Model oparty na transformerze i XGBoost do diagnozowania usterek w CPR1000

Dlaczego inteligentniejsze alarmy mają znaczenie w energetyce jądrowej

Elektrownie jądrowe działają dzięki skomplikowanej sieci rur, zaworów i czujników, które muszą współpracować bezbłędnie. Podczas niezwykłych zdarzeń w pomieszczeniach kontrolnych mogą pojawić się setki migających świateł i szybko zmieniających się wskazań, które trudno człowiekowi szybko zinterpretować. W artykule badano, jak nowy rodzaj sztucznej inteligencji może w czasie rzeczywistym przesiać tę lawinę danych, pomagając operatorom wykrywać niebezpieczne usterki w ciśnieniowym reaktorze wodnym CPR1000 zanim się rozwiną. Wskazuje to na przyszłość, w której maszyny będą działać jako czujni partnerzy, dyskretnie wyłapując wczesne sygnały problemów, które pod presją mogą umknąć ludziom.

Cyfrowa siatka bezpieczeństwa dla złożonych reaktorów

Autorzy skupili się na chińskim bloku jądrowym CPR1000 — złożonym systemie monitorowanym przez dziesiątki kluczowych pomiarów, takich jak temperatura, ciśnienie, poziom wody i przepływ. W normalnej eksploatacji ta sieć czujników już przeciąża uwagę personelu; w sytuacjach awaryjnych, gdy jednocześnie uruchamia się wiele alarmów, interpretacja rzeczywistego stanu staje się jeszcze trudniejsza. Celem zespołu było przekształcenie surowych sygnałów w automatyczną ocenę „stanu zdrowia”, tak aby zamiast śledzić pojedyncze liczby operatorzy widzieli, jaka konkretna usterka się rozwija i mogli reagować szybko i pewnie.

Nauczanie symulatora generowania rzadkich wypadków

Ponieważ prawdziwe wypadki jądrowe występują na szczęście rzadko, badacze skorzystali z wysokowiernohodnego symulatora PCTRAN, który potrafi odtworzyć zachowanie instalacji CPR1000 w wielu warunkach. Zbudowali narzędzie w Pythonie o nazwie AutoSave‑PCTRAN, które automatycznie uruchamia symulator, wprowadza usterki o różnym nasileniu i rejestruje wszystkie odczyty czujników w czasie. Poprzez wielokrotne symulacje trzech szczególnie poważnych scenariuszy — utraty chłodziwa, pęknięcia rury parowej wewnątrz obudowy oraz rozerwania rury w jednym z generatorów pary — wraz z normalną pracą, zgromadzili 120 000 przykładów zachowania czujników przed i w trakcie każdego typu zdarzenia.

Jak hybrydowa AI uczy się ze sygnałów reaktora

Wprowadzenie wszystkich 92 dostępnych kanałów czujnikowych bezpośrednio do algorytmu byłoby nieefektywne i hałaśliwe, dlatego zespół najpierw zastosował procedurę wyboru cech, aby zidentyfikować sześć najbardziej informatywnych sygnałów, takich jak kluczowe poziomy wody, monitory promieniowania i inwentarz chłodziwa. Te strumienie tworzą krótkie okna czasowe danych, które trafiają do nowoczesnego modelu analizy sekwencji znanego jako Transformer, świetnego w wychwytywaniu subtelnych wzorców rozwijających się na przestrzeni kilku sekund. Zamiast prostego tak/nie, Transformer destyluje każde okno czasowe do zwartego zestawu cech numerycznych opisujących sposób, w jaki system się zmienia.

Z wzorców do precyzyjnych etykiet usterek

Skompresowane wzorce wychodzące z Transformera są następnie podawane do zespołowej metody decyzyjnej zwanej XGBoost, która jest szczególnie skuteczna w klasyfikowaniu złożonych danych przy starannym dostrojeniu. Aby znaleźć najlepsze ustawienia, autorzy zastosowali podejście „inteligentnego przeszukiwania” inspirowane strategiami polowania wielorybów, co zapobiega utknięciu modelu w przeciętnych rozwiązaniach. Trenowanie i testowanie przeprowadzono z użyciem rygorystycznej walidacji krzyżowej, dzięki czemu system wielokrotnie stawiano przed nowymi kombinacjami symulowanych przypadków. Ten dwuetapowy projekt łączy zdolność głębokiego uczenia do pracy z szeregiem czasowym z bardziej tradycyjnym silnikiem decyzyjnym, który potrafi wytyczyć ostre granice między różnymi typami usterek.

Jak dobrze system wykrywa zagrożenia

Po zakończeniu prac hybrydowy model potrafił odróżnić normalną pracę, pęknięcie rury parowej, rozerwanie rury generatora pary oraz utratę chłodziwa z imponującą niezawodnością. We wszystkich czterech warunkach jego dokładność, czułość i miary F1 przekraczały 98%, a w niektórych przypadkach sięgały 100%. Co ważne, błędy które wystąpiły, ograniczały się głównie do granicy między dwoma awariami związanymi z parą, które naturalnie generują podobne wzorce czujnikowe. Nawet tam odsetek błędnych klasyfikacji pozostał poniżej 2%. W porównaniu z użyciem tylko Transformera lub tylko XGBoost, podejście łączone zmniejszyło liczbę błędnych diagnoz o kilka punktów procentowych — istotną poprawę w środowisku krytycznym dla bezpieczeństwa.

Co to oznacza dla codziennego bezpieczeństwa

Dla osoby niebędącej specjalistą wniosek jest prosty: badania pokazują, że nowoczesna AI może służyć jako wysoce czujny asystent w pomieszczeniach kontrolnych elektrowni jądrowych, obserwując jednocześnie wiele czujników i rozpoznając wczesne sygnatury poważnych usterek. Redukując potok liczb do jasnej, terminowej wskazówki, jaki problem się rozwija, system może dać operatorom kluczowy zapas czasu i jasność decyzyjną, zmniejszając ryzyko, że burza alarmów doprowadzi do błędnej decyzji. Chociaż badanie opiera się nadal na danych symulowanych i będzie wymagać dalszych testów w warunkach rzeczywistych szumów, wyznacza obiecującą ścieżkę ku bardziej niezawodnemu, skoncentrowanemu na człowieku bezpieczeństwu w energetyce jądrowej.

Cytowanie: 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

Słowa kluczowe: bezpieczeństwo energetyki jądrowej, diagnostyka awarii, uczenie maszynowe, transformer XGBoost, monitorowanie reaktora