Verbetering van de schatting van chroomcoatingdikte met multi-head attention LSTM en data-augmentatie

Waarom de dikte van een dunne coating ertoe doet

Kerncentrales vertrouwen op lange metalen buizen, brandstofstaven genoemd, om radioactieve brandstof veilig te huisvesten. Na de ramp in Fukushima begonnen ingenieurs een dunne chroomcoating aan te brengen op deze buizen om ze beter bestand te maken tegen extreme hitte en corrosie. Maar deze beschermlaag werkt alleen zoals bedoeld als de dikte op veel meters van elke staaf precies goed is. Een dergelijke dunne laag meten zonder de staaf te openen is moeilijk, en traditionele inspectiemethoden hebben moeite om ruwe sensorsignalen om te zetten in precieze diktewaarden—vooral wanneer slechts een kleine hoeveelheid testdata beschikbaar is. Deze studie toont hoe een kunstmatig intelligentiemodel (AI), gecombineerd met slimme methoden om beperkte data te vermenigvuldigen, deze dikteschattingen veel nauwkeuriger en betrouwbaarder kan maken.

Van lessen uit nucleaire ongevallen naar veiligere brandstofstaven

Het werk is gemotiveerd door de manier waarop zirconium, een metaal dat algemeen wordt gebruikt als bekleding van brandstofstaven, bij hoge temperaturen met water reageert en waterstofgas en warmte produceert. In Fukushima droeg dit bij aan explosies die de installatie beschadigden. Een chroomcoating op het zirconiumoppervlak kan corrosie vertragen, slijtage verminderen en het gedrag in ongeluksscenario’s verbeteren. Als de coating echter te dun is, kan deze bezwijken onder belasting; als hij te dik is, kan dat de warmteoverdracht en de brandstofprestaties beïnvloeden. Omdat staven niet vernietigd kunnen worden voor testen zodra ze zijn geïnstalleerd, moeten exploitanten vertrouwen op niet-destructieve hulpmiddelen zoals eddy current testing (ECT), die veranderende magnetische velden gebruikt om het metaaloppervlak te onderzoeken. De centrale uitdaging is het vertalen van de complexe ECT-golfvormen naar nauwkeurige getallen voor coatingdikte.

Luisteren naar elektrische fluisteringen in metaal

ECT-sensoren wekken wentelende elektrische stromen op in de buurt van het staafoppervlak en registreren hoe deze stromen reageren op de chroomlaag en het onderliggende zirconium. Eerdere benaderingen vertrouwden op handmatig ontworpen kenmerken—zoals weerstand- en reactantiewaarden—en eenvoudige wiskundige fits, zoals kwadratische krommen, om deze kenmerken aan dikte te koppelen. Deze methoden werkten redelijk goed maar kenden duidelijke beperkingen: ze worstelden wanneer de omstandigheden veranderden en konden niet volledig de subtiele relaties vatten die in de tijdsafhankelijke signalen verborgen liggen. De auteurs verzamelden in plaats daarvan volledige tijdreeks-signalen van pancakes-achtige ECT-probes geplaatst nabij chroomgecoate brandstofstaafmonsters met bekende dikte, gemeten bij meerdere bedrijffrequenties. Dit leverde per meting vier gelijktijdige signaalkanalen op, elk duizenden tijdstappen lang, wat een rijk maar relatief klein dataset opleverde.

Een AI leren zich te concentreren op wat belangrijk is

Om het meeste uit deze beperkte data te halen combineerden de onderzoekers twee ideeën. Ten eerste gebruikten ze transformatie-gebaseerde data-augmentatie voor tijdreeksen: ze sneden signalen in overlappende vensters, voegden zorgvuldig geschaalde willekeurige ruis toe (jittering), vervormden amplitude en timing, verstoorden de signalen in het frequentiedomein en keerden ze in de tijd om. Deze bewerkingen creëren veel realistische variaties terwijl ze de onderliggende fysica van hoe dikte het gemiddelde signaal beïnvloedt behouden. Ten tweede ontwierpen ze een AI-model gebaseerd op een long short-term memory (LSTM)-netwerk, een type neuraal netwerk dat goed geschikt is voor sequenties, en verbeterden het met multi-head attention. De LSTM volgt hoe het signaal in de tijd evolueert, terwijl het attention-mechanisme leert om bijzonder informatieve delen van het signaal en interacties tussen de vier kanalen te benadrukken. Samen stellen deze componenten het model in staat patronen te ontdekken die eerdere handgemaakte formules niet konden vatten.

Resultaten die houdbaar zijn in verschillende inspectie-instellingen

Het team testte hun model met een strikte cross-validatiestrategie waarbij volledige dikteniveaus uit de training werden gehouden, waardoor de AI gedwongen werd diktes te voorspellen die het nog nooit had gezien. Ze evalueerden ook de prestaties bij meerdere excitatiefrequenties, wat de variatie in sensorinstellingen bij echte inspecties weerspiegelt. Vergeleken met een eerdere methode gebaseerd op polynomiale regressie verminderde de nieuwe attention-verbeterde LSTM de gemiddelde fout in dikteschattingen met meer dan een derde en leverde consistentere resultaten over frequenties. Onder de augmentatiestrategieën waren simpele jittering en tijdomkering—beide behouden de gemiddelde waarde van het signaal—bijzonder effectief, en het combineren van beide gaf de beste prestaties. Simpelere neurale netwerken zonder attention neigden ertoe te vervallen tot het voorspellen van een gemiddelde dikte, wat het belang van het attention-mechanisme onderstreept.

Wat dit betekent voor nucleaire veiligheid en daarbuiten

In eenvoudige bewoordingen laat de studie zien dat een zorgvuldig ontworpen AI-model, ondersteund door realistische data-augmentatie, ruwe elektrische signalen kan omzetten in precieze, betrouwbare metingen van een levensreddende coating die slechts micrometers dik is. Dit vergroot het vertrouwen dat chroomgecoate brandstofstaven zich gedragen zoals bedoeld, zonder destructieve testen of grote, dure datasets. Buiten nucleaire brandstof kan dezelfde strategie—het combineren van tijdreeks-augmentatie met attention-gebaseerde sequentiemodellen—ingenieurs in veel vakgebieden helpen slimmere sensoren en nauwkeurigere inspectietools te bouwen telkens wanneer fysieke metingen uit beperkte experimentele data moeten worden afgeleid.

Bronvermelding: 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

Trefwoorden: veiligheid van nucleair brandstof, chroomcoating, eddy current testing, tijdreeks-AI, data-augmentatie