Повышение точности оценки толщины хромового покрытия с помощью LSTM с многоголовой внимательной моделью и аугментации данных

Почему толщина микроскопического покрытия имеет значение

Атомные электростанции используют длинные металлические трубки, называемые тепловыводящими каналами (топливными стержнями), для надежного размещения радиоактивного топлива. После аварии на Фукусиме инженеры начали наносить тонкое хромовое покрытие на эти трубки, чтобы повысить их стойкость к высоким температурам и коррозии. Однако эта защитная оболочка действует должным образом только если ее толщина соблюдена вдоль многих метров каждого стержня. Измерить столь тонкий слой, не разрезая стержень, трудно, а традиционные методы контроля с трудом превращают сырые сигналы датчиков в точные значения толщины — особенно при ограниченном количестве экспериментальных данных. В этом исследовании показано, как модель искусственного интеллекта в сочетании с продуманными способами размножения данных может сделать такие оценки гораздо точнее и надежнее.

Из уроков ядерных аварий — к более безопасным тепловыводящим каналам

Работа мотивирована тем, как цирконий, металл, широко используемый в оболочке топливных стержней, реагирует с водой при высоких температурах, выделяя водород и тепло. На Фукусиме это способствовало взрывам и повреждению станции. Хромовое покрытие на поверхности циркония может замедлять коррозию, уменьшать износ и улучшать поведение в аварийных условиях. Однако если покрытие слишком тонкое, оно может разрушиться при нагрузках; если слишком толстое, это повлияет на теплообмен и работу топлива. Поскольку стержни нельзя разрушать для испытаний после установки, операторы вынуждены полагаться на неруйнівальные методы, такие как измерения вихревыми токами (ECT), которые используют изменяющиеся магнитные поля для исследования поверхностей металла. Основная задача — преобразовать сложные формы сигналов ECT в точные численные оценки толщины покрытия.

Слушая электрические шепоты в металле

Датчики ECT индуцируют вихревые электрические токи вблизи поверхности стержня и фиксируют, как эти токи реагируют на хромовый слой и находящийся под ним цирконий. Ранее подходы опирались на вручную сконструированные признаки — например, значения сопротивления и реактивности — и простые математические аппроксимации, такие как квадратичные кривые, связывающие эти признаки с толщиной. Эти методы работали в ряде случаев, но имели очевидные ограничения: они слабо переносились при изменении условий и не могли полностью уловить тонкие зависимости, скрытые во временных сигналах. Авторы вместо этого собрали полные временные ряды сигналов от круглых ECT-зондов, расположенных рядом с образцами топливных стержней с известной толщиной хрома, измеряя на нескольких рабочих частотах. В результате для каждого измерения получили четыре синхронных канала сигналов, каждый из которых содержит тысячи временных отсчетов — богатый, но относительно небольшой набор данных.

Обучение ИИ фокусироваться на важном

Чтобы лучше использовать ограниченный объем данных, исследователи объединили две идеи. Во-первых, они применили трансформационно-ориентированную аугментацию временных рядов: разрезали сигналы на пересекающиеся окна, добавляли аккуратно масштабируемый случайный шум (джиттер), искажали амплитуды и временные масштабы, вносили помехи в частотной области и зеркально разворачивали сигналы по времени. Эти операции создают множество реалистичных вариаций, сохраняя при этом физику зависимости среднего сигнала от толщины. Во-вторых, они спроек-роровали модель ИИ на базе сети долгой краткосрочной памяти (LSTM) — типа нейронной сети, приспособленной для последовательностей — и усилили ее многоголовой механизмом внимания. LSTM отслеживает эволюцию сигнала во времени, а механизм внимания учится выделять наиболее информативные участки сигнала и взаимодействия между четырьмя каналами. Вместе эти компоненты позволяют модели обнаруживать шаблоны, которые ранее созданные вручную формулы не могли уловить.

Результаты, устойчивые к разным условиям контроля

Команда протестировала свою модель с помощью строгой схемы кросс-валидации, при которой целые уровни толщины выводились из обучения, заставляя ИИ предсказывать ранее невиданные значения толщины. Они также оценивали работу на нескольких частотах возбуждения, имитируя вариативность настроек датчиков в реальных проверках. По сравнению с предыдущим методом на основе полиномиальной регрессии, новая LSTM с вниманием сократила среднюю ошибку оценки толщины более чем на треть и обеспечила более согласованные результаты между частотами. Среди стратегий аугментации особенно эффективными оказались простое добавление джиттера и временное разворачивание — оба сохраняют среднее значение сигнала — а их совместное использование дало наилучший эффект. Проще нейронные сети без механизма внимания склонялись к «схлопыванию» предсказаний к среднему значению толщины, что подчеркивает важность внимания.

Что это значит для ядерной безопасности и не только

Говоря просто, исследование демонстрирует, что тщательно спроектированная модель ИИ в сочетании с реалистичной аугментацией данных может преобразовывать зашумленные электрические сигналы в точные, надежные измерения защитного покрытия толщиной в микрометры. Это повышает уверенность в том, что хромированные тепловыводящие каналы будут вести себя ожидаемо, без необходимости разрушительных испытаний или больших дорогостоящих наборов данных. Вне сферы ядерного топлива та же стратегия — сочетание аугментации временных рядов с моделями последовательностей на основе внимания — может помочь инженерам в разных областях создавать более умные датчики и точные инструменты контроля там, где физические параметры нужно выводить из ограниченных экспериментальных данных.

Цитирование: 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

Ключевые слова: безопасность ядерного топлива, хромовое покрытие, измерение вихревыми токами, ИИ для временных рядов, аугментация данных