Amélioration de l’estimation de l’épaisseur du revêtement au chrome par LSTM à attention multi-têtes et augmentation de données

Pourquoi l’épaisseur d’un revêtement minuscule a de l’importance

Les centrales nucléaires s’appuient sur de longs tubes métalliques, appelés gaines de combustible, pour contenir le combustible radioactif en toute sécurité. Après la catastrophe de Fukushima, les ingénieurs ont commencé à ajouter une fine couche de chrome à ces tubes afin de mieux résister à la chaleur extrême et à la corrosion. Mais cette couche de protection ne joue son rôle que si son épaisseur est correcte sur plusieurs mètres de chaque gaine. Mesurer une couche aussi mince sans couper la gaine est difficile, et les méthodes d’inspection traditionnelles peinent à convertir des signaux bruts de capteurs en valeurs d’épaisseur précises — surtout quand les données d’essai disponibles sont peu nombreuses. Cette étude montre comment un modèle d’intelligence artificielle (IA), associé à des moyens astucieux de multiplier des données limitées, peut rendre ces estimations d’épaisseur beaucoup plus précises et fiables.

Des leçons des accidents nucléaires à des gaines de combustible plus sûres

Le travail est motivé par la façon dont le zirconium, métal couramment utilisé pour la gaine des combustibles, réagit avec l’eau à haute température en produisant de l’hydrogène et de la chaleur. À Fukushima, cela a contribué à des explosions ayant endommagé la centrale. Un revêtement au chrome sur la surface de zirconium peut ralentir la corrosion, réduire l’usure et améliorer le comportement en situation d’accident. Cependant, si le revêtement est trop fin, il peut céder sous contrainte ; s’il est trop épais, il peut affecter le transfert de chaleur et les performances du combustible. Comme les gaines ne peuvent pas être détruites pour des tests une fois installées, les exploitants doivent s’appuyer sur des outils non destructifs tels que les essais par courants de Foucault (ECF), qui utilisent des champs magnétiques variables pour sonder la surface métallique. Le défi central est de traduire les formes d’onde complexes des ECF en valeurs d’épaisseur précises.

Écouter les chuchotements électriques dans le métal

Les capteurs ECF induisent des courants électriques tourbillonnants près de la surface de la gaine et enregistrent la réponse de ces courants au revêtement de chrome et au zirconium sous-jacent. Les approches antérieures s’appuyaient sur des caractéristiques conçues à la main — telles que les valeurs de résistance et de réactance — et sur des ajustements mathématiques simples, comme des courbes quadratiques, pour lier ces caractéristiques à l’épaisseur. Ces méthodes fonctionnaient raisonnablement bien mais avaient des limites évidentes : elles souffraient quand les conditions changeaient et ne pouvaient pas capturer pleinement des relations subtiles enfouies dans les signaux variant dans le temps. Les auteurs ont plutôt collecté des signaux temporels complets à partir de sondes ECF en forme de disque placées près d’échantillons de gaines revêtues de chrome d’épaisseurs connues, mesurés à plusieurs fréquences de fonctionnement. Ils ont ainsi obtenu quatre canaux de signal simultanés par mesure, chacun comportant des milliers de pas temporels, formant un jeu de données riche mais relativement petit.

Apprendre à une IA à se concentrer sur l’essentiel

Pour tirer le meilleur parti de ces données limitées, les chercheurs ont combiné deux idées. D’abord, ils ont utilisé une augmentation de données par transformations pour séries temporelles : ils ont découpé les signaux en fenêtres qui se recoupent, ajouté du bruit aléatoire soigneusement mis à l’échelle (jitter), déformé les amplitudes et le temps, perturbé les signaux dans le domaine fréquentiel et inversé leur sens temporel. Ces opérations créent de nombreuses variations réalistes tout en préservant la physique sous-jacente expliquant comment l’épaisseur influence la valeur moyenne du signal. Ensuite, ils ont conçu un modèle d’IA basé sur un réseau à mémoire long terme (LSTM), un type de réseau de neurones bien adapté aux séquences, et l’ont enrichi par une attention multi-têtes. Le LSTM suit l’évolution du signal dans le temps, tandis que le mécanisme d’attention apprend à mettre en évidence les parties particulièrement informatives du signal et les interactions entre les quatre canaux. Ensemble, ces composants permettent au modèle de découvrir des motifs que les formules élaborées manuellement ne pouvaient pas capturer.

Des résultats robustes à travers différents réglages d’inspection

L’équipe a testé son modèle en utilisant un protocole strict de validation croisée dans lequel des niveaux d’épaisseur entiers étaient exclus de l’entraînement, forçant l’IA à prédire des épaisseurs qu’elle n’avait jamais vues. Ils ont également évalué les performances à plusieurs fréquences d’excitation, reflétant la variation des réglages de capteur en inspection réelle. Comparé à une méthode antérieure basée sur une régression polynomiale, le nouveau LSTM enrichi par attention a réduit l’erreur moyenne des estimations d’épaisseur de plus d’un tiers et a fourni des résultats plus cohérents selon les fréquences. Parmi les stratégies d’augmentation, le simple jitter et l’inversion temporelle — tous deux préservant la valeur moyenne du signal — se sont révélés particulièrement efficaces, et leur utilisation conjointe a donné les meilleures performances. Des réseaux de neurones plus simples, sans attention, avaient tendance à s’effondrer vers la prédiction d’une épaisseur moyenne, soulignant l’importance du mécanisme d’attention.

Ce que cela signifie pour la sécurité nucléaire et au-delà

En termes simples, l’étude montre qu’un modèle d’IA soigneusement conçu, soutenu par une augmentation de données réaliste, peut convertir des signaux électriques bruités en mesures précises et fiables d’un revêtement vital d’à peine quelques micromètres. Cela renforce la confiance que les gaines de combustible revêtues de chrome se comporteront comme prévu, sans nécessiter de tests destructifs ni de jeux de données vastes et coûteux. Au-delà du combustible nucléaire, la même stratégie — combiner augmentation pour séries temporelles et modèles de séquence à attention — pourrait aider les ingénieurs de nombreux domaines à concevoir des capteurs plus intelligents et des outils d’inspection plus précis chaque fois que des grandeurs physiques doivent être déduites à partir de données expérimentales limitées.

Citation: Jeon, M., Choi, W., Park, J.W. et al. Enhancing chromium coating thickness estimation with multi-head attention LSTM and data augmentation. Sci Rep 16, 8286 (2026). https://doi.org/10.1038/s41598-026-39258-0

Mots-clés: sécurité du combustible nucléaire, revêtement au chrome, essais par courants de Foucault, IA pour séries temporelles, augmentation de données