NMPC Adaptative Basée sur les Réseaux de Neurones Artificiels pour l'Opération d'Extraction-Lavage de l'Uranium dans le Processus de Traitement du Combustible Nucléaire Usé

Résumé : Cette étude se concentre sur les défis de l’optimisation du contrôle de l’extraction et du lavage de l’uranium au sein du processus PUREX. L’objectif est de maintenir le système à un niveau cible de saturation du solvant tout en respectant les contraintes opérationnelles, en gérant les perturbations et en s’ajustant aux changements de points de consigne. Le Commissariat à l’Énergie Atomique et aux Énergies Alternatives (CEA) a développé un simulateur spécialisé appelé PAREX pour modéliser l’extraction liquide-liquide dans le processus PUREX. Cependant, le modèle mathématique sous-jacent est complexe, composé d’équations différentielles-algébriques (DAE) non-linéaires et de grande dimension. Par conséquent, l’application directe de méthodes de contrôle optimal entraînerait des problèmes de programmation non-linéaire à grande échelle et coûteux en calcul. Pour surmonter cela, nous proposons d’entraîner un réseau de neurones pour prévoir les sorties du processus sur la base de mesures historiques. Cette architecture de réseau intègre des réseaux LSTM (Long Short-Term Memory), de régression linéaire et de régression logistique, réduisant efficacement le nombre de variables d’état et simplifiant le problème d’optimisation. De plus, nous formulons et résolvons des problèmes de commande prédictive non-linéaire (NMPC) et d’estimation à horizon glissant (MHE) en utilisant l’algorithme d’optimisation par essaim de particules (PSO). Les résultats de simulation démontrent l’efficacité de cette approche de contrôle optimal adaptatif pour atteindre les objectifs de contrôle, suggérant son potentiel pour une mise en œuvre réelle.

Télécharger l’article