CPR1000 için arıza teşhisine yönelik bir transformer–XGBoost tabanlı model

Nükleer enerjide daha akıllı alarmların önemi

Nükleer santraller, hepsi birlikte kusursuz çalışması gereken karmaşık bir boru, vana ve sensör ağı üzerine kurulur. Olağandışı olaylarda kumanda odaları, insanın hızla yorumlayamayacağı kadar çok sayıda yanıp sönen ışık ve değişen göstergelerle dolabilir. Bu makale, yeni bir yapay zekâ yaklaşımının bu veri selini gerçek zamanda nasıl süzebileceğini inceliyor; böylece operatörlerin CPR1000 tip basınçlı su reaktöründe tehlikeli arızaları tırmanmadan önce fark etmesine yardımcı oluyor. Bu süreç, makinelerin dikkatli ortaklar gibi davranabileceği, insanın baskı altında kaçırabileceği erken sorun işaretlerini sessizce izleyen bir geleceğe işaret ediyor.

Karmaşık reaktörler için dijital bir güvenlik ağı

Yazarlar, sıcaklık, basınç, su seviyesi ve akış gibi onlarca önemli ölçümle izlenen Çin yapımı bir CPR1000 nükleer üniteye odaklanıyor. Normal işletmede bu sensör ağı zaten insan dikkatini zorluyor; acil bir durumda birçok alarm aynı anda çaldığında neyin gerçekten olduğu yorumlamak daha da zorlaşıyor. Ekip, bu ham sinyalleri otomatik bir "sağlık durumu" değerlendirmesine dönüştürmeyi amaçlıyor; böylece operatörler tek tek sayılara bakmak yerine hangi spesifik arızanın geliştiğini görüp hızlı ve kendinden emin şekilde yanıt verebilecek.

Nadir kazaları üretmek için bir simülatör öğretmek

Gerçek nükleer kazalar şükür ki nadir olduğundan araştırmacılar, CPR1000 tesisinin davranışını çeşitli koşullar altında taklit edebilen yüksek doğruluklu bir simülatör olan PCTRAN’a yöneldi. Simülatörü otomatik olarak başlatan, farklı şiddetlerde arızalar enjekte eden ve tüm sensör okumalarını zaman içinde kaydeden AutoSave‑PCTRAN adlı bir Python aracı geliştirdiler. Soğutma kaybı, muhafaza içinde buhar hattı kırılması ve bir buhar jeneratörü tüpünde yırtılma olmak üzere özellikle ciddi üç senaryoyu ve normal işletmeyi tekrarlı şekilde simüle ederek, tesis sensörlerinin her tür olay öncesi ve sırasındaki davranışına dair 120.000 örnek topladılar.

Hibrit yapay zekânın reaktör sinyallerinden öğrenmesi

Tüm 92 kullanılabilir sensör kanalını doğrudan bir algoritmaya vermek verimsiz ve gürültülü olacağından ekip önce en bilgilendirici altı sinyali belirlemek için bir özellik seçimi prosedürü kullandı; bunlar arasında ana su seviyeleri, radyasyon monitörleri ve soğutma stokunu gösteren ölçümler vardı. Bu akışlar kısa zaman pencereleri halinde Transformer olarak bilinen modern bir sıra-analiz modeline verildi; Transformer, birçok saniye boyunca ortaya çıkan ince desenleri yakalamada üstündür. Basit bir evet‑hayır cevabı üretmek yerine Transformer, her zaman penceresini sistemin nasıl evrildiğini yakalayan kompakt sayısal özelliklere indirger.

Desenlerden kesin arıza etiketlerine

Transformer’dan çıkan yoğunlaştırılmış desenler daha sonra XGBoost adlı toplu karar yöntemine beslenir; bu yöntem dikkatli ayarlandığında karmaşık verileri sınıflandırmada özellikle başarılıdır. En iyi ayarları bulmak için yazarlar, modelin vasat çözümlerde takılıp kalmamasını sağlamak amacıyla balina avcılığı stratejilerinden esinlenen bir "akıllı arama" yaklaşımı uygular. Eğitim ve test, katı çapraz doğrulama kullanılarak yürütülür; böylece sistem sürekli olarak simüle edilmiş yeni vaka kombinasyonlarıyla sınanır. Bu iki aşamalı tasarım, zaman serilerini işleme konusundaki derin öğrenme yeteneğini, farklı arıza türleri arasında keskin sınırlar çizebilen daha geleneksel bir karar motoruyla harmanlar.

Sistemin tehlikeyi tespit etmedeki başarısı

Sonuçlar alındığında, hibrit model normal işletme, buhar hattı kırılması, buhar jeneratörü tüp yırtılması ve soğutma kaybını çarpıcı bir güvenilirlikle ayırt edebiliyordu. Dört koşulun tamamında doğruluk, recall ve F1 skorları %98’in üzerindeydi ve bazı durumlarda %100’e ulaştı. Önemli olarak, gerçekleşen hatalar çoğunlukla doğal olarak benzer sensör desenleri üreten iki buhar ilgili arıza arasındaki sınırla sınırlı kaldı. Hatta orada bile yanlış sınıflandırma oranı %2’nin altında kaldı. Sadece Transformer veya sadece XGBoost kullanmaya kıyasla, birlikte kullanılan yaklaşım yanlış teşhisleri birkaç puan azaltarak güvenlik açısından kritik bir ortamda anlamlı bir iyileşme sağladı.

Günlük güvenlik için anlamı

Uzman olmayan bir okuyucu için çıkarım basit: bu araştırma, modern yapay zekânın nükleer kumanda odalarında birden fazla sensörü aynı anda izleyen ve ciddi arızaların erken işaretlerini tanıyan son derece uyanık bir yardımcı olarak hizmet edebileceğini gösteriyor. Bir sayı selini açık ve zamanında bir göstergeye dönüştürerek hangi sorunun ortaya çıktığını belirtmesi, insan operatörlere hayati bir zaman ve açıklık marjı sağlayabilir; böylece kafa karıştırıcı bir alarm fırtınasının yanlış karara yol açma olasılığını azaltır. Çalışma hâlâ simüle edilmiş verilere dayanıyor ve gerçek dünya gürültüsüyle daha fazla test gerekecek olmakla birlikte, nükleer enerjide daha güvenilir, insan odaklı güvenliğe doğru umut verici bir yol taslağı sunuyor.

Atıf: 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

Anahtar kelimeler: nükleer enerji güvenliği, arıza teşhisi, makine öğrenimi, transformer XGBoost, reaktör izleme