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。

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。

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。

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。

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。

 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。

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