نموذج قائم على Transformer وXGBoost لتشخيص الأعطال لمحطة CPR1000

لماذا تهم الإنذارات الأذكى في الطاقة النووية

تعمل محطات الطاقة النووية عبر شبكة معقدة من الأنابيب والصمامات وأجهزة الاستشعار التي يجب أن تعمل جميعها بتناسق تام. أثناء الأحداث غير العادية، قد تغمر غرف التحكم الأضواء الوامضة وقراءات تتغير بسرعة تفوق قدرة البشر على تفسيرها. تستعرض هذه الورقة كيف يمكن لنوع جديد من الذكاء الاصطناعي أن يفرز تلك السيول من البيانات في الزمن الحقيقي، لمساعدة المشغلين على رصد الأعطال الخطرة في مفاعل ماء مضغوط من طراز CPR1000 قبل أن تتفاقم. وبذلك تشير إلى مستقبل تصبح فيه الآلات شركاء يقظين، يراقبون بهدوء علامات المبكرة للمشكلات التي قد يغفلها البشر تحت الضغط.

شبكة أمان رقمية للمفاعلات المعقدة

يركز المؤلفون على وحدة نووية صينية من طراز CPR1000، وهو نظام معقد يراقبه عشرات القياسات الأساسية مثل الحرارة والضغط ومستوى الماء والتدفق. في التشغيل العادي، يجهد هذا الشبك الحسي انتباه البشر؛ وفي حالة الطوارئ، عندما تصدر العديد من الإنذارات دفعة واحدة، يصبح تفسير ما يحدث فعلاً أكثر صعوبة. هدف الفريق هو تحويل تلك الإشارات الخام إلى تقييم تلقائي "لحالة الصحة"، بحيث يتمكن المشغلون بدلاً من التحديق في أرقام منعزلة من رؤية أي عطل محدد يتكشف والرد بسرعة وثقة.

تدريب محاكي على توليد حوادث نادرة

لأن الحوادث النووية الحقيقية نادرة بمشيئة الله، لجأ الباحثون إلى محاكي عالي الدقة يُدعى PCTRAN، قادر على محاكاة سلوك محطة CPR1000 في ظروف متعددة. بنوا أداة ببايثون اسمها AutoSave‑PCTRAN تبدأ المحاكي تلقائياً، تحقن أعطالاً بدرجات خطورة مختلفة، وتسجل جميع قراءات الحساسات عبر الزمن. من خلال محاكاة متكررة لثلاثة سيناريوهات خطيرة بشكل خاص — فقدان التبريد، كسر خط البخار داخل الحاوية، وقطع في أنبوب أحد مولدات البخار — إلى جانب التشغيل الطبيعي، جمعوا 120,000 مثالاً لسلوك قراءات المحطة قبل وأثناء كل نوع من الأحداث.

كيف يتعلم الذكاء المختلط من إشارات المفاعل

إدخال جميع قنوات الحساس البالغ عددها 92 في خوارزمية سيكون غير فعال ومرتبك بالضوضاء، لذلك استخدم الفريق أولاً إجراء لاختيار الميزات لتحديد ست إشارات الأكثر إفادة، مثل مستويات المياه الرئيسية، ومراقبات الإشعاع، ومخزون سائل التبريد. تشكل هذه التدفقات نوافذ زمنية قصيرة من البيانات تُمرر إلى نموذج حديث لتحليل السلاسل يُعرف باسم Transformer، الذي يتفوق في اكتشاف الأنماط الدقيقة التي تتكشف عبر ثوانٍ متعددة. بدلاً من إنتاج إجابة نعم أو لا بسيطة، يقوم الـ Transformer بتكثيف كل نافذة زمنية إلى مجموعة مدمجة من الميزات الرقمية التي تلتقط كيفية تطور النظام.

من الأنماط إلى تسميات أعطال دقيقة

تُغذى الأنماط المكثفة الخارجة من الـ Transformer بعد ذلك إلى طريقة قرار جماعية تسمى XGBoost، وهو ممتاز في تصنيف البيانات المعقدة عند ضبطه بعناية. لإيجاد أفضل الإعدادات، يطبق المؤلفون نهج بحث "ذكي" مستلهم من استراتيجيات صيد الحيتان، لضمان ألا يحبس النموذج في حلول متواضعة. تُجرى عمليات التدريب والاختبار باستخدام تقاطع تحقق صارم، بحيث يُعرض النظام مراراً وتكراراً لتراكيب جديدة من الحالات المحاكاة. يمزج هذا التصميم ثنائي المرحلة بين موهبة التعلم العميق في التعامل مع السلاسل الزمنية ومحرك قرار تقليدي يمكنه رسم حدود حادة بين أنواع الأعطال المختلفة.

مدى قدرة النظام على رصد الخطر

عندما هدأت الأمور، تمكن النموذج المختلط من التمييز بين التشغيل الطبيعي، وكسر خط البخار، وتمزق أنبوب مولد البخار، وفقدان التبريد بدرجة موثوقية ملفتة. عبر الحالات الأربع، كانت دقة النموذج والاسترجاع ودرجات F1 فوق 98%، وفي بعض الحالات بلغت 100%. ومن المهم أن الأخطاء التي حدثت اقتصرت غالباً على الحدود بين نوعين من الأعطال المتعلقة بالبخار التي تولد أنماط حسّاس مماثلة بطبيعتها. وحتى هناك بقي معدل الخطأ في التصنيف أقل من 2%. بالمقارنة مع استخدام الـ Transformer وحده أو XGBoost وحده، قلّل النهج المدمج حالات التشخيص الخاطئ بعدة نقاط مئوية — تحسّن ذو معنى في بيئة حرجة للسلامة.

ما يعنيه هذا للسلامة اليومية

لغير المتخصص، الخلاصة بسيطة: تُظهر هذه الدراسة أن الذكاء الاصطناعي الحديث يمكن أن يعمل كمساعد يقظ في غرف التحكم النووية، يراقب العديد من الحساسات في آن واحد ويتعرف على تواقيع مبكرة لأعطال جسيمة. عبر تكثيف فيضان الأرقام إلى مؤشر واضح وفي الوقت المناسب للمشكلة الناشئة، قد يوفر النظام للمشغلين البشر هامش وقت ووضوح حاسمين، مما يقلل احتمال أن تؤدي عاصفة إنذارات مربكة إلى قرار خاطئ. وعلى الرغم من أن الدراسة لا تزال تعتمد على بيانات محاكاة وستحتاج إلى اختبارات إضافية مع ضوضاء العالم الحقيقي، فإنها ترسم مساراً واعداً نحو سلامة أكثر اعتمادية ومركزة حول الإنسان في الطاقة النووية.

الاستشهاد: Peng, Z., Lei, J., Ni, Z. et al. A transformer–XGBoost based model to fault diagnosis for CPR1000. Sci Rep 16, 11276 (2026). https://doi.org/10.1038/s41598-026-38211-5

الكلمات المفتاحية: سلامة الطاقة النووية, تشخيص الأعطال, التعلّم الآلي, Transformer وXGBoost, مراقبة المفاعل