使用多头注意力 LSTM 和数据增强改进铬涂层厚度估计

为什么微薄涂层的厚度至关重要

核电厂依赖称为燃料棒的长金属管来安全地包裹放射性燃料。福岛事故后，工程师开始在这些管子上添加一层薄薄的铬涂层，以帮助它们更好地抵抗极端高温和腐蚀。但只有当这层安全涂层在每根燃料棒的数米长度上厚度合适时，它才能发挥预期作用。在不切开燃料棒的情况下测量如此微薄的涂层非常困难，而传统检测方法在将原始传感器信号转换为精确厚度值时表现欠佳——尤其是在可用测试数据很少的情况下。本研究展示了如何将人工智能（AI）模型与巧妙的数据扩增方法结合，从而使这些厚度估计更准确、更可靠。

从核事故教训到更安全的燃料棒

这项工作的动因是锆，作为常用于燃料棒包壳的金属，在高温下与水反应会产生氢气并释放热量。在福岛，这一过程促成了爆炸并损坏了反应堆。在锆表面涂覆一层铬可以减缓腐蚀、降低磨损并改善事故情形下的行为。然而，若涂层过薄，可能在应力下失效；若过厚，则会影响传热和燃料性能。由于燃料棒一旦装入就不能被破坏性检测，操作人员必须依赖于无损检测工具，例如涡流检测（ECT），它使用变化的磁场探测金属表面。核心挑战是把复杂的 ECT 波形转换为关于涂层厚度的准确数值。

倾听金属中的电信低语

ECT 传感器在棒表面附近激发涡流，并记录这些电流对铬层及底层锆的响应。早期方法依赖人工设计的特征——例如电阻与电抗值——以及简单的数学拟合（如二次曲线）将这些特征与厚度关联。这些方法在一定程度上有效，但存在明显局限：当检测条件变化时效果会下降，且难以完整捕捉埋在时变信号中的微妙关系。作者改为收集来自盘形 ECT 探头的完整时序信号，这些探头放置在已知厚度的铬涂层燃料棒样品附近，并在若干不同工作频率下测量。每次测量得到四个同步信号通道，每个通道包含数千个时间步，构成了丰富但相对较小的数据集。

教会 AI 专注于重要信息

为充分利用有限数据，研究者结合了两种思路。首先，他们对时序信号使用基于变换的数据增强：将信号切成重叠窗口、加入经过谨慎缩放的随机噪声（抖动）、扭曲振幅与时间、在频域扰动信号并对时间轴翻转。这些操作在保留厚度如何影响信号平均值的物理关系的同时，生成许多现实的变体。其次，他们设计了基于长短期记忆网络（LSTM）的 AI 模型，并用多头注意力加以增强。LSTM 跟踪信号随时间的演变，而注意力机制则学习强调信号中特别有信息量的部分以及四个通道之间的相互作用。这些组件共同使模型能够发现早期人工设计公式无法捕捉的模式。

在不同检测设置下也稳健的结果

团队在严格的交叉验证方案下测试了他们的模型，其中整个某一厚度水平会从训练中剔除，迫使 AI 去预测其从未见过的厚度值。他们还在多个激励频率下评估性能，以反映真实检测中传感器设置的变化。与基于多项式回归的先前方法相比，这种带注意力的 LSTM 将厚度估计的平均误差降低了超过三分之一，并在不同频率下给出更一致的结果。在各种增强策略中，简单的抖动和时间翻转——两者都保留了信号的均值——尤其有效，且将它们结合使用能产生最佳性能。不带注意力的更简单神经网络往往会塌缩到预测平均厚度，凸显了注意力机制的重要性。

对核安全及其他领域的意义

简言之，这项研究表明：一个精心设计的 AI 模型，配合现实的数据信号增强，能够把嘈杂的电学信号转化为对仅有数微米厚的关键保护涂层的精确、可置信测量。这提高了对铬涂层燃料棒按预期表现的信心，而无需破坏性测试或大规模昂贵的数据集。超出核燃料领域，相同的策略——将时序增强与基于注意力的序列模型结合——可帮助工程师在许多领域构建更智能的传感器和更精确的检测工具，尤其是在物理测量必须从有限实验数据中推断时。}

引用: 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

关键词: 核燃料安全, 铬涂层, 涡流检测, 时序 AI, 数据增强