Ulepszanie estymacji grubości powłoki chromowej za pomocą LSTM z wielogłowicową uwagą i augmentacji danych

Dlaczego grubość mikroskopijnej powłoki ma znaczenie

Elektrownie jądrowe polegają na długich metalowych rurkach, zwanych prętami paliwowymi, które bezpiecznie mieszczą radioaktywne paliwo. Po katastrofie w Fukushimie inżynierowie zaczęli nakładać cienką powłokę chromową na te rurki, aby lepiej chroniły przed wysoką temperaturą i korozją. Jednak ta warstwa ochronna działa zgodnie z zamierzeniem tylko wtedy, gdy jej grubość jest odpowiednia na długości wielu metrów każdego pręta. Pomiar tak cienkiej powłoki bez rozcinania pręta jest trudny, a tradycyjne metody kontroli mają problem z przełożeniem surowych sygnałów z czujników na dokładne wartości grubości — szczególnie gdy dostępnych jest niewiele danych testowych. Niniejsze badanie pokazuje, jak model sztucznej inteligencji (AI), połączony z przemyślanymi sposobami zwiększania ograniczonego zbioru danych, może uczynić te estymacje znacznie dokładniejszymi i bardziej wiarygodnymi.

Od lekcji z wypadków jądrowych do bezpieczniejszych prętów paliwowych

Praca jest motywowana sposobem, w jaki cyrkon — metal powszechnie używany jako osłona prętów paliwowych — reaguje z wodą w wysokich temperaturach, wytwarzając wodór i ciepło. W Fukushimie przyczyniło się to do eksplozji, które uszkodziły zakład. Powłoka chromowa na powierzchni cyrkonu może spowolnić korozję, zmniejszyć zużycie i poprawić zachowanie w scenariuszach awaryjnych. Jednak jeśli powłoka jest zbyt cienka, może nie wytrzymać obciążeń; jeśli zbyt gruba, może zaburzać wymianę ciepła i wpływać na parametry paliwa. Ponieważ pręty nie mogą być niszczone do testów po zainstalowaniu, operatorzy muszą polegać na badaniach nieniszczących, takich jak badanie prądami wirowymi (ECT), które wykorzystuje zmienne pola magnetyczne do badania powierzchni metalu. Kluczowym wyzwaniem jest przetłumaczenie złożonych przebiegów ECT na dokładne wartości grubości.

Słuchając elektrycznych szeptów w metalu

Czujniki ECT indukują wirujące prądy elektryczne blisko powierzchni pręta i rejestrują, jak te prądy reagują na warstwę chromową i leżący pod nią cyrkon. Wcześniejsze podejścia opierały się na ręcznie zaprojektowanych cechach — takich jak wartości rezystancji i reaktancji — oraz prostych dopasowaniach matematycznych, np. krzywych kwadratowych, aby powiązać te cechy z grubością. Metody te działały w miarę dobrze, ale miały oczywiste ograniczenia: zawodziły przy zmieniających się warunkach i nie potrafiły w pełni uchwycić subtelnych relacji ukrytych w sygnałach zmieniających się w czasie. Autorzy zamiast tego zebrali pełne sygnały w postaci szeregów czasowych z płaskich sond ECT umieszczonych blisko próbek prętów powleczonych chromem o znanej grubości, mierzone przy kilku różnych częstotliwościach pracy. Dawało to cztery jednoczesne kanały sygnału dla każdego pomiaru, każdy o tysiącach kroków czasowych, tworząc bogaty, choć stosunkowo niewielki zbiór danych.

Nauczanie AI, na czym warto się skupić

Aby jak najlepiej wykorzystać ograniczony zbiór danych, badacze połączyli dwie idee. Po pierwsze, zastosowali augmentację danych opartą na transformacjach dla szeregów czasowych: dzielili sygnały na zachodzące na siebie okna, dodawali starannie skalowany losowy szum (jittering), zniekształcali amplitudy i osie czasu, wprowadzali zakłócenia w domenie częstotliwości oraz odwracali sygnały w czasie. Operacje te tworzą wiele realistycznych wariantów przy zachowaniu podstawowej fizyki wpływu grubości na średni przebieg sygnału. Po drugie, zaprojektowali model AI oparty na sieci LSTM (long short-term memory), rodzaju sieci neuronowej dobrze nadającej się do sekwencji, i wzmocnili go mechanizmem wielogłowicowej uwagi (multi-head attention). LSTM śledzi, jak sygnał zmienia się w czasie, podczas gdy mechanizm uwagi uczy się podkreślać szczególnie informatywne fragmenty sygnału oraz interakcje między czterema kanałami. Razem te elementy pozwalają modelowi odkrywać wzorce, których wcześniejsze, ręcznie skonstruowane formuły nie potrafiły uchwycić.

Wyniki stabilne w różnych ustawieniach inspekcji

Zespół przetestował swój model używając rygorystycznego schematu walidacji krzyżowej, w którym całe poziomy grubości były wyłączone z treningu, zmuszając AI do przewidywania grubości, których nigdy wcześniej nie widziała. Oceniono także wydajność przy wielu częstotliwościach wzbudzenia, odzwierciedlając to, jak ustawienia czujników zmieniają się w rzeczywistych inspekcjach. W porównaniu z wcześniejszą metodą opartą na regresji wielomianowej, nowy LSTM z uwagą zmniejszył średni błąd estymacji grubości o ponad jedną trzecią i zapewnił bardziej spójne wyniki w różnych częstotliwościach. Spośród strategii augmentacji, proste jittering i odwracanie w czasie — obie zachowujące wartość średnią sygnału — okazały się szczególnie skuteczne, a ich łączne użycie dało najlepsze rezultaty. Prostsze sieci neuronowe bez mechanizmu uwagi miały tendencję do zbiegania się do przewidywania średniej grubości, co podkreśla znaczenie mechanizmu uwagi.

Co to oznacza dla bezpieczeństwa jądrowego i nie tylko

Mówiąc prosto, badanie pokazuje, że starannie zaprojektowany model AI, wsparty realistyczną augmentacją danych, potrafi przekształcić zaszumione sygnały elektryczne w precyzyjne, godne zaufania pomiary ratującej życie powłoki o grubości zaledwie kilku mikrometrów. To zwiększa pewność, że pręty powleczone chromem będą zachowywać się zgodnie z oczekiwaniami, bez konieczności wykonywania testów destrukcyjnych czy gromadzenia dużych, kosztownych zbiorów danych. Poza paliwem jądrowym ta sama strategia — łączenie augmentacji szeregów czasowych z modelami sekwencyjnymi opartymi na uwadze — może pomóc inżynierom w wielu dziedzinach tworzyć inteligentniejsze czujniki i dokładniejsze narzędzia inspekcyjne zawsze, gdy trzeba wywnioskować wielkości fizyczne na podstawie ograniczonych danych eksperymentalnych.

Cytowanie: 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

Słowa kluczowe: bezpieczeństwo paliwa jądrowego, powłoka chromowa, badanie prądami wirowymi, SZTUCZNA INTELIGENCJA dla szeregów czasowych, augmentacja danych