智能技术革新核检测维修

对反应堆压力容器上封头贯穿件进行一次超声检测，可产生超过7公里的检测数据。过去，分析人员需要花费数天甚至数周审查这些结果，以识别可能需要进一步评估的少量显示。2025年，瑞典Vattenfall Nuclear展示了一种不同的方法。该公司与Swedish Qualification Centre合作，在Ringhals-3对人工智能/机器学习（AI/ML）辅助超声检测流程进行鉴定和部署，在保持严格检测要求的同时，将数据审查工作量最多减少了95%。随后在Ringhals-4的部署使检测活动节省了约一周时间。

这一成就并不仅仅代表一次成功的技术部署，也反映了整个核工业正在发生的更广泛转变。检测和维修活动正变得更加数字化、智能化和一体化。核电运营商正在寻求改善大修绩效、支持长期运行、保留关键专业知识并维持最高安全和质量标准的方法。与此同时，它们还必须在遵守监管规范和标准的情况下，管理老化资产、不断增长的数据量以及复杂的检测和维修挑战。

无损评价（NDE）、数字化作业执行、AI辅助分析、激光表面处理、非金属维修技术和自适应焊接方面的最新进展，正在帮助核电运营商应对这些挑战。尽管这些技术的应用各不相同，但它们有一个共同目标：通过更有效的检测和维修作出更好的决策。

检测从来不只是发现缺陷。在最佳情况下，NDE能够提供所需信息，用于评估在役部件的结构完整性、是否需要维修，以及应采取哪些措施来维持长期可靠性。

同样的原则也适用于维修技术。一种有前景的维修方法，只有在能够按照核工业严格的监管和规范框架完成鉴定、部署、检测和验收时，才具有实际价值。

过去，挑战并不在于收集检测数据，而在于将这些数据转化为可据以采取行动的信息。如今的技术正在帮助专家将注意力集中在最能创造价值的环节。

因此，当今最重要的创新不仅关注新工具，也关注提高核电运营商对关键资产作出决策的质量。

核工业的目标日益转向帮助专家把注意力集中在最有价值的地方。从超声检测和AI辅助分析，到混合现实应用和远程焊接技术，这一趋势在多项进展中均清晰可见。

使用超声检测（UT）替代射线检测（RT）的潜力，是核工业转向以更充分信息支持检测和维修决策的最明确例证之一。

数十年来，RT一直是核设施建造和维修中焊缝体积检测的标准方法。这项技术能够形成永久性可视记录并识别材料密度变化，因此得到广泛认可。然而，数十年的建造和运行经验也揭示了其重要局限。RT需要设置隔离区，会中断附近的作业活动，而且依赖放射源，从而带来额外的安全和物流问题。在大型项目和大修作业中，这些影响可能造成显著的进度安排挑战。

这些局限并不只涉及物流。RT生成的是二维图像，可以显示缺陷的长度和宽度，但不能直接表征缺陷深度或其与关键表面的距离。对于裂纹或未熔合等平面缺陷，其识别效果也较差，而从结构完整性角度看，这些缺陷类型往往最为重要。在某些情况下，RT期间未检出的缺陷，会在役前检查所实施的UT中被发现。

现代UT提供了另一种方法。先进UT技术可以对缺陷尺寸、取向和壁厚方向位置进行三维表征。UT并非依赖材料密度变化，而是评估反射声波，因此特别适合识别平面缺陷，并能提供支持工程评估的信息。这使核电运营商能够超越单纯基于工艺质量的验收准则，对检测发现的重要性作出信息更加充分的判断。

美国电力研究院近期针对新建项目开展的技术基础研究，考察了经过鉴定的UT如何在维持严格质量保证标准的同时，成为RT的实用替代方案。与此同时，美国电力研究院还开展了效益成本分析，对辐射防护、边界防护、大修持续时间、平行作业影响、检测成本和焊缝维修等因素进行评估。研究表明，取消隔离区，并通过检测结果提供更具可操作性的工程信息，可能带来显著效益。

此外，在制造期间发现并修复对结构无显著影响的焊接缺陷，可能引入残余拉应力，随后诱发在役缺陷。UT可以帮助团队在制造期间对这类不必要的焊缝维修作出处置决定。

核工业的工作也集中于鉴定。示范计划正在为直径2英寸（50.8mm）至24英寸（609.6mm）的不锈钢和铁素体钢管道研制试件，以支持依据American Society of Mechanical Engineers（ASME）Code Case N-831-1及相关要求开展的鉴定计划。这些工作旨在确保UT的实施达到核应用所要求的同等严谨程度。

美国电力研究院电站支持高级技术主管Ronnie Swain表示，核电运营商正在寻找既能获得更好的检测信息，又能尽量减少传统射线照相所造成运行影响的方法。他说：“超声检测为同时提高检测质量和大修执行效率提供了机会。目标并不只是取代射线照相，而是以更少的运行干扰提供更好的信息。”

更广泛的意义并不是UT简单取代RT，而是核工业正在寻求既能改善决策，又能减少干扰的检测方法。随着核电运营商为长期运行和新一代核设施建设项目作准备，更好的信息可能被证明与更高效的检测同样宝贵。

如果说UT体现了检测方法如何演变，那么AI辅助分析则展示了检测工作流程本身如何变化。

许多检测计划面临的挑战不在于数据收集，而在于数据审查。现代超声检测会产生海量信息，其中大部分不包含任何可据以采取行动的显示。训练有素的分析人员往往要花费大量时间审查最终仅用于确认状态可接受的数据。