מודל מבוסס Transformer–XGBoost לאבחון תקלות עבור CPR1000

מדוע התראות חכמות חשובות בכוח גרעיני

תחנות כוח גרעיניות פועלות על רשת מורכבת של צינורות, שסתומים וחיישנים שצריכים לפעול ביחד באופן מושלם. בעת אירועים חריגים, חדרי בקרה יכולים להיות מוצפים באורות מהבהבים וקריאות משתנות בקצב שלרוב אדם לא יכול לפרש. מאמר זה בוחן כיצד סוג חדש של בינה מלאכותית יכול למסנן את הצפה זו של נתונים בזמן אמת, ולעזור למפעילים לזהות תקלות מסוכנות בכור מים תחת לחץ מסוג CPR1000 לפני שהן מתדרדרות. בכך הוא מצביע על עתיד שבו מכונות פועלות כשותפים ערניים, שצופים בשקט אחר סימני אזהרה מוקדמים שאנשים עלולים לפספס תחת לחץ.

רשת בטיחות דיגיטלית עבור כורים מורכבים

המחברים מתמקדים ביחידת כוח גרעינית סינית מסוג CPR1000, מערכת מורכבת המנוטרת על ידי עשרות מדידות מרכזיות כגון טמפרטורה, לחץ, מפלס וספיקה. בתפעול רגיל הרשת הזו כבר מעמיסה על תשומת הלב האנושית; בחירום, כאשר צלצולים רבים נשמעים במקביל, פירוש המתרחש נעשה אפילו קשה יותר. מטרת הצוות היא להפוך את האותות הגולמיים הללו להערכה אוטומטית של "מצב בריאות" כך שבעת צפייה לא במספרים בודדים המפעילים יוכלו לראות איזו תקלה ספציפית מתפתחת ולהגיב במהירות ובביטחון.

להדריך סימולטור לייצר תאונות נדירות

מכיוון שתאונות גרעיניות אמיתיות הן למזלנו נדירות, החוקרים פנו לסימולטור בעל דיוק גבוה בשם PCTRAN, היכול לחקות את התנהגות תחנת CPR1000 בתנאים שונים. הם בנו כלי בפייתון בשם AutoSave‑PCTRAN שמפעיל אוטומטית את הסימולטور, מוכנס לתוכו תקלות בעוצמות משתנות, ורושם את כל קריאות החיישנים לאורך הזמן. על ידי סימולציה חוזרת של שלושה תרחישים חמורים במיוחד — איבוד קירור, קרע בקו אדים בתוך המעטפת, וקריע בצינור אחד של גנרטור האדים — לצד תפעול תקין, צברו 120,000 דוגמאות של התנהגות החיישנים לפני ובמהלך כל סוג אירוע.

כיצד ה‑AI ההיברידי לומד מאותות הכור

הזנה של כל 92 ערוצי החיישנים הזמינים לאלגוריתם היתה בלתי יעילה ורועשת, לכן הצוות השתמש תחילה בהליך סלקציית תכונות כדי לזהות את ששת האותות המידעיים ביותר, כגון מפלסי מים מרכזיים, מדדי קרינה ומלאי נוזלי הקירור. זרמים אלה יוצרים חלונות זמן קצרים של נתונים המועברים למודל ניתוח רצפים מודרני הידוע כ‑Transformer, שמתמצה בזיהוי דפוסים עדינים המתפתחים על פני מספר שניות. במקום להפיק תשובה פשוטה כן־או־לא, ה‑Transformer מזקק כל חלון זמן לערכת תכונות נומריות קומפקטית הלוכדת את אופיית התפתחות המערכת.

מהדפוסים לתוויות תקלה מדויקות

הדפוסים המדחוסים היוצאים מה‑Transformer מוזנים לשיטה אסמבלית של קבלת החלטות הנקראת XGBoost, המתאימה במיוחד לסיווג נתונים מורכבים כאשר מכוונים אותה בקפידה. כדי למצוא את ההגדרות הטובות ביותר, המחברים מיישמים גישה של "חיפוש חכם" בהשראת אסטרטגיות של הציד של לווייתנים, שמבטיחה שהמודל לא ייתקע בפתרונות בינוניים. האימון והבדיקה מתבצעים באמצעות אימות צולב קפדני, כך שהמערכת נבחנת שוב ושוב עם שילובים חדשים של מקרים מדומים. עיצוב דו‑שלבי זה משלב את כישרון הלמידה העמוקה להתמודד עם סדרות זמן עם מנוע החלטות מסורתי יותר שיכול לצייר גבולות חדים בין סוגי תקלות שונים.

כמה טוב המערכת מזהה סכנה

כאשר האבק שקע, המודל ההיברידי הצליח להבחין בין תפעול תקין, קרע בקו אדים, קריע בצינור גנרטור אדים, ואיבוד קירור עם אמינות מרשימה. בכל ארבעת המצבים דיוק, זכירה וניקוד F1 היו מעל 98%, ובמקרים מסוימים הגיעו ל‑100%. חשוב לציין שהשגיאות שהתרחשו היו ברובן מוגבלות לגבול בין שתי תקלות הקשורות לאדים שמייצרות באופן טבעי דפוסי חיישנים דומים. אפילו שם, שיעור השיבוש נשאר מתחת ל‑2%. בהשוואה לשימוש רק ב‑Transformer או רק ב‑XGBoost, הגישה המשולבת הקטינה אבחונים שגויים במספר נקודות אחוז — שיפור משמעותי בסביבה חשובה לבטיחות.

מה משמעות הדבר לבטיחות היומיומית

עבור לא‑מומחה, המסקנה פשוטה: מחקר זה מראה כי AI מודרני יכול לשמש כעוזר ערני בחדרי בקרה גרעיניים, לצפות בהרבה חיישנים בבת אחת ולהכיר חתימות מוקדמות של תקלות חמורות. על ידי זיקוק שיטפון של מספרים לאינדיקציה ברורה ומדויקת בזמן לגבי הבעיה המתפתחת, המערכת עשויה להעניק למפעילים האנושיים מרווח זמן ובהירות קריטיים, ולהפחית את הסיכוי שסופת התראות מבלבלת תוביל להחלטה שגויה. אף על פי שהמחקר עדיין מסתמך על נתונים מדומים וידרוש בדיקות נוספות ברעש אמת‑עולם, הוא מצייר נתיב מבטיח לעבר בטיחות יותר אמינה וממוקדת־אדם באנרגיה גרעינית.

ציטוט: 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

מילות מפתח: בטיחות בכוח גרעיני, אבחון תקלות, למידת מכונה, Transformer XGBoost, ניטור כור