Aplicación de modelos de machine learning para predecir la fragilización de aceros de vasijas nucleares - Trabajo de Fin de Máster en Data Science

Aug 4, 2026

Subir por Eden

En las centrales nucleares, la capacidad de predecir el nivel de fragilización del acero de las vasijas resulta clave para asegurar condiciones de operación seguras. El trabajo compara el modelo ASTM E900-15 con varios modelos de machine learning entrenados, evaluando cuál ofrece el mejor rendimiento. Se incorporan enfoques que agrupan datos de centrales con comportamientos similares de los materiales bajo irradiación, para mejorar la precisión. El estudio contrasta metodologías, aplica modelos (KNN, KNT y otros) y analiza sus resultados.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas23

Tiempo de lectura35 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

La fragilización del acero por irradiación

El modelo ASTM E900-15

Motivación de los primeros modelos: KNN y KNT

Inspección del dataset

Aplicación de KNN y KNT

Metodología

Análisis de resultados

Aplicación de otros modelos de machine learning

Metodología

Análisis de resultados

Aplicación de KNT usando gradient boosting

Conclusiones

Facultadde Ciencias Aplicación de modelos de machine learning para predecir la fragilización de aceros de vasijas nucleares (Application of machine learning models in the prediction of the embrittlement of reactor pressure vessel steel) Trabajo de Fin de Máster para acceder al MÁSTER EN DATA SCIENCE Autor: Miguel Madueño Sanz Director\es: Diego Ferreño Blanco Junio-2024 Resumen En las centrales nucleares, el uso de modelos para predecir el nivel de fragilizaci´on delacero de sus vasijas es necesario para garantizar unas condiciones de operaci´on seguras. En este trabajo, se pretende comparar uno de los modelos usados en la pr´actica hoy end´ıa, el modelo ASTM E900-15, con un conjunto de modelos de machine learning entrenados, y ver cu´al de ellos consigue un mejor rendimiento. Se ha prestado especial atenci´on a t´ecnicas basadas en la agrupaci´on de datos provenientes de centrales cuyas vasijas se fragilizan de una forma similar. Palabras clave: Fragilizaci´on, modelo, agrupaci´on de datos. Abstract In nuclear power plants, the use of models to predict what level of embrittlement the reactor pressure vessel has is necessary to guarantee safe operation conditions. In this project, we aim to compare one of the models used currently in real situations, the ASTM E900-15 model, with a set of trained machine learning models, and see which ones obtain the best performance. We have paid special attention to techniques based on the gathering of data from power plants whose vessel materials behave similarly when irradiated. Keywords: Embrittlement, model, gathering of data. ´Indice 1. Introducci´on 1 1.1. La fragilizaci´on del acero por irradiaci´on ................... 1 1.2. El modelo ASTM E900-15 ........................... 4 2. Motivaci´on de los primeros modelos: KNN y KNT 6 2.1. Inspecci´on del dataset ............................. 6 3. Aplicaci´on de KNN y KNT 12 3.1. Metodolog´ıa ................................... 12 3.2. An´alisis de resultados ............................. 12 4. Aplicaci´on de otros modelos de machine learning 15 4.1. Metodolog´ıa ................................... 15 4.2. An´alisis de resultados ............................. 16 5. Aplicaci´on de KNT usando gradient boosting 17 6. Conclusiones 19 1 . Introducci´on 1.1. La fragilizaci´on del acero por irradiaci´on Los reactores de agua ligera (Light Water Reactors, LWRs) son responsables de una parte importante de la energ´ıa nuclear generada hoy en d´ıa. Dentro de estos reactores, el n´ucleo es la parte que contiene el combustible con el que se produce la reacci´on de fisi´on, generalmente uranio enriquecido, y se encuentra rodeado por un refrigerante, en el casode los LWR, agua ligera. El refrigerante se utiliza para transferir el calor producido durante la fisi´on desde el n´ucleo a los generadores el´ectricos. Despu´es de esto, termina de enfriarse y vuelve al reactor, donde empieza el ciclo de nuevo. Por otro lado, el refrigerante tambi´en se usa como moderador de neutrones: la reacci´on en cadena del uranio es m´as eficiente cuando los neutrones que se difunden por el medio se mueven a ciertas velocidades, y, en cambio, los que se producen durante la fisi´on de un n´ucleo se suelen mover a mayores velocidades, por lo que es energ´eticamente favorable para la central reducir la velocidad de los neutrones del medio. El uso del agua ligera como refrigerante en reactores nucleares est´a extendido, por un lado, porque es un recurso abundante y relativamente barato, por lo que es una opci´on viable desde el punto de vista econ´omico y, por otro, porque el agua tiene una capacidadcalor´ıfica alta, que ayuda a transferir el calor generado por el n´ucleo. El refrigerante y el n´ucleo se encuentran en el interior de una vasija. Este recipiente tiene forma cil´ındrica, con una altura que ronda los diez metros, aunque puede llegar asuperar los veinte metros en algunos casos, y un di´ametro de unos

Preguntas frecuentes

Qué objetivo persigue el trabajo sobre fragilización del acero en vasijas nucleares?

Comparar el modelo ASTM E900-15 con modelos de machine learning entrenados para identificar el que logra el mejor rendimiento en la predicción de la fragilización.

Por qué se emplean técnicas basadas en la agrupación de datos?

Para reunir datos de centrales cuyos materiales de vasija se fragilizan de manera similar cuando están irradiados, buscando mejorar la calidad del aprendizaje y la precisión del modelo.

Qué tipos de modelos se evalúan en el trabajo además de ASTM E900-15?

Se consideran modelos clásicos como KNN y KNT, se analiza su aplicación con metodología y resultados, y también se aplican otros modelos de machine learning, incluyendo KNT con gradient boosting.

Aug 4, 2026

Subir por Eden