التعلم الآلي القابل للتفسير للكشف المبكر عن الشذوذ في مبادل حراري مدمج للملح المصهور مع تداخل توزيع الميزات

لماذا الحفاظ على صحة المفاعلات مهم

توعد المفاعلات النووية الحديثة بطاقة أنظف، لكن هذا يتحقق فقط إذا ظلت مكوناتها الأساسية صحية وموثوقة. أحد الأجزاء الأكثر عرضة للمشكلات هو المبادل الحراري—«المشع» المعدني الذي ينقل الحرارة من سائل المفاعل الساخن إلى حلقة ثانوية تدير التوربين في نهاية المطاف. إذا بدأت الممرات داخل هذا الجهاز في الانسداد أو التجمُّد جزئياً، ينخفض الأداء وتضيق هوامش السلامة—ومع ذلك تكون علامات التحذير المبكرة طفيفة لدرجة أن المراقبة التقليدية غالباً ما تفشل في رصدها. تستعرض هذه المقالة كيف يمكن لتصميم مبادل حراري جديد غني بالمستشعرات، مقترنًا بذكاء اصطناعي قابل للتفسير، أن يلتقط إشارات الخطر الخفيفة في وقت يسمح للمشغلين بالتدخل.

نوع جديد من المشع النووي

تركز الدراسة على مفاعلات الجيل القادم المبردة بملح مصهور، التي تستخدم الأملاح السائلة بدلاً من الماء لحمل الحرارة. تعمل هذه الأملاح عند درجات حرارة عالية ولكن تحت ضغط منخفض، مما يوفر مزايا من حيث الكفاءة والسلامة. والجانب السلبي أنها قد تتصلب جزئياً وتسد القنوات الصغيرة داخل المبادلات الحرارية. تراقب المحطات الحالية بشكل أساسي درجات الحرارة والضغوط عند مدخل ومخرج الجهاز—كأنك تقيس حرارة شخص عند الرسغ والكاحل فقط لتقييم صحته العامة. الانسدادات المبكرة، التي تؤثر على عدد قليل من القنوات فقط، تغير هذه القياسات الإجمالية بصعوبة وبالتالي تفلت من المراقبة القياسية.

الاستماع إلى الحرارة بضوء

لتجاوز هذه النقطة العمياء، يقترح المؤلفون مبادلًا حراريًا مدمجًا من نوع «مصفوفة» مبنيًا من مصفوفات أنابيب موازية محكمة التكديس مفصولة بألواح معدنية رقيقة. على حواف هذه الألواح يتصورون إدخال كابلات ألياف بصرية تعمل كمئات موازين حرارة دقيقة. النبضات الضوئية المرسلة عبر الألياف تتشتت بطرق تكشف درجة الحرارة كل بضعة مليمترات على طولها. يحول هذا الاستشعار الحراري الموزع سطح المبادل الحراري إلى خريطة حرارية مفصلة، بحيث يترك القناة المسدودة جزئياً بصمة دافئة أو باردة صغيرة لكن قابلة للاكتشاف على المعدن المجاور.

تعليم الآلات لتمييز المشاكل الطفيفة

بما أن هذا المفهوم لا يزال قيد التطوير، استخدم الفريق محاكيات حاسوبية عالية الدقة لتقليد سلوك المبادل الحراري في التشغيل الطبيعي وفي عشرات سيناريوهات العطل. نمذَجت درجات مختلفة من انسداد القنوات—طفيفة ومعتدلة وشديدة—وأضيف إليها ضوضاء قياس واقعية مأخوذة من تجارب حسّاسّة حقيقية. والأهم أن حوالي 3% فقط من الحالات المحاكية احتوت أعطالًا، ما يعكس ندرة المشكلات الواقعية ويخلق مجموعة بيانات غير متوازنة بشدة. في العديد من حالات العطل المبكرة، تداخلت أنماط الحرارة للقنوات الصحية وغير الصحية تقريبًا، مما جعل من الصعب تمييزها حتى أمام خوارزميات متقدمة.

إيجاد الحارس الرقمي الأفضل

قارن الباحثون بين ثمانية طرق شائعة في التعلم الآلي، من الانحدار اللوجستي البسيط إلى الشبكات العصبية ونماذج «الغابة» المتقدمة المبنية على التجميع. لم يقيموا فقط مدى صحة كل نموذج، بل كيف يتعامل مع حالات العطل النادرة دون إغراق المشغلين بإنذارات كاذبة. برز نموذج التعزيز التدرجي المتطرف، XGBoost، كحارس أكثر موثوقية. تفوق بشكل خاص في التعرف على الانسدادات الشديدة وتمييزها عن السلوك الطبيعي، بينما استمرّ في التفوق على النماذج المنافسة في التعامل مع الانسدادات الطفيفة الأكثر خداعًا. ومن المهم أن توقعاته كانت سريعة بما يكفي للعمل في الزمن الحقيقي، متوافقة مع دورات التحديث في أنظمة التحكم الصناعية.

فتح الصندوق الأسود من أجل السلامة

نظرًا لأن الأنظمة النووية حساسة للسلامة، تجاوز الفريق دقة الأداء الخام وسأل لماذا اتخذ النموذج كل قرار. جمعوا بين أداتين: قيم شابلي، التي تقيس مقدار تأثير كل مدخل (مثل قراءة حرارة معينة أو موقع حساس) في دفع التنبؤ نحو «طبيعي» أو «معطل»، ومجموعات مرتبة جزئيًا، التي تجمع الميزات عندما يكون تأثيرها متشابهًا بحيث لا يمكن ترتيبها بثقة. كشف هذا النهج الهجين أن قياس درجة حرارة مخرج موزعًا محددًا كان باستمرار الدليل الأكثر إفادة، لكنه أظهر أيضًا متى كان يجب النظر في عدة حساسات معًا للكشف عن الأعطال المبكرة والطفيفة. من خلال تمييز كل من الإشارات الأقوى ومناطق الغموض غير المؤكدة، يساعد الأسلوب المشغلين على الوثوق بالنموذج دون منحهم سلطة عمياء.

ماذا يعني هذا للمفاعلات المستقبلية

بعبارات بسيطة، تُظهر هذه الدراسة أن الجمع بين استشعار درجة الحرارة بالألياف البصرية ذي الدقة العالية ونماذج تعلم آلي قابلة للتفسير ومختارة بعناية يمكن أن يكتشف أبكر علامات الانسداد داخل المبادلات الحرارية النووية المتقدمة. بدلاً من الانتظار لحدوث تراجعات كبيرة وواضحة في الأداء، يمكن تنبيه المشغلين عندما تبدأ بضع قنوات فقط في التصرف بشكل غير طبيعي، وحتى إظهار أي أجزاء من الجهاز يشتبه بها وأي قراءات حساسات دفعت إلى هذا الاستنتاج. إذا نُفّذ ذلك في الأجهزة، قد يخفض هذا النهج تكاليف الصيانة، ويقلل الانقطاعات غير المخططة، ويضيف طبقة حماية إضافية للجيل القادم من محطات الطاقة النووية.

الاستشهاد: Prantikos, K., Lee, T., Hua, T.Q. et al. Explainable machine learning for incipient anomaly detection in compact molten salt heat exchanger with overlapping feature distributions. Sci Rep 16, 8293 (2026). https://doi.org/10.1038/s41598-025-27112-8

الكلمات المفتاحية: مفاعلات الملح المصهور, مراقبة المبادل الحراري, كشف الشذوذ, استشعار درجة الحرارة بالألياف البصرية, التعلم الآلي القابل للتفسير