Jueves 28 de Marzo de 2024 | San Luis Potosí, S.L.P.
tecnologia

Con IA ya se podrán localizar problemas en reactores nucleares

Agencia | 13/11/2017 | 10:44

El algoritmo, desarrollado en la Universidad Purdue, imita la capacidad de la visión humana para analizar las grietas desde diferentes ángulos.

Entre 1952 y 2010, hubo 99 incidentes importantes de energía nuclear en todo el mundo que costaron más de $ 20 mil millones y provocaron 4.000 muertes. Jahanshahi explica que “diecinueve de los últimos incidentes estaban relacionados con grietas o fugas”, frecuentemente provocadas por el envejecimiento de las infraestructuras. Ahora, un grupo de investigadores de la Universidad Purdue ha patentado un nuevo sistema para la detección de grietas en reactores nucleares basado en el análisis de vídeos mediante inteligencia artificial. ¿El objetivo? Reducir al mismo tiempo tanto la probabilidad de accidentes como el coste de mantenimiento de los reactores.

Mohammad R. Jahanshahi, profesor asistente en la Escuela Lyles de Ingeniería Civil en la citada universidad, explica que “la inspección regular de los componentes de una central nuclear es importante para garantizar la seguridad, sin embargo, la metodología actual requiere mucho tiempo, es tediosa y subjetiva e involucra a técnicos humanos“. Esta participación humana, además, no puede basarse en la inspección directa porque los reactores nucleares se encuentran sumergidos en agua caliente y radioactiva. Por ello, los técnicos están obligados a basar su trabajo en vídeos grabados remotamente desde la superficie del reactor, un procedimiento vulnerable a errores humanos.

Uno de los mayores problemas a los que se enfrentaron los investigadores fue que en los últimos años se han puesto sobre la mesa varias técnicas enfocadas en la detección de grietas sobre superficies de roca o cemento, pero muy pocas son aplicables superficies metálicas. Así, si las imágenes individuales no permiten detectar una grieta (o, por el contrario, inducen falsamente a detectarla) hasta ahora resultaba imposible agregar la información de varias imágenes para corregir el resultado del análisis.

La solución de los investigadores pasa por el uso de tecnologías de deep learning basadas en redes neuronales convolucionales, capaces de fusionar la información de cada ‘frame’ de vídeo para mejorar el rendimiento general del mismo. De este modo, resulta posible rastrear grietas de un frame al siguiente, con una tasa de éxito del 98,3% (muy superior a otras técnicas similares). “La fusión de datos ofrece una toma de decisiones más sólida de lo que sería posible de otro modo”, afirma Jahanshahi.