Abstract
De veilige ontmanteling en demontage van nucleaire installaties vereist een gedetailleerd en voortdurend geactualiseerd inzicht in de radiologische omgeving. Traditioneel steunt dit proces op uitgebreide meetcampagnes en conservatieve aannames over radioactieve bronnentermen. Hoewel dergelijke benaderingen doeltreffend zijn, zijn ze arbeidsintensief en kunnen ze de dynamische evolutie van radiologische omstandigheden tijdens de voortgang van ontmantelingswerkzaamheden niet altijd volledig weergeven. Recente ontwikkelingen in kunstmatige intelligentie, machine learning en digital twin-technologieën bieden de mogelijkheid om dit proces te transformeren door adaptieve en voorspellende modellering van radiologische risico's bijna in realtime mogelijk te maken.
Dit doctoraatsproject heeft tot doel een door AI aangestuurd dynamisch bronnentermmodel te ontwikkelen dat kan worden geïntegreerd binnen een digital twin-kader van de ontmantelingsomgeving. Het doel is de stralingsbescherming te verbeteren door een continue beoordeling en voorspelling van radiologische omstandigheden mogelijk te maken naarmate de werkzaamheden vorderen. Het onderzoek zal nagaan hoe gegevens van gammastralingsdetectiesystemen en operationele parameters met behulp van AI- en machine learning-methoden kunnen worden verwerkt om veranderingen in de radiologische bronnenterm te schatten en te voorspellen. Door deze modellen in een digital twin te integreren, zal het systeem realtime feedback leveren die de besluitvorming ondersteunt en de naleving van het ALARA-principe (As Low As Reasonably Achievable) verbetert.
De kandidaat zal datagedreven benaderingen combineren met gevestigde fysische modellen voor stralingstransport en radioactief verval, en methoden voor data-assimilatie ontwerpen die het bronnentermmodel dynamisch bijwerken zodra nieuwe metingen beschikbaar komen. Het project zal worden uitgevoerd in samenwerking met experts op het gebied van stralingsbescherming, digital twin-technologieën en kunstmatige intelligentie, waarbij validatie zal plaatsvinden met experimentele of gesimuleerde datasets die representatief zijn voor ontmantelingsscenario's. Met dit onderzoek zal het doctoraat bijdragen aan de ontwikkeling van een nieuwe generatie intelligente instrumenten voor stralingsbescherming, wat leidt tot veiligere, efficiëntere en transparantere ontmantelingsoperaties. De verwachte resultaten omvatten een gevalideerd prototype van een dynamisch bronnentermmodel dat geïntegreerd is in een digital twin-omgeving, samen met methodologische vooruitgang in de koppeling van AI met radiologische modellering en kwantitatief bewijs van verbeterde veiligheid en operationele efficiëntie.
Onderzoeker(s)
Onderzoeksgroep(en)
Financiering
Project type(s)