الارتباط المعتمد على التعلم الآلي بين خواص تأثير تشاربي للعينات الصغيرة والمعيارية لمواد الهياكل النووية

لماذا تهم العينات المعدنية الصغيرة

عندما يفحص المهندسون سلامة محطات الطاقة النووية، يحتاجون في كثير من الأحيان لمعرفة مدى متانة جزء فولاذي دون قطع قطعة كبيرة منه. هذا صحيح بشكل خاص لجدران حوض المفاعل السميكة، حيث تكون المادة نادرة ومشعة للغاية ويصعب الوصول إليها. تظهر هذه الدراسة كيف يمكن للتعلم الآلي الحديث أن يترجم نتائج الاختبارات من عينات معدنية صغيرة إلى تقديرات موثوقة لسلوك الأجزاء بالحجم الكامل، مما يساعد على تمديد عمر المفاعلات مع الحفاظ على هوامش السلامة واضحة.

كيف نكسر الفولاذ عادة

غالباً ما يستخدم المهندسون اختبار صدمة تشاربي لتقييم مقدار الطاقة التي يمكن أن تمتصها مادة قبل أن تنكسر. تُضرب شريحة صغيرة من الفولاذ مشطوفة بفتحة بواسطة مطرقة متأرجحة، وتكشف الطاقة المفقودة للمحور عن مدى متانة العينة. تكرار الاختبار عند درجات حرارة مختلفة يرسم منحنى على شكل حرف S بثلاث مناطق: منطقة هشة منخفضة الطاقة، ومنطقة مطيلة عالية الطاقة، ومنطقة انتقال حادة بينهما. ينتج عن هذا المنحنى رقمان رئيسيان: طاقة الرف العلوي، التي تبين مقدار الطاقة التي يمكن أن يمتصها الفولاذ عندما يتصرف بطريقة مطيلة، ودرجة حرارة الانتقال من المطيلية إلى الهشاشة، التي تحدد درجة الحرارة التي ينتقل عندها المادة من كسر هش إلى مطيل.

لماذا تعطي العينات الصغيرة إجابات معقدة

في العديد من التطبيقات النووية، تتوافر شرائح فولاذية صغيرة فقط، لذا يستخدم المهندسون نسخاً مصغرة من عينة تشاربي. هذه القطع الصغيرة لا تنكسر بنفس طريقة القضبان بالحجم الكامل بالضبط. تغيّر هندستها نمط الإجهاد عند الشق ومزيج الكسر الهش والمطيل على السطح المكسور. ونتيجة لذلك، عادةً ما تمتص طاقة أقل وقد تبدو أكثر متانة أو أكثر هشاشة من المادة الأصلية، اعتماداً على درجة الحرارة. على مر السنين، اقترح الباحثون العديد من القواعد الرياضية لتحويل نتائج القضبان الصغيرة إلى مكافئات بالحجم الكامل، باستخدام قوانين مقياس بسيطة أو صيغ تجربیة. لكن هذه القواعد غالباً ما تعمل جيداً فقط لأنواع فولاذ أو معالجات حرارية أو أشكال عينات معينة، وتكافح لالتقاط التعقيد الكامل للبيانات الحقيقية.

السماح للبيانات بتعليم عملية التحويل

يبني المؤلفون إطاراً مدفوعاً بالبيانات يتيح لعملية التحويل أن تنبثق من القياسات نفسها. أولاً، يجمعون مجموعة بيانات مفتوحة كبيرة تضم أكثر من 4800 اختبار تشاربي على عدة أنواع من فولاذ المفاعلات ثم يركزون على 389 اختباراً مزدوجاً حيث اختبرت عينات مخفضة الحجم وبالحجم الكامل من نفس فولاذ SA533B تحت ظروف متطابقة. لكل زوج، يحركون بيانات درجة حرارة العينة الصغيرة رياضياً بحيث يتطابق نقطة الانتقال مع تلك الخاصة بالعينة بالحجم الكامل، ويعيدون قياس فروق الطاقة بحيث يتطابق ارتفاع المنحنى الكلي. تُعرّف هذه النقاط المحوّلة كيف ينبغي أن يبدو استجابة الحجم الكامل، مع الحفاظ على التشتت الطبيعي المرصود في التجارب. ثم يُدرّب نموذج تعلم آلي ليتعلم التحويل من جميع المدخلات المعروفة، بما في ذلك التركيب الكيميائي، والمعالجة الحرارية، وتاريخ الإشعاع، والهندسة، ونقطة اختبار العينة الصغيرة، إلى درجة الحرارة والطاقة المحوّلتين للحجم الكامل.

مدى تعلم الآلة للمنحنى

بمجرد تدريبه، يمكن للنموذج أن يأخذ مجموعة من القياسات من عينات مخفضة الحجم ويتنبأ بما سيكون عليه منحنى تأثير الحجم الكامل، دون رؤية بيانات الاختبار بالحجم الكامل الفعلية. بعد ذلك يقوم الباحثون بملاءمة منحنى سلس على شكل S عبر هذه التنبؤات لاستخراج طاقة الرف العلوي ودرجة حرارة الانتقال المقابلة. بالمقارنة مع الصيغ التقليدية، تتطابق أفضل نماذج التعلم الآلي، خاصة أشجار التعزيز التدرجي، مع القيم المقاسة بالحجم الكامل بشكل أوثق. تصل معاملات التحديد إلى حوالي 0.94 لطاقة الرف العلوي و0.89 لدرجة حرارة الانتقال، وهي أفضل بشكل ملحوظ من أفضل الطرق التحليلية. كما يستخدم الفريق أدوات شرح حديثة ليُظهر أي المدخلات هي الأهم: طاقة ودرجة حرارة العينة الصغيرة المقاسة، أبعاد العينة، وبعض عناصر السبائك من بين أقوى المؤثرات.

إضافة مقياس للثقة

بما أن قرارات السلامة تعتمد على معرفة ليس مجرد قيمة واحدة بل أيضاً عدم اليقين المرتبط بها، يتقدم المؤلفون أكثر ويقيسون مدى ثقة التنبؤات. يجمعون معلومات إحصائية من ملاءمة المنحنى مع تقديرات عدم اليقين من بعض نماذج التعلم الآلي لبناء فترات ثقة وفترات تنبؤ للخصائص الرئيسية. في العديد من الحالات، تقع القيم المترابطة المعتمدة على التعلم الآلي ضمن نفس نطاقات عدم اليقين التي تغطي القياسات الحقيقية بالحجم الكامل، مما يشير إلى أن الطريقة الجديدة يمكن أن تقدم تقديرات دقيقة وحذرة في آن واحد.

ماذا يعني هذا لسلامة العالم الحقيقي

بالنسبة لغير المتخصصين، الرسالة الرئيسية هي أن نماذج التعلم الآلي المدروسة بعناية يمكن أن تعمل كمترجمات بين اختبارات القطع المعدنية الصغيرة وسلوك المكونات النووية بالحجم الكامل. من خلال التقاط أنماط عبر العديد من الفولاذات والمعالجات وشروط الإشعاع، يمكن لهذا النهج تحسين استخدام المواد النادرة أو شديدة الإشعاع، ودعم المراقبة الطويلة الأمد لأحواض المفاعلات، والمساعدة في تصميم سبائك جديدة اعتماداً على اختبارات مصغرة فقط. لا يزال من الضروري التحقق من الإطار على مزيد من المواد، لكنه يشير إلى مستقبل حيث تجعل الأدوات المدفوعة بالبيانات تقييمات السلامة الهيكلية أكثر موثوقية حتى عندما تتوافر عينات صغيرة فقط.

الاستشهاد: Sreenivasulu, Y.K., Lee, I., Merickel, J.W. et al. Machine learning-based correlation of charpy impact properties between sub-sized and standard-sized specimens for nuclear structural materials. Sci Rep 16, 16202 (2026). https://doi.org/10.1038/s41598-026-47605-4

الكلمات المفتاحية: اختبار صدمة تشاربي, التعلم الآلي, المواد النووية, مقاومة الكسر, عينات مخفضة الحجم