Aplicação de Redes Neurais Feedforward na implementação de Sensores Virtuais em Reatores Nucleares
DOI:
https://doi.org/10.15392/2319-0612.2026.2993Palavras-chave:
reator nuclear, redundância sensorial, falha sensorial, rede neural artificialResumo
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 (RNAs) 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.
Downloads
Referências
[1] BARTLETT, E. B.; UHRIG, R. E. Nuclear power plant status diagnostics using an artificial neural network. Nuclear Technology, v. 97, n. 3, p. 272–281, 1992. DOI: https://doi.org/10.13182/NT92-A34635
[2] BUENO, E. I. Group Method of Data Handling (GMDH) e Redes Neurais na Monitoração e Detecção de Falhas em Sensores de Centrais Nucleares. 2011. Tese (Doutorado em Tecnologia Nuclear - Reatores) — Instituto de Pesquisas Energéticas e Nucleares, Universidade de São Paulo, São Paulo, 2011. Disponível em: https://doi.org/10.11606/T.85.2011.tde-02092011-140535. Acesso em: 19 out. 2021. DOI: https://doi.org/10.11606/T.85.2011.tde-02092011-140535
[3] CAIXETA, B. M. et al. Optimizing Deep Neural Networks for Nuclear Power Plant Temperature Estimation: A Study on Feature Importance and Outlier Detection. SSRN Electronic Journal, [S.I.]. 2025. Disponível em: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5131784. Acesso em: 03 nov. 2025. DOI: https://doi.org/10.2139/ssrn.5131784
[4] DENG, A.; HOOI, B. Graph neural network-based anomaly detection in multivariate time series. Proceedings of the AAAI Conference on Artificial Intelligence, v. 35, n. 5, p. 4027–4035, 2021. DOI: https://doi.org/10.1609/aaai.v35i5.16523
[5] GOMES, C. R.; MEDEIROS, J. A. C. C. Neural network of Gaussian radial basis functions applied to the problem of identification of nuclear accidents in a PWR nuclear power plant. Annals of Nuclear Energy, v. 77, p. 285–293, 2015. DOI: https://doi.org/10.1016/j.anucene.2014.10.001
[6] LEE, G.; LEE, S. J.; LEE, C. A convolutional neural network model for abnormality diagnosis in a nuclear power plant. Applied Soft Computing, v. 99, p. 106874, 2021. DOI: https://doi.org/10.1016/j.asoc.2020.106874
[7] MANDAL, S. Sensor fault detection in nuclear power plant using artificial neural network. Journal of Mathematics and Informatics, v. 4, p. 81–87, 2015.
[8] MESSAI, A. et al. On-line fault detection of a fuel rod temperature measurement sensor in a nuclear reactor core using ANNs. Progress in Nuclear Energy, v. 79, p. 8–21, 2015. DOI: https://doi.org/10.1016/j.pnucene.2014.10.013
[9] MORAES, D. A. Planta experimental para monitoração e diagnóstico de falhas utilizando inteligência artificial. 2019. Tese (Doutorado em Tecnologia Nuclear - Reatores) - Instituto de Pesquisas Energéticas e Nucleares, Universidade de São Paulo, São Paulo, 2019. Disponível em: https://doi.org/10.11606/T.85.2020.tde-03022020-110813. Acesso em: 27 jul. 2025. DOI: https://doi.org/10.11606/T.85.2020.tde-03022020-110813
[10] NABESHIMA, K. et al. Real-time nuclear power plant monitoring with neural network. Journal of Nuclear Science and Technology, v. 35, n. 2, p. 93–100, 1998. DOI: https://doi.org/10.1080/18811248.1998.9733829
[11] NABESHIMA, K. et al. Nuclear reactor monitoring with the combination of neural network and expert system. Mathematics and Computers in Simulation, v. 60, n. 3–5, p. 233–244, 2002. DOI: https://doi.org/10.1016/S0378-4754(02)00018-6
[12] RICCI FILHO, W.; SURKOV, V. Sistema de Aquisição de Dados do Reator IEA-R1 – SAD – Lista de Variáveis. São Paulo: Instituto de Pesquisas Energéticas e Nucleares, 2007. Não publicado.
[13] SAEED, A.; RASHID, A. Development of core monitoring system for a nuclear power plant using artificial neural network technique. Annals of Nuclear Energy, v. 144, p. 107513, 2020. DOI: https://doi.org/10.1016/j.anucene.2020.107513
[14] SANTOS, G. R. dos. Algoritmo de Colônia de Formigas e Redes Neurais Artificiais Aplicados na Monitoração e Detecção de Falhas em Centrais Nucleares. 2016. Dissertação (Mestrado em Tecnologia Nuclear) — Instituto de Pesquisas Energéticas e Nucleares, Universidade de São Paulo, São Paulo, 2016. Disponível em: https://doi.org/10.11606/D.85.2016.tde-02082016-144618. Acesso em: 16 jan. 2024. DOI: https://doi.org/10.11606/D.85.2016.tde-02082016-144618
[15] TAN, C. L.; DEBRAY, Y. Neural Network Module, v. 3.0. 2020. Disponível em: https://atoms.scilab.org/toolboxes/neuralnetwork/3.0. Acesso em: 24 out. 2024.
[16] TERREMOTO, L. A. A. Fundamentos de Tecnologia Nuclear – Reatores. São Paulo: Instituto de Pesquisas Energéticas e Nucleares, Divisão de Ensino, 2021.
[17] YUE, Q. et al. Method to determine nuclear accident release category via environmental monitoring data based on a neural network. Nuclear Engineering and Design, v. 367, p. 110789, 2020. DOI: https://doi.org/10.1016/j.nucengdes.2020.110789
Downloads
Publicado
Edição
Seção
Licença
Direitos autorais (c) 2026 Frederico Emidio Wu, Thadeu das Neves Conti
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Declaro que o presente artigo é original, não tendo sido submetido à publicação em qualquer outro periódico nacional ou internacional, quer seja em parte ou em sua totalidade. Declaro, ainda, que uma vez publicado na revista Brazilian Journal of Radiation Sciences, editada pela Sociedade Brasileira de Proteção Radiológica, o mesmo jamais será submetido por mim ou por qualquer um dos demais co-autores a qualquer outro periódico. Através deste instrumento, em meu nome e em nome dos demais co-autores, porventura existentes, cedo os direitos autorais do referido artigo à Sociedade Brasileira de Proteção Radiológica, que está autorizada a publicá-lo em meio impresso, digital, ou outro existente, sem retribuição financeira para os autores.
Licença
Os artigos do BJRS são licenciados sob uma Creative Commons Atribuição 4.0 Licença Internacional, que permite o uso, compartilhamento, adaptação, distribuição e reprodução em qualquer meio ou formato, desde que você dê o devido crédito ao (s) autor (es) original (is) e à fonte, forneça um link para a licença Creative Commons, e indique se mudanças foram feitas. As imagens ou outro material de terceiros neste artigo estão incluídos na licença Creative Commons do artigo, a menos que indicado de outra forma em uma linha de crédito para o material. Se o material não estiver incluído no licença Creative Commons do artigo e seu uso pretendido não é permitido por regulamentação legal ou excede o uso permitido, você precisará obter permissão diretamente do detentor dos direitos autorais. Para visualizar uma cópia desta licença, visite http://creativecommons.org/licenses/by/4.0/
