WRPS - Accélérer le nettoyage des déchets nucléaires avec des jumeaux numériques

Washington River Protection Solutions (WRPS) gère l'un des projets de nettoyage des déchets nucléaires les plus ambitieux du gouvernement américain. Il est responsable du site de Hanford, une zone d'environ 1 500 kilomètres carrés dans l'État de Washington avec plus de 200 000 mètres cubes de déchets radioactifs et chimiques datant de la Seconde Guerre mondiale.

Depuis plus de 3 ans, Lanner, une société de Royal HaskoningDHV, aide l'équipe d'ingénieurs WRPS à développer et à utiliser des jumeaux numériques prédictifs pour soutenir et accélérer les opérations de nettoyage.

Le défi : déterminer le moyen le plus rapide, le plus rentable et le plus écologiquement durable de gérer les processus de nettoyage complexes

Le nettoyage du site de Hanford a commencé en 1989 et devrait prendre encore 30 à 40 ans. Depuis 2009, WRPS a été mandaté pour traiter et stabiliser les déchets stockés dans 177 réservoirs. La mission de l'équipe est de réduire le temps associé au nettoyage, étant donné que les coûts d'hébergement et d'exploitation s'élèvent à des millions de dollars par jour.

"Nous utilisions des modèles prédictifs depuis des années, mais ils ne tenaient pas compte des retards, des pannes, des réparations ou de la maintenance", a déclaré Douglas Hendrickson, Mission Analysis Engineering Team Leader chez WRPS. "Nous mettons en oeuvre des processus très complexes, gérons de gros volumes de données et avons de longs délais de livraison et de réparation pour les machines spécialisées. Comme les modèles que nous utilisions ne tenaient pas compte de cette variation dans le monde réel, ils ne nous aidaient pas à comprendre comment les processus et les projets affectaient réellement les échelles de temps. Nous voulions une base de preuves plus solide qui nous aiderait à prendre des décisions plus éclairées."

Notre approche : des simulations prédictives qui donnent rapidement des réponses précises

En utilisant notre logiciel de simulation prédictive WITNESS Horizon, Douglas et son équipe ont développé une suite de jumeaux numériques qui fournit des informations précises et accélère la prise de décision.

Douglas déclare : "Notre objectif a été d'apporter de la réalité dans les modèles, en fournissant un aperçu cohérent de la façon dont les scénarios affectent la durée de vie de la mission – et donc le coût. Nous avions besoin de la capacité d'analyser des idées et des scénarios de simulation, afin que nous puissions comprendre les installations, le personnel, l'impact environnemental, les pièces de rechange et l'instrumentation nécessaires pour accomplir notre mission dans les plus brefs délais."

Lanner a fourni un soutien consultatif continu, aidant WRPS à trouver des moyens meilleurs et plus efficaces de modéliser les concepts, de contrôler les sorties et les résultats et d'extraire la valeur de l'analyse des simulations.

"Notre objectif était d'aider WRPS à obtenir plus rapidement des réponses fondées sur des preuves", déclare John Beadsmoore, Head of Delivery chez Lanner. "Nous avons formé leur équipe interne à l'utilisation de WITNESS Horizon et les avons aidés à déployer leurs solutions de jumeau numérique, y compris des visites régulières à Hanford. En conséquence, l'équipe a développé un écosystème de modèles qui répondent aux questions cruciales auxquelles sont confrontées les équipes d'ingénierie, d'exploitation, de maintenance et de projet."

Le résultat : des millions de dollars investis plus efficacement

Au cours des 3 dernières années, les modèles ont aidé à orienter les opérations et les investissements plus efficacement, à remettre en question les hypothèses et à découvrir les goulots d'étranglement.

Le premier modèle entièrement construit était lié à l'installation de traitement des effluents de Hanford. Il s'agissait d'un projet complexe incorporant 2 870 éléments de modélisation, des données d'entrée provenant d'un large éventail de systèmes et chaque simulation produisait plus d'un gigaoctet de résultats. L'équipe opérationnelle avait prévu 30 millions de dollars de projets de mise à niveau. En utilisant WITNESS pour modéliser les changements et mener une analyse de désengorgement, Douglas et son équipe ont observé que les mises à niveau apporteraient une amélioration négligeable à moins qu'un problème de filtration majeur ne soit résolu. En utilisant des preuves tirées du jumeau numérique, l'équipe a pu obtenir une approbation rapide pour 6 millions de dollars d'améliorations essentielles du filtre qui ont éliminé les goulots d'étranglement et ont permis aux mises à niveau de doubler le débit, atteignant ainsi la demande cible.

Un autre modèle s'intéresse aux déchets stockés dans des réservoirs à double enveloppe. Les réservoirs ont des pompes critiques installées pour envoyer les déchets dans les tuyaux, mais il y avait des problèmes récurrents de pannes. Les réparations prenaient régulièrement au moins 6 mois en raison de la complexité du traitement des déchets radioactifs et de la spécificité des équipements. WRPS a utilisé le modèle WITNESS pour comprendre l'impact de l'installation de pompes redondantes sur chaque réservoir. L'analyse a révélé que le fait d'avoir une pompe redondante permettrait d'économiser 45 jours par an, entraînant des millions d'économies. Pour aider l'équipe à présenter ces résultats aux parties prenantes internes, une vidéo d'animation 3D a été développée avec Lanner qui illustre l'effet sur les mètres cubes traités, les délais et les coûts.

"L'usine de traitement des effluents et la modélisation des pompes redondantes ont obtenu des niveaux élevés de reconnaissance en interne et ont apporté des contributions significatives aux opérations", indique Douglas. "D'autres modèles offrent un impact et une valeur continus en prenant en charge la maintenance prédictive et les hypothèses difficiles relatives aux processus. La simulation prédictive nous aide à éliminer les angles morts, à anticiper les problèmes et à poursuivre notre mission plus efficacement."

John ajoute : "Alors que WRPS continue de développer sa suite de modèles, nous les aidons à explorer des moyens de tirer davantage parti de la simulation prédictive. Ceux-ci incluent l'utilisation du Cloud computing pour accélérer considérablement l'expérimentation de scénarios et l'utilisation de l'intelligence artificielle et de l'apprentissage automatique pour gérer de vastes volumes de données et automatiser l'analyse."

Douglas conclut : "Nous avons travaillé en étroite collaboration avec Lanner au cours des dernières années pour développer notre compréhension et le champ d'application des modèles. En utilisant ces modèles, nous avons démontré des gains significatifs dans la conception, l'exploitation et la production des installations, et nous sommes impatients de poursuivre sur cette lancée."