Localización de patrones en series temporales mediante redes neuronales convolucionales

Abstract

RESUMEN: El generador de vapor es uno de los componentes principales relacionados con la seguridad de las centrales nucleares de agua ligera a presión o PWR (Pressurized Water Reactor). Su principal función es convertir agua de la naturaleza en vapor de agua con el objetivo de hacer girar una turbina y, de esta manera, generar electricidad. Para ello, se hace pasar agua por una serie de tubos que rodean el núcleo del reactor y que se encuentran en contacto con el agua proveniente del exterior, consiguiendo así evacuar el calor. Debido al contacto de estos tubos con el agua de la naturaleza, es necesario asegurar que siempre se encuentren en perfectas condiciones para evitar posibles filtraciones de agua radiactiva. El objetivo de este trabajo es estudiar la capacidad de técnicas de Machine Learning para localizar posibles defectos en estos tubos. Más concretamente, se pretenden evaluar las prestaciones de la técnica de Fully Convolutional Networks (FCN). En este proyecto, se utiliza una base de datos proporcionada por la empresa TECNATOM, la cual se dedica principalmente a la prestación de servicios de inspección e integridad estructural de componentes de centrales nucleares. En dicha base de datos se encuentra información acerca de 1443 tubos de generadores de vapor, que han sido analizados mediante la técnica de corrientes inducidas. Se crean tres bases de datos distintas, cada una con un mayor grado de realismo que la anterior. Además, se prueban dos arquitecturas de red distintas con cada una de las bases de datos, analizando los resultados obtenidos en cada caso. En el proyecto, se presta especial atención en conseguir una arquitectura ligera que garantice un análisis rápido de la ubicación del defecto en el tubo. Los resultados de los experimentos para las bases de datos son considerablemente buenos teniendo en cuenta la sencillez de la red neuronal utilizada. Esto hace que la red diseñada sea una buena herramienta para realizar un análisis no exhaustivo de la posición del defecto y que sea un buen punto de partida para los expertos encargados de localizar defectos en tubos de generadores de vapor.

ABSTRACT: The steam generator is one of the main components in terms of security in nuclear power plants that use pressurized water reactors (PWR). Its main function is to convert water that comes from nature into steam in order to make a turbine spin and, thus, generate electricity. To do this, water goes through several tubes that surround the reactor core and that are in contact with wáter from the outside, therefore managing to evacuate heat from it. Due to tubes being in contact with water from nature, it is necessary to ensure that they are always kept in extremely good conditions to avoid radioactive water leaks. The main objective of this project is to evaluate the ability of Machine Learning techniques to locate apparent defects in these tubes. In particular, Fully Convolutional Networks (FCNs) are evaluated. For this project, a database provided by the company TECNATOM, which mainly provides inspection and structural integrity services for components of nuclear power stations, is used. Information about 1443 steam generator tubes, obtained by means of the eddy-current testing, could be found in this database. Three diferent databases are created, with each of them having a greater degree of realism than the previous one. Furthermore, two network architectures are tested with each database and the results analyzed. The results from the analysis of the databases are valid, considering the simplicity of the neural network that is used for this task. This makes the designed neural net to be a very useful tool to perform a non-exhaustive analysis of the location of the defect within the tube and, consequently, to be a good starting point for experts in charge of locating defects in steam generator tubes.