שיפור הערכת עובי ציפוי כרום בעזרת LSTM עם תשומת לב מרובת ראשים והגדלת נתונים

מדוע עובי ציפוי זעיר חשוב

תחנות כוח גרעיניות מסתמכות על צינורות מתכת ארוכים, המכונים מוטות דלק, לאחסון בטוח של דלק רדיואקטיבי. לאחר אסון פוקושימה, מהנדסים החלו להוסיף ציפוי כרום דק למוטות אלה כדי לעזור להם לעמוד טוב יותר בחום קיצוני ובקורוזיה. אך שכבת הבטיחות הזו פועלת כמתוכנן רק אם עובייה נכון לאורך כמה מטרים של כל מוט. מדידה של שכבה זעירה כזו ללא חיתוך המוט קשה, והמתודולוגיות המסורתיות מתקשות להפוך אותות חיישן גלם לערכי עובי מדויקים — במיוחד כאשר זמינים רק מעט נתוני בדיקה. מחקר זה מראה כיצד מודל בינה מלאכותית (AI), בשילוב שיטות חכמות להכפלת נתונים מוגבלים, יכול להפוך את הערכות העובי למדויקות ואמינות הרבה יותר.

מלימודי תאונות גרעיניות למוטות דלק בטוחים יותר

העבודה מונעת מהאופן שבו זירקוניום, מתכת המשמשת בדרך כלל לציפוי מוטות הדלק, מגיב עם מים בטמפרטורות גבוהות ויוצר גז מימן וחום. בפוקושימה הדבר תרם לפיצוצים שפגעו במפעל. ציפוי כרום על פני זירקוניום יכול להאט קורוזיה, להפחית בלאי ולשפר התנהגות בתרחישי תאונה. עם זאת, אם הציפוי דק מדי הוא עלול להיכשל במתח; אם עבה מדי, הוא עשוי להשפיע על העברת החום וביצועי הדלק. מאחר שמוטות לא ניתן להשמיד לבדיקות לאחר התקנה, המפעילים חייבים להסתמך על כלים לא הרסניים כגון בדיקות זרם אדדיי (ECT), שמשתמשות בשדות מגנטיים משתנים כדי לבחון את פני המתכת. האתגר המרכזי הוא לתרגם את צורות הגל המורכבות של ECT למספרים מדויקים של עובי הציפוי.

להאזין ללחישות חשמליות במתכת

חיישני ECT מעוררים זרמי חשמל סיבוביים סמוך לפני המוט ורושמים כיצד זרמים אלה מגיבים לשכבת הכרום ולזירקוניום שמתחתיה. גישות קודמות הסתמכו על תכונות מעוצבות ידנית — כגון ערכי התנגדות וריאקטנס — והתאמות מתמטיות פשוטות, כמו עקומות ריבועיות, לקישור תכונות אלה לעובי. שיטות אלה עבדו באופן סביר אך היו להן מגבלות ברורות: הן התקשו כאשר התנאים השתנו ולא יכלו ללכוד במלואן יחסים עדינים החבויים באותות המשתנים בזמן. המחברים במקום זאת אספו סדרות זמן מלאות מאנטנות ECT בצורת פנקייק הממוקמות ליד דגימות מוטות מצופות כרום בעוביים ידועים, שנמדדו בתדרי תפעול שונים. כך נוצרו באר כל מדידה ארבעה ערוצי אות סימולטניים, כל אחד באלפי צעדי זמן, מה שיצר מערך נתונים עשיר אך יחסית קטן.

ללמד AI להתמקד במה שחשוב

כדי להפיק את המרב מהנתונים המוגבלים, החוקרים שילבו שתי רעיונות. ראשית, הם השתמשו בהגדלת נתונים מבוססת טרנספורמציות עבור סדרות זמן: הם חיתכו אותות לחלונות חופפים, הוסיפו רעש רנדומלי מתואם בקנה מידה (jittering), עיוותו אמפליוטודה וזמנים, שינו את האות בתחום התדרים והפכו את האות בזמן. פעולות אלה יוצרות וריאציות רבות וריאליסטיות תוך שמירה על הפיזיקה הבסיסית של האופן שבו העובי משפיע על הממוצע של האות. שנית, הם עיצבו מודל AI המבוסס על רשת זיכרון לטווח ארוך וקצר (LSTM), סוג של רשת עצבית המותאמת לסדרות, והעצימו אותו עם תשומת לב מרובת ראשים. ה-LSTM עוקב אחר התפתחות האות לאורך זמן, בעוד מנגנון התשומת לב לומד להדגיש חלקים במיוחד אינפורמטיביים של האות ואת האינטראקציות בין ארבעת הערוצים. יחדיו מרכיבים אלה מאפשרים למודל לגלות דפוסים שנוסחאות מעוצבות ידנית לא הצליחו ללכוד.

תוצאות החלות על הגדרות בדיקה שונות

הצוות בחן את המודל שלהם באמצעות תוכנית וולידציה צולבת קפדנית שבה רמות עובי שלמות הוחזקו מחוץ לאימון, מה שאילץ את ה-AI לנבא עוביים שמעולם לא ראה קודם. הם גם העריכו ביצועים במספר תדרי גירוי, המשקפים כיצד הגדרות חיישן משתנות בבדיקות אמת. בהשוואה לשיטה קודמת שהתבססה על רגרסיה פולינומית, ה-LSTM המשופר בתשומת לב הקטין את שגיאת הממוצע בהערכת העובי ביותר משליש וסיפק תוצאות עקביות יותר בין התדרים. מבין אסטרטגיות ההגדלה, jittering פשוט והיפוך בזמן — ששניהם שומרים על ערך הממוצע של האות — היו יעילים במיוחד, והשימוש בהם יחד הניב את הביצועים הטובים ביותר. רשתות עצביות פשוטות יותר ללא מנגנון תשומת לב נטו לקרוס לניבוי עובי ממוצע, מה שמדגיש את חשיבות מנגנון התשומת לב.

מה משמעות הדבר לבטיחות גרעינית ומעבר לה

במילים פשוטות, המחקר מראה שמודל AI מתוכנן בקפידה, הנתמך בהגדלת נתונים ריאליסטית, יכול להפוך אותות חשמליים רועשים למדידות מדויקות ואמינות של ציפוי מציל חיים בעובי של מספר מיקרומטרים בלבד. זה משפר את הביטחון בכך שמוטות דלק מצופים כרום יתנהגו כמתוכנן, מבלי לדרוש בדיקות הרסניות או מערכי נתונים גדולים ויקרים. מעבר לדלק גרעיני, אותה אסטרטגיה — שילוב הגדלת סדרות זמן עם מודלים רציפים מבוססי תשומת לב — יכולה לסייע למהנדסים בתחומים רבים לבנות חיישנים חכמים יותר וכלי בדיקה מדויקים יותר כאשר יש צורך להסיק מדידות פיזיקליות מנתונים ניסיוניים מוגבלים.

ציטוט: 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

מילות מפתח: בטיחות דלק גרעיני, ציפוי כרום, בדיקות זרם אדדיי, AI בסדרות זמן, הגדלת נתונים