LADICIM participa en el proyecto europeo que aplica la IA para alargar la vida de las centrales nucleares
ENTENTE, coordinado por el CIEMAT, sienta las bases de la Informática de Materiales para predecir con mayor precisión la degradación de la vasija del reactor y potenciar la seguridad de su operación a largo plazo
En un mundo marcado por el desafío del cambio climático y la necesidad de fuentes de energía bajas en carbono, la generación de energía nuclear puede jugar un papel fundamental. Siempre y cuando supere el reto del envejecimiento de sus infraestructuras, ya que muchas de las centrales actualmente en operación en Europa y Estados Unidos se acercan al final de su vida de diseño original, típicamente 40 años. Extender su funcionamiento hasta los 60, 80 o incluso 100 años –una estrategia que ya están siguiendo países de referencia como Estados Unidos o Francia– se presenta como una opción viable y necesaria para mantener una fuente de energía estable y sin emisiones. Sin embargo, para que esta extensión sea una realidad, es indispensable garantizar científicamente la seguridad y la integridad de sus componentes críticos durante décadas adicionales.
En respuesta a este reto, el proyecto europeo ENTENTE investiga cómo las herramientas más avanzadas de gestión de datos e inteligencia artificial pueden revolucionar la forma en que entendemos y predecimos el envejecimiento de los materiales nucleares. Coordinado por el Centro de Investigaciones Energéticas, Medioambientales y Tecnológicas (CIEMAT), el proyecto ha contado con la participación del Laboratorio de la División de Ciencia e Ingeniería de los Materiales (LADICIM) de la Universidad de Cantabria, junto a otros 25 socios de 12 países, incluyendo potencias nucleares como Francia y Japón y colaboradores de Ucrania.
El talón de Aquiles
Uno de los mayores desafíos técnicos para la Operación a Largo Plazo reside en la vasija del reactor, una gigantesca estructura de acero, a menudo de hasta 20 metros de altura, que alberga el núcleo radiactivo. Este componente no puede ser reemplazado y está sometido a condiciones extremas: alta presión, alta temperatura y, sobre todo, un bombardeo constante de neutrones procedentes de las reacciones nucleares. «Estos neutrones, al impactar contra la estructura cristalina del acero, desplazan los átomos de su posición original, creando defectos a escala microscópica», explica Marta Serrano, responsable de la División de Materiales de Interés Energético en el CIEMAT y coordinadora del proyecto ENTENTE.
Con el paso de los años, la acumulación de estos defectos modifica las propiedades mecánicas del acero. El fenómeno más preocupante es la fragilización por irradiación neutrónica: el material pierde su capacidad de deformarse plásticamente (su ductilidad) y se vuelve más susceptible a la fractura. Predecir con exactitud cómo evolucionará esta fragilización a lo largo de 60 u 80 años es crucial para asegurar que la vasija mantenga su integridad estructural. «Todo este estudio sobre la fragilización es, fundamentalmente, para asegurar una operación segura», subraya la Dra. Serrano. «El sector nuclear trabaja con márgenes de seguridad enormes, y necesitamos el conocimiento científico para respaldar esas evaluaciones a largo plazo».
Un cambio de paradigma
Tradicionalmente, el estudio de la degradación de materiales se ha basado en la experimentación en laboratorio y el desarrollo de modelos analíticos basados en la física conocida. Pero este enfoque tiene limitaciones. «Ser muy buenos experimentalistas y generar datos de alta calidad es fundamental, pero ya no es suficiente», apunta Marta Serrano. «Este método es demasiado lento para calificar nuevos materiales o para comprender a fondo todos los mecanismos complejos de degradación. Necesitábamos acelerar el conocimiento».
Aquí es donde ENTENTE propuso un cambio de paradigma, abrazando lo que el equipo denomina Informática de Materiales. La idea es complementar la sólida base experimental con herramientas digitales avanzadas. «Entender la degradación de los materiales en servicio, pero no de forma clásica», añade la Dra. Serrano.
Esta nueva filosofía se sustenta en dos pilares fundamentales que ENTENTE se ha propuesto desarrollar:
- Gestión Avanzada de Datos: Generar datos, aunque sean de alta calidad, ya no basta ante la complejidad y volumen actuales. Es crucial organizarlos sistemáticamente, estructurarlos en bases de datos bien diseñadas y asegurar que sean fácilmente accesibles. Esta gestión rigurosa es imprescindible para poder analizarlos conjuntamente, evitar duplicidades y extraer conocimiento significativo.
- Modelos Híbridos: Aprovechar los datos estructurados para entrenar y validar modelos predictivos avanzados, particularmente los de Inteligencia Artificial (IA) y Machine Learning (ML). Estas potentes herramientas pueden descifrar las complejas interrelaciones entre múltiples factores que afectan a la fragilización, ofreciendo predicciones más precisas que los métodos convencionales.
Diego Ferreño, catedrático de la Universidad de Cantabria, investigador del LADICIM y uno de los responsables del desarrollo de los modelos de IA en ENTENTE, destaca la importancia de una gestión de datos abierta y colaborativa. «La idea es que los datos generados no se queden aislados en un ordenador, sino que sean accesibles, interoperables y reutilizables por toda la comunidad científica internacional. Solo así podemos acelerar realmente el conocimiento colectivo».
Algoritmos al servicio de la seguridad
Con esta visión, el equipo de ENTENTE se puso manos a la obra. El corazón del proyecto fue el diseño y la implementación de una base de datos específica sobre la fragilización por irradiación. «No partíamos de cero», aclara el Dr. Ferreño. «Nos basamos en bases de datos existentes, como Plotter, recopilada durante años por el Dr. Mark Kirk, también socio de ENTENTE, que aglutina información de programas de vigilancia de centrales nucleares de todo el mundo».
Pero construir una base de datos moderna y funcional fue un reto en sí mismo. Implicó no solo recopilar datos dispersos de proyectos anteriores y generar nuevos datos experimentales de alta calidad, sino también definir una estructura y un lenguaje comunes. «Uno de los grandes desafíos fue el trabajo con los ingenieros informáticos de la Universidad Politécnica de Madrid para definir la ontología de los datos», explica la Dra. Serrano. «Necesitamos más de un año para ponernos de acuerdo en qué significaba cada término técnico y cómo estructurarlo para que el sistema informático pudiera entenderlo y relacionarlo correctamente. Era un choque cultural necesario entre ambas disciplinas».
Una vez establecida la base de datos, el equipo del LADICIM, liderado por el profesor Ferreño, se centró en desarrollar y aplicar algoritmos de Machine Learning para predecir el cambio en la temperatura de transición dúctil-frágil, la métrica estándar para cuantificar la fragilización. Y utilizando técnicas como el Gradient Boosting, entrenaron modelos con los datos disponibles, incluyendo variables clave como la composición química del acero, las condiciones de irradiación y el tipo de producto siderúrgico.
Los resultados son prometedores. «Los modelos de Machine Learning demostraron ser significativamente más precisos que los modelos analíticos tradicionales», afirma el Dr. Ferreño. En las pruebas realizadas, el modelo Gradient Boosting consiguió una reducción del error cuadrático medio de aproximadamente el 21% en comparación con el modelo estándar. «Más importante aún», añade, «es que observamos una notable reducción de los errores grandes, aquellas predicciones que se desviaban mucho del valor experimental, lo cual es crítico desde el punto de vista de la seguridad».
Inteligencia Artificial para desvelar nueva física
El trabajo no se quedó en crear una ‘caja negra’ predictiva. Una parte fundamental del enfoque de la Informática de Materiales es utilizar la IA no solo para predecir, sino también para comprender mejor los fenómenos físicos subyacentes. El equipo aplicó técnicas avanzadas de interpretabilidad de modelos para «interrogar» al algoritmo y entender qué variables consideraba más importantes y cómo influían en la predicción.
«Los resultados fueron fascinantes», asegura el profesor Ferreño. «Por un lado, el modelo identificó de forma autónoma que el Cobre y la fluencia neutrónica eran los factores más determinantes en la fragilización, algo que la física de materiales ya conocía bien. Esto nos dio confianza en que el modelo estaba capturando la física correcta».
Pero la IA fue un paso más allá. El equipo investigó la influencia de una variable que los modelos tradicionales no suelen incluir: el límite elástico del material antes de ser irradiado, una propiedad que depende, entre otras cosas, de cómo se fabricó el acero. «Existía la hipótesis de que el estado inicial del material podía influir en cómo respondía a la irradiación, pero era difícil de cuantificar», explica Ferreño. Al incluir el límite elástico como predictor en el modelo de Machine Learning, observaron una mejora adicional en la precisión. «Y lo más interesante», continúa, «fue que el análisis de interpretabilidad nos mostró no solo que esta variable era relevante, sino que existía una correlación negativa clara: aceros con mayor límite elástico inicial tienden a fragilizarse menos. La IA nos permitió demostrar cuantitativamente esta relación y aportar nueva luz sobre la física del proceso».
Además de estos avances, ENTENTE también exploró otras metodologías innovadoras, como el modelo KNT (K-Nearest Travelers), desarrollado en LADICIM. Este enfoque se basa en la experiencia personal del propio Dr. Ferreño como corredor y en su percepción de que corredores muy diferentes (por edad, sexo o envergadura) pueden, sin embargo, desarrollar carreras muy similares. Esta analogía traslada al ámbito técnico la idea de similitud entre series temporales, que es el concepto que subyace en el modelo KNT.
Así, busca predecir el comportamiento futuro de un material basándose en la «historia de fragilización» completa (una serie temporal) de otros materiales que han mostrado una evolución similar, en lugar de basarse solo en propiedades estáticas como la composición química. Los resultados preliminares muestran que el KNT, especialmente combinado con Machine Learning, puede superar la precisión de otros métodos.
La experiencia del LADICIM
La participación del LADICIM en un proyecto de la complejidad de ENTENTE no es casual. El laboratorio de la Universidad de Cantabria cuenta con una larga y reconocida trayectoria en el campo de la ciencia e ingeniería de materiales, la integridad estructural y el modelado computacional. Su experiencia en el análisis del comportamiento mecánico de materiales bajo condiciones extremas, combinada con su creciente especialización en técnicas de Data Science e Inteligencia Artificial aplicadas a problemas de ingeniería, posicionan al Laboratorio como un socio estratégico en la investigación europea de vanguardia.
Aunque el proyecto ENTENTE ha finalizado formalmente, su legado perdura. Ha sentado las bases metodológicas y filosóficas para una nueva forma de abordar la ciencia de materiales nucleares, integrando datos, experimentos y modelos avanzados de una forma que no tiene precedentes en este campo. «Hemos demostrado que este enfoque híbrido funciona, que nos permite no solo predecir mejor, sino también entender mejor», resume Diego Ferreño. De hecho, la colaboración y el enfoque de ENTENTE continúan y se expanden en el nuevo proyecto europeo Connect-NM, también coordinado por el CIEMAT a través de Marta Serrano. Este programa financiará la investigación europea en materiales nucleares durante los próximos años, asegurando que la gestión de datos y los modelos avanzados sigan siendo parte central de la investigación.
Más Noticias
LADICIM y GSW se unen para optimizar la calidad del acero mediante el control del hidrógeno residual
El proyecto H2ALAM investiga cómo mejorar la resistencia y durabilidad de este material regulando los niveles del elemento químico durante su fabricación. El Laboratorio de
LADICIM participa en Fractesus, el proyecto europeo que aspira a reforzar la seguridad de las centrales nucleares
Los resultados obtenidos validan la eficacia de las probetas compactas en miniatura para la evaluación de la resistencia a la fractura de las vasijas nucleares,
LADICIM colabora con Isigenere e IHCantabria para impulsar nuevos diseños e incorporar materiales avanzados en estructuras solares flotantes
El proyecto ‘SolEtAqua’, en el que también participa la Universidad de Jaén, persigue el desarrollo de nuevas metodologías para predecir el comportamiento dinámico de las
