Spatio-temporal (4D) interpolations based on dynamic graph neural network (GNN-D) applied to geological disposal of radioactive waste
Interpolations spatio-temporelles (4D) basées sur des Graph Neural Network Dynamiques (GNN-D) et applications au stockage géologique de déchets radioactifs
Résumé
A deep disposal center for radioactive waste, such as Andra's Cigéo project requires continuous, long-term monitoring. This is made possible by a multitude of sensors. However, due to the environmental constraints associated with storage (i.e. radioactivity, the mechanical convergence of galleries, etc.), this network of sensors is prone to degradation over time. Therefore, it is crucial to ensure the consistency of the data collected to guarantee effective monitoring of the center. This means not only identifying sensor failures but also replacing erroneous values with reliable predictions. Graph Neural Networks (GNNs) are suitable tools for these tasks, as they enable accurate representation of system physics and take into account the local topology of the sensor network. In our research, we use data from Andra's underground research laboratory. Specifically, we are using data from an experiment that involved heating a high-activity (HA) cell demonstrator using heating resistors. This setup simulated the heating of radioactive waste on an HA cell. By introducing synthetic errors into this dataset, we trained Graph Neural Networks (GNNs) that leverage both current and historical sensor responses to assess sensor integrity. Additionally, we trained GNNs to generate predictions that could replace the responses of failed sensors, starting from the moment of failure. These GNNs are based on a forward integration mechanism and have been assessed on fundamental thermal simulation problems to evaluate their efficiency and limitations. The architecture of each GNN has been optimized through hyperparameter analysis. Given the large number of variables involved, we proposed a novel method for optimizing GNN architecture based on rating systems. Finally, we compared the performance of the best GNNs with traditional machine learning methods to demonstrate their effectiveness.
Un centre de stockage profond de déchêts radioactifs comme le projet Cigéo de l'Andra requiert une surveillance continue sur le long terme. Cette surveillance est possible grâce à une multitudes de capteurs. Cependant, en raison des contraintes environementales associées au stockage (radioactivité, convergence mécanique des galeries, etc.) ce réseau de capteurs est sujet à une dégradation au fil du temps. Il est alors crucial d'assurer la cohérence des données recueillies pour garantir la surveillance du centre. Pour ce faire, il faut non seulement identifier les défaillances de capteurs mais aussi remplacer les valeurs erronées par des prédictions cohérentes. Les Graph Neural Networks (GNN) sont des outils adaptés pour ces tâches car ils permettent de représenter précisément la physique du système et prennent en compte la topologie locale du réseau de capteurs. Dans nos travaux, nous utilisons des données issues du laboratoire de recherche souterrain de l'Andra. En particulier, celles d'une expérience de chauffe d'un démonstrateur de cellule haute-activité (HA) par des résistances chauffantes. Ce qui permet d'imiter la chauffe d'une alvéole HA par des déchêts radioactifs. En ajoutant des erreurs synthétiques à ces données, nous avons entrainé des GNN qui utilisent les réponses capteurs (présentes et passées) pour détecter les défaillances capteurs. A l'aide des mêmes données, nous avons entrainés des GNN effectuant une prédiction au niveau des capteurs défaillants, à partir de l'instant de la panne. Ces GNN se basent sur un mécanisme d'intégration temporelle et ont été étudiés sur des problèmes de simulation thermique élémentaires afin d'évaluer leur efficacité ainsi que leurs limites. L'architecture de chacun des GNN a été optimisée par le biais d'un analyse hyper-paramétrique. En raison du grand nombre de variables, nous avons proposé une nouvelle méthode d'optimisation de l'architecture des GNN basée sur les systèmes de classement. Enfin, nous avons comparé les meilleurs GNN à des méthodes d'apprentissage machine traditionnelles afin de prouver leur efficacité.
Mots clés
Domaines
| Origine | Version validée par le jury (STAR) |
|---|---|
| Licence |
