los resultados proporcionados por la red con otros clasificadores conocidos.
Los resultados obtenidos en el estudio permiten comprobar que la red neuronal convolucional es el mejor clasificador de todos los analizados, siempre y cuando el procesado que se aplica a los datos de entrada de la red sea el correcto. Además, los análisis tanto para la base de datos simplificada como para la completa ofrecen unos resultados muy buenos, algo que no se esperaba antes de comenzar el estudio. Esto hace del clasificador diseñado un buen complemento para los expertos encargados de realizar la tarea de detección de defectos en tubos de máquinas de vapor.
