El proyecto CLPD-IA ha establecido una base metodológica sólida para optimizar el diseño del núcleo de los reactores de agua ligera mediante la combinación de simulaciones neutrónico-termohidráulicas y técnicas avanzadas de inteligencia artificial.

1. INTRODUCCIÓN

El diseño del núcleo consiste en el estudio previo de su comportamiento a lo largo de un ciclo de operación comprendido entre dos recargas de combustible. Se basa en un cálculo termohidráulico y neutrónico estacionario cuasiestático, cuyo objetivo es determinar los valores de las variables de control necesarios para operar el reactor a plena potencia durante todo el ciclo. En los reactores PWR, se determina la concentración de boro, expresada en partes por millón (ppm), que mantiene el reactor en estado crítico en cada uno de los pasos de quemado en los que se divide el ciclo, aproximadamente 30 para un ciclo de dos años. El ciclo teórico se considera finalizado cuando dicha concentración de boro alcanza 0 ppm. En los reactores BWR, en cambio, el control de la reactividad se realiza mediante la inserción y el reposicionamiento de las barras de control en un número determinado de pasos o muescas a lo largo del ciclo de quemado, aproximadamente 200 para un ciclo de dos años. El ciclo concluye cuando el reactor alcanza la criticidad con todos los grupos de barras de control completamente extraídos.

En este proyecto se ha trabajado con modelos de núcleo de reactores PWR de tecnología Westinghouse para un diseño de núcleo de ciclo 1, así como con los de dos reactores BWR GE/6. Para ello se ha realizado tanto un diseño de núcleo completo mediante el código termohidráulico-neutrónico PATHS 52 (v2.00)/PARCS (v3.4.5), incluyendo los parámetros nucleares, como un diseño de núcleo de ciclo 1. Los resultados obtenidos se han contrastado con los proporcionados por las centrales.

2. AUTOMATIZACIÓN, INTELIGENCIA ARTIFICIAL Y ESTRATEGIAS HÍBRIDAS 

Una de las líneas fundamentales de desarrollo del proyecto se ha orientado a mejorar la eficiencia computacional mediante la automatización de procesos y la integración de técnicas de inteligencia artificial. En el diseño de núcleos, donde es necesario evaluar un número muy elevado de configuraciones, la reducción de los tiempos de cálculo constituye un factor clave.

Por ello, se han desarrollado herramientas que automatizan la generación de archivos de entrada mediante MATLAB® y Python, la ejecución de simulaciones en clústeres de cálculo y el posprocesado de resultados. Esto ha permitido explorar de forma sistemática grandes espacios de diseño mediante la simulación de miles de patrones de carga. La figura 1 muestra un ejemplo de uno de los patrones de carga aleatorios utilizados en el conjunto de datos.

En paralelo, los modelos subrogados basados en redes neuronales han demostrado ser una herramienta eficaz. Estos modelos, entrenados con bases de datos generadas a partir de miles de simulaciones físicas, han permitido predecir con elevada precisión variables relevantes, como la concentración de boro, la potencia pico o la duración del ciclo. Su principal ventaja es la reducción drástica del tiempo de evaluación en comparación con los códigos neutrónico-termohidráulicos tradicionales.

A partir de estas capacidades, se ha desarrollado una estrategia híbrida en la que las redes neuronales se emplean para realizar un filtrado rápido de configuraciones prometedoras. Posteriormente, dichas configuraciones se validan mediante simulaciones completas con PARCS/PATHS. Este enfoque permite reducir significativamente el número de simulaciones de elevado coste computacional sin prescindir de la verificación física final.

3. RESULTADOS Y POTENCIAL DE LAS METODOLOGÍAS DESARROLLADAS 

El diseño del núcleo de un reactor implica encontrar un equilibrio entre múltiples variables, como la duración del ciclo, la reactividad, la potencia pico o los márgenes de seguridad. En este contexto, la optimización multiobjetivo constituye una herramienta fundamental para abordar el problema de manera integral.

Los resultados obtenidos en el proyecto ponen de manifiesto el potencial de combinar la simulación física y la inteligencia artificial para el diseño del núcleo. En particular, las redes neuronales entrenadas han demostrado una elevada capacidad predictiva, con coeficientes de determinación (R²) cercanos a la unidad para las variables principales, junto con bajos valores de error cuadrático medio, lo que evidencia su buen comportamiento como modelos subrogados (figura 2). 

 En las 14 variables clave utilizadas en el análisis del reactor PWR, las redes neuronales alcanzan precisiones elevadas, con valores de R² próximos a 1 (tabla 1).  

Además, los algoritmos de optimización, como el recocido simulado (simulated annealing, SA), han permitido obtener configuraciones más eficientes que las identificadas mediante muestreo aleatorio, incluso con un número significativamente menor de evaluaciones.   

 
Asimismo, la combinación de modelos subrogados y técnicas de optimización ha permitido evaluar con rapidez un gran número de configuraciones y obtener mejores aproximaciones de la frontera de Pareto en problemas multiobjetivo. Esta representación proporciona soluciones no dominadas que reflejan distintos equilibrios entre los objetivos y facilita la toma de decisiones basada en criterios técnicos y regulatorios. Además, es posible visualizar las relaciones entre variables clave y seleccionar configuraciones óptimas conforme a distintos criterios, tanto operativos como regulatorios (figura 3).  

En conjunto, los resultados evidencian que la metodología desarrollada reduce el coste computacional asociado a la exploración del espacio de diseño y facilita la identificación de configuraciones prometedoras, lo que refuerza su potencial aplicación en entornos industriales.

En fases futuras, se prevé explorar modelos más avanzados basados en redes convolucionales y redes de grafos, potencialmente más adecuados para representar la topología espacial del núcleo. Asimismo, se plantea incorporar nuevas variables objetivo relacionadas con criterios de seguridad y con la distribución tridimensional de la potencia.