神剧《切尔诺贝利》引发的技术思考:如何避免下一次核灾难?

By 超神经


场景描述:美剧《切尔诺贝利》的热播,让观众再次感受了核事故的恐惧。通过将工智能技术应在核防护和核安全上面,会带来卓有成效的收获,也许,合理的利用人工智能「约束」核能的利用,才会更大的发挥资源的价值。


关键词:核能发电  核防护  图像处理  分布模型 


关联数据集:Sun-Hays 80 超分辨率数据集(311.01 M ),由布朗大学发布,文末有详细介绍和下载地址。


来源 | 超神经HyperAI

《权游》终于在崩坏式的剧情里草草收尾,一代神剧落得如此结局,不免让人唏嘘。但 HBO 并没有给观众太多缓神的机会,另一部神剧,又出现在人们的视野里。


最近大热的美剧《切尔诺贝利》,才更新到第三集(总五集),就已经在各大评分网站上,被评出完美的分数,迅速成为万人追捧的神剧。


神剧《切尔诺贝利》引发的技术思考:如何避免下一次核灾难?_第1张图片

HBO 最新出品的美剧「切尔诺贝利」海报


抛开制作上的优点,它能如此火爆的一个原因,还在于切尔诺贝利核事件本身的话题性,因为它承载了灾难级核事故的记忆。


切尔诺贝利核电站事故于 1986 年 4 月 26 日发生在乌克兰的北部,当时的乌克兰还隶属于苏联。


当天,该电站第 4 发电机组爆炸,核反应堆全部炸毁,大量放射性物质泄漏,成为核电时代以来最大的事故(七级)。辐射危害严重,导致事故前后 3 个月内有 31 人死亡,之后 15 年内有 6-8 万人死亡,13.4 万人遭受各种程度的辐射疾病折磨。


在核电工业中,人工智能有没有办法进行安全防护呢?


高效 or 安全,从来都不是选择题


严重的核电厂事故,造成了巨大的灾难。但核能作为世界上重要能源之一,还是吸引着人们去探索它的发展。


核能最吸引人的地方,在于它拥有惊人的能量:一千克的铀-235(常用的核燃料),裂变释放出的能量,相当于 2700 吨煤燃烧放出的能量。


神剧《切尔诺贝利》引发的技术思考:如何避免下一次核灾难?_第2张图片

世界上核电厂分布( 2016 )

蓝色:运作中,紫色:下线,红色:关闭,灰色:建设中


但能量越大,不可控性也越大,一旦脱缰,造成的破坏也就越大。


而在以往的事故中,人为操作不当的诱因占了很大一部分。所以,如何用技术实现更安全的核能利用,才是最亟待解决的问题。


引入自动化部署,甚至是人工智能的相关方案,在维护设备生产安全,以及安全监测方面,有机会让核能成为更温顺的野马。


防护层裂缝早发现:机器视觉


美国是世界上最大的商业核电供应国,提供约 20% 的电能。但在 1952 年至 2010 年间,美国发生了 56 起不同程度的事件,其中有19起与防护层破裂或故障泄漏有关。为了作出补救,耗资达到 20 亿美元。


那些本该坚实的防护部件,以内老化等原因,出现了功能损失和安全损伤,其中包括开裂,疲劳,脆化,磨损,腐蚀,氧化等。这就为安全蒙上了一层阴影。


为了解决这个问题。Purdue 大学的一个研究团队,开发出了一个 CRAQ(裂缝识别和量化)系统。


该系统将图形处理与深度学习相结合,利用对防护层视频的分析,识别出金属纹理的变化,以预测和锁定裂缝的问题。


神剧《切尔诺贝利》引发的技术思考:如何避免下一次核灾难?_第3张图片

检测模型的流程图


核反应堆通常需要浸没在水中,以维持冷却,而且由于高温和辐射等因素,不能直接手动检查反应堆的部件。智能通过远程录制的水下反应堆表面视频,来发现裂缝。


但纯人工的审查,工作量大而且容易出现纰漏,为了开发出高效的检测系统,研究人员收集了内部核电厂组件的 20 个水下标本的视频。以每秒 30 帧的速度扫描样本,利用卷积神经网络检查每个帧的裂缝。


算法观察到从一帧到下一帧的裂缝,能够解释由于移动的相机而改变的配置,精确定位裂缝的位置。该算法模拟了人类视觉从不同角度仔细检查裂缝的能力,而且能避免拍摄光线造成的影响。


神剧《切尔诺贝利》引发的技术思考:如何避免下一次核灾难?_第4张图片

模型检测出的裂缝,黄色为微小裂缝的放大图


该方法还使用包含大约 300,000 个裂缝和非裂缝的数据集来检测模型。试验表明,CRAQ 系统在追踪裂缝方面的成功率为 98.3%。


辐射物的分布,用模型来预测


核电厂能投入生产,还是做过层层安全把关的,但意外因素导致的危险发生时,除了管理层要想办法解决应对之外,还有一个重要的方面,就是及时合理的安排人群的撤离。


世界上另一个被定为七级的核事故,是 2011 年日本福岛的核电站灾难。为了让此类事件造成的额影响尽可能小,在应对核泄漏事件上,机器学习等相关技术,也被用来帮助撤离。


2018年7月,东京大学的研究人员,开发了一套基于机器学习的工具,用于预测放射性物质的地域分布。


当发生核电厂事故并释放放射性物质时,尽快疏散附近居民至关重要。然而,很难立即预测泄露的放射性物质将在何处沉降,从而无法避免人群的暴露在危险中。


这个研究团队,通过气象模拟标记的近地面风况数据集,训练了机器学习模型,能够通过算法,预测出放射性物质将在哪里分发,同时预测出传播的路径等。


神剧《切尔诺贝利》引发的技术思考:如何避免下一次核灾难?_第5张图片

 2011 年放射性物实际分布,以及用模型计算结果,有很好的准确性


在用历史天气模式数据进行训练后,该工具始终实现超过 85% 的预测准确性,冬季或可预测天气占主导地位时,准确率达到 95%。并且还证明了,模型能够提前 33 小时作出准确判断。


此系统可以帮助在核泄漏事故发生后立即撤离。以便更好地在灾难发生时,作出积极的对策。


人工智能让核能更安全


马一龙曾经在某次谈话中说过,「AI 比核武器危险得多」。


当下关于 AI 在核能方面的利用,聚焦点不在防护或者安全检测上,而是更多被放在了 AI 会导致的危险上。


诚然,若被用于武器研究等方面,AI 势必会带来严重的威胁。但不要忘了,目前这个阶段里,技术被用于什么地方,还完全是人类的责任。


神剧《切尔诺贝利》引发的技术思考:如何避免下一次核灾难?_第6张图片

英国国家核机器人中心研发的处理核废料的机器人


英国曾报道过,利用 AI 和机器人帮助清理核电厂废料的收集和处理,这项会危及人类的工作,使用新的技术,就能轻松地解决。这和 AI 在核防护方面的努力都一样,都是在为人们利用核能打造定心丸。

 

也许,只要用对了地方,AI 就能约束住核能,守护好我们的地球家园。


超神经数据集


超神经HyperAI 搜集并整理全球数百个公开数据集,并提供国内镜像下载,对科研机构和开发者们提供免费服务。


Sun-Hays 80 数据集:


Sun-Hays 80 数据集是一个用于超分辨率研究的图像数据集。


所有者使用全局场景描述符和 Internet 规模的图像数据库来查找类似的场景,这些场景提供了理想的示例纹理来约束图像上采样问题。


该数据集于 2012 年由布朗大学发布,大小为 311.01 MB,相关论文:Super-resolution from Internet-scale Scene Matching。


更多有关图像处理数据集,请访问 https://hyper.ai 下载。


——————————————

往期精彩:

  • 百度有难,八方点赞

  • 为什么是华为?关于华为被封锁的5个切面

  • 粉丝专属优惠:当当年中大促,购书低至4折,快来薅死他

640?wx_fmt=png

你可能感兴趣的:(神剧《切尔诺贝利》引发的技术思考:如何避免下一次核灾难?)