Krom kaplama kalınlığı tahminini çok başlıklı dikkat LSTM ve veri artırmayla geliştirmek

İnce bir kaplamanın kalınlığının neden önemi var

Nükleer enerji santralleri, radyoaktif yakıtı güvenli şekilde tutmak için yakıt çubukları adı verilen uzun metal tüplere güvenir. Fukushima felaketinden sonra mühendisler, bu tüpleri aşırı ısı ve korozyona karşı daha dayanıklı hale getirmek için ince bir krom kaplama eklemeye başladı. Ancak bu güvenlik tabakası, her bir çubuğun metrelerce uzunluğu boyunca doğru kalınlıkta olduğunda istenildiği gibi çalışır. Bir çubuğu kesmeden bu kadar ince bir katmanı ölçmek zordur ve geleneksel muayene yöntemleri, ham sensör sinyallerini kesin kalınlık değerlerine çevirmekte—özellikle sınırlı miktarda test verisi olduğunda—zorlanır. Bu çalışma, yapay zekâ (AI) modeli ile sınırlı veriyi akıllıca çoğaltma yöntemlerinin bu kalınlık tahminlerini çok daha doğru ve güvenilir hale getirebileceğini gösteriyor.

Nükleer kaza derslerinden daha güvenli yakıt çubuklarına

Çalışma, yakıt çubuğu kaplamasında yaygın olarak kullanılan metal ziranyumun yüksek sıcaklıklarda su ile reaksiyona girerek hidrojen gazı ve ısı üretmesiyle ilgili çıkarımlardan kaynaklanıyor. Fukushima’da bu olay patlamalara katkıda bulunarak tesise zarar verdi. Ziranyum yüzeyine uygulanan bir krom kaplama, korozyonu yavaşlatabilir, aşınmayı azaltabilir ve kaza senaryolarında davranışı iyileştirebilir. Ancak kaplama çok inceyse stres altında başarısız olabilir; çok kalınsa ısı transferini ve yakıt performansını etkileyebilir. Çubuklar takıldıktan sonra yok edilemeyeceği için operatörler, metal yüzeyi manyetik alan değişimleriyle inceleyen viraj akımı testi (ECT) gibi tahribatsız araçlara güvenmek zorundadır. Temel zorluk, karmaşık ECT dalga biçimlerini kaplama kalınlığı için doğru sayılara çevirmektir.

Metaldeki elektriksel fısıltıları dinlemek

ECT sensörleri, çubuk yüzeyine yakın bölgede girdap yapan elektrik akımları oluşturur ve bu akımların krom tabaka ve altındaki ziranyuma nasıl tepki verdiğini kaydeder. Önceki yaklaşımlar, direnç ve reaktans gibi el ile tasarlanmış özelliklere ve bu özellikleri kalınlığa bağlamak için kuadratik eğriler gibi basit matematiksel uyumlara dayandı. Bu yöntemler makul derecede işe yaradı, ancak sınırlamaları açıktı: koşullar değiştiğinde zorlanıyorlar ve zamanla değişen sinyallerin içindeki ince ilişkileri tam olarak yakalayamıyorlardı. Yazarlar bunun yerine, bilinen kalınlıktaki krom kaplı yakıt çubuğu numunelerinin yanına yerleştirilen pancake şeklinde ECT problarından tam zaman serisi sinyalleri topladı; bunlar farklı çalışma frekanslarında ölçüldü. Her ölçüm için dörtlü eş zamanlı sinyal kanalı elde edildi; her biri binlerce zaman adımı uzunluğundaydı ve zengin ama nispeten küçük bir veri seti oluşturdu.

AI’ye önemli olana odaklanmayı öğretmek

Bu sınırlı veriden en iyi şekilde yararlanmak için araştırmacılar iki fikri birleştirdiler. Birincisi, zaman serileri için dönüşüme dayalı veri artırma kullandılar: sinyalleri örtüşen pencerelere böldüler, dikkatle ölçeklenmiş rastgele gürültü (jitter) eklediler, genlik ve zamanlamayı büküp değiştirdiler, sinyalleri frekans alanında bozup zaman içinde tersine çevirdiler. Bu işlemler, kalınlığın sinyalin ortalamasını nasıl etkilediğine dair temel fiziği korurken birçok gerçekçi varyasyon yaratır. İkincisi, diziler için uygun bir sinir ağı türü olan uzun-kısa süreli bellek (LSTM) ağına dayanan ve çok başlıklı dikkat ile güçlendirilmiş bir AI modeli tasarladılar. LSTM sinyalin zaman içindeki evrimini izlerken, dikkat mekanizması sinyalin özellikle bilgilendirici kısımlarını ve dört kanal arasındaki etkileşimleri vurgulamayı öğrenir. Bu bileşenler birlikte, önceki el yapımı formüllerin yakalayamadığı desenleri modelin keşfetmesine imkan verir.

Farklı muayene ayarlarında tutarlı sonuçlar

Ekip, tüm kalınlık seviyelerinin eğitimden tamamen tutulduğu katı bir çapraz doğrulama şeması kullanarak modellerini test etti; bu, AI’yı daha önce hiç görmediği kalınlıkları tahmin etmeye zorladı. Ayrıca sensör ayarlarının gerçek muayenelerde nasıl değiştiğini yansıtmak için birden fazla uyarım frekansında performansı değerlendirdiler. Polinom regresyona dayalı önceki bir yöntemle karşılaştırıldığında, yeni dikkat destekli LSTM kalınlık tahminlerindeki ortalama hatayı üçte birden fazla azalttı ve frekanslar arasında daha tutarlı sonuçlar verdi. Artırma stratejileri arasında, sinyalin ortalama değerini koruyan basit jitter ve zaman ters çevirme özellikle etkiliydi ve birlikte kullanıldıklarında en iyi performansı sağladılar. Dikkat mekanizması olmayan daha basit sinir ağları, ortalama bir kalınlığı tahmin etmeye doğru çökme eğilimindeydi; bu da dikkat mekanizmasının önemini vurguluyor.

Bu nükleer güvenlik ve ötesi için ne anlama geliyor

Basitçe söylemek gerekirse, çalışma gösteriyor ki iyi tasarlanmış bir AI modeli, gerçekçi veri artırmayla desteklendiğinde, gürültülü elektriksel sinyalleri yalnızca mikrometre kalınlığında olan hayati bir kaplamanın kesin, güvenilir ölçümlerine dönüştürebilir. Bu, krom kaplı yakıt çubuklarının amaçlandığı gibi performans göstereceğine dair güveni artırır; tahribatsız testler veya büyük, pahalı veri setleri gerektirmez. Nükleer yakıtın ötesinde, zaman serisi artırma ile dikkat tabanlı sıra modellerinin birleştirilmesi stratejisi, mühendislerin sınırlı deneysel veriden fiziksel ölçümlerin çıkarılması gereken birçok alanda daha akıllı sensörler ve daha doğru muayene araçları geliştirmesine yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: nükleer yakıt güvenliği, krom kaplama, viraj akımı testi, zaman serisi AI, veri artırma