Förbättrad uppskattning av krombeläggningens tjocklek med multi-head attention LSTM och dataaugmentation

Varför tjockleken på en tunn beläggning spelar roll

Kärnkraftverk förlitar sig på långa metallsrör, så kallade bränslestavsskydd, för att hålla radioaktivt bränsle säkert. Efter Fukushima-katastrofen började ingenjörer applicera en tunn krombeläggning på dessa rör för att hjälpa dem motstå extrem värme och korrosion bättre. Men detta skyddsskikt fungerar endast som avsett om dess tjocklek är rätt längs flera meter av varje stång. Att mäta ett så tunt lager utan att skära upp stången är svårt, och traditionella inspektionsmetoder har svårt att omvandla råa sensorsignaler till precisa tjockleksvärden—särskilt när endast en liten mängd testdata finns tillgänglig. Denna studie visar hur en artificiell intelligens (AI)-modell, i kombination med smarta sätt att multiplicera begränsad data, kan göra dessa tjockleksuppskattningar mycket mer exakta och pålitliga.

Från lärdomar vid kärnkraftsolyckor till säkrare bränslestavar

Arbetet motiveras av hur zirkonium, ett metalliskt material som ofta används i bränslestavsskydd, reagerar med vatten vid höga temperaturer och producerar vätgas och värme. I Fukushima bidrog detta till explosioner som skadade anläggningen. En krombeläggning på zirkoniumytan kan bromsa korrosion, minska nötning och förbättra beteendet i olycksscenarier. Om beläggningen däremot är för tunn kan den brista under belastning; om den är för tjock kan den påverka värmeöverföring och bränslets prestanda. Eftersom stavar inte kan förstöras för tester när de väl är installerade måste operatörer förlita sig på icke-destruktiva verktyg som virvelströmsprovning (ECT), som använder växlande magnetfält för att undersöka metallytan. Den centrala utmaningen är att översätta de komplexa ECT-vågformerna till korrekta numeriska värden för beläggningstjocklek.

Lyssna på elektriska viskningar i metall

ECT-sensorer inducerar virvlande elektriska strömmar nära stångens yta och registrerar hur dessa strömmar reagerar på kromlagret och det underliggande zirkoniumet. Tidigare tillvägagångssätt förlitade sig på handdesignade egenskaper—såsom resistans- och reaktansvärden—och enkla matematiska anpassningar, som kvadratiska kurvor, för att koppla dessa egenskaper till tjocklek. Dessa metoder fungerade någorlunda bra men hade tydliga begränsningar: de hade svårt när förhållanden förändrades och kunde inte fullt ut fånga subtila samband gömda i de tidsvarierande signalerna. Författarna samlade istället fullständiga tidsseriesignaler från pannkaksformade ECT-prober placerade nära krombelagda bränslestavsexemplar med känd tjocklek, mätta vid flera olika driftfrekvenser. Detta gav dem fyra samtidigakanaler per mätning, vardera med tusentals tidssteg, vilket bildade en rik men relativt liten dataset.

Lära en AI att fokusera på det som betyder något

För att få ut det mesta av denna begränsade data kombinerade forskarna två idéer. För det första använde de transformationsbaserad dataaugmentation för tidsserier: de delade signaler i överlappande fönster, lade till noggrant skalad slumpmässig brus (jitter), vrängde amplituder och tid, perturbade signalerna i frekvensdomänen och vände dem i tiden. Dessa operationer skapar många realistiska variationer samtidigt som de bevarar den underliggande fysiken för hur tjockleken påverkar signalsnittet. För det andra utformade de en AI-modell byggd på ett long short-term memory (LSTM)-nätverk, en typ av neuralt nätverk väl lämpat för sekvenser, och förstärkte det med multi-head attention. LSTM:en följer hur signalen utvecklas över tid, medan attentionmekanismen lär sig att betona särskilt informativa delar av signalen och interaktioner mellan de fyra kanalerna. Tillsammans tillåter dessa komponenter modellen att upptäcka mönster som tidigare handgjorda formler inte kunde fånga.

Resultat som håller över olika inspektionsinställningar

Teamet testade sin modell med ett strängt korsvalideringsschema där hela tjockleksnivåer hölls utanför träningen, vilket tvingade AI:n att förutsäga tjocklekar den aldrig sett tidigare. De utvärderade också prestanda vid flera excitationsfrekvenser, vilket speglar hur sensorsinställningar varierar vid verkliga inspektioner. Jämfört med en tidigare metod baserad på polynomregression minskade den nya attention-förstärkta LSTM:en den genomsnittliga felet i tjockleksuppskattningar med mer än en tredjedel och levererade mer konsekventa resultat över frekvenser. Bland augmentationsstrategierna var enkel jitter och tidsvändning—båda som bevarar signalens medelvärde—särskilt effektiva, och att använda dem tillsammans gav bäst prestanda. Enklare neurala nät utan attention tenderade att kollapsa mot att förutsäga en genomsnittlig tjocklek, vilket understryker attentionmekanismens betydelse.

Vad detta betyder för kärnsäkerhet och vidare

Enkelt uttryckt visar studien att en noggrant utformad AI-modell, understödd av realistisk dataaugmentation, kan omvandla brusiga elektriska signaler till precisa, pålitliga mätningar av ett livsviktigt skyddsskikt som bara är några mikrometer tjockt. Detta ökar förtroendet för att krombelagda bränslestavar kommer att fungera som avsett, utan att kräva destruktiva tester eller stora, dyra dataset. Utöver kärnbränslet kan samma strategi—att kombinera tidsserieaugmentation med attentionbaserade sekvensmodeller—hjälpa ingenjörer i många fält att bygga smartare sensorer och mer precisa inspektionsverktyg när fysiska mått måste härledas från begränsade experimentella data.

Citering: 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

Nyckelord: kärnbränslesäkerhet, krombeläggning, virvelströmsprovning, tidsserier AI, dataaugmentation