نموذج ذكاء اصطناعي هجين يحقق دقة 99.46% في تشخيص أعطال المفاعلات النووية

كشفت دراسة علمية نُشرت بتاريخ 27 فبراير 2026 عن تطوير نموذج Transformer-XGBoost لتشخيص الأعطال مخصص للعمل مع مفاعل CPR1000 الذي يعمل بالماء المضغوط. نجح الباحثون في دمج قدرات استخراج السمات الزمنية التي يتميز بها نموذج Transformer مع القوة التصنيفية التي توفرها خوارزمية XGBoost، وذلك للتغلب على القيود التي تواجهها الطرق التقليدية المعتمدة على البيانات في قطاع الطاقة النووية. وقد أثبت هذا النهج الهجين كفاءة استثنائية محققاً دقة تشخيصية بلغت بنسبة 99.46%، مما يضع معياراً جديداً للأنظمة التشخيصية الذكية في البنية التحتية الحيوية.

يُعد هذا التطور ذا أهمية قصوى لمهندسي الأمان النووي ومشغلي المحطات الذين يسعون لتحديث أنظمة كشف الأعطال. من خلال الاستفادة من الذكاء الاصطناعي لتحليل بيانات المفاعل المعقدة، يوفر النموذج حلاً عملياً لتحديد الأعطال الكارثية قبل تفاقمها. اعتمد البحث على بيانات تم جمعها تلقائياً باستخدام برنامج AutoSave-PCTRAN المطور ذاتياً، لضمان أن مجموعات التدريب تعكس سيناريوهات تشغيلية واقعية تم إنشاؤها عبر محاكي PCTRAN الشهير.

تكمن الابتكارية الجوهرية في البنية ثنائية المراحل للنموذج. أولاً، يستخدم نموذج Transformer آلية الانتباه الذاتي (Self-attention) لاستخراج السمات الزمنية الدقيقة من بيانات تشغيل المفاعل، وهي خطوة حاسمة لفهم السلوك المعتمد على الوقت للمعلمات النووية. بعد استخراج السمات، يستخدم النظام خوارزمية XGBoost كمصنف للأعطال. ولضمان الأداء الأمثل، استخدم الباحثون تقنية RWOA لضبط المعلمات الفائقة (Hyperparameters) الخاصة بخوارزمية XGBoost، مما ضمن عمل النموذج بأقصى كفاءة ممكنة.

وفيما يخص اختيار السمات، طبق الفريق عملية التحقق المتبادل (10-fold cross-validation) مقترنة بتقنية الإقصاء المتكرر للسمات. سمحت هذه المنهجية للنظام بعزل المعلمات النووية الرئيسية الأكثر دلالة على صحة النظام، وتصفيـة الضوضاء التي غالباً ما تربك أدوات التشخيص الأقل تطوراً.

تم اختبار موثوقية النموذج في مواجهة مجموعة من أخطر سيناريوهات الأعطال المعروفة في الهندسة النووية. ووفقاً للدراسة، نجح النظام في تحديد أعطال محددة بفعالية، تشمل:

• حادث فقدان سائل التبريد (LOCA): فشل حرج يتسرب فيه سائل التبريد من نظام تبريد المفاعل.
• كسر خط البخار داخل الاحتواء (SLBLC): تمزق في خط البخار الرئيسي داخل هيكل الاحتواء.
• تمزق أنبوب مولد البخار B (أو SGTR-B): خرق في أنابيب مولد البخار قد يسمح للمواد المشعة بتجاوز نظام الاحتواء.

من خلال تحقيق دقة بلغت بنسبة 99.46% في تصنيف هذه الأعطال المحددة، يؤكد النموذج إمكاناته للتطبيق الفعلي في مفاعلات طراز CPR1000، منتقلاً من مرحلة المحاكاة النظرية إلى واقع الأمان الصناعي العملي.

يمثل دمج معماريات Transformer - المرتبطة عادةً بالنماذج اللغوية الكبيرة - في أنظمة التحكم الصناعي تحولاً جذرياً في كيفية تعاملنا مع أمن الطاقة. في حين كانت خوارزمية XGBoost ركيزة أساسية للبيانات الهيكلية لفترة طويلة، فإن إقرانها بالوعي الزمني الذي توفره نماذج Transformer يتيح عمقاً في التحليل لا يمكن للنماذج الثابتة مجاراته. بالنسبة لأسطول مفاعلات CPR1000، قد يعني هذا الفارق بين الإغلاق الآمن والحادث العرضي الخطير. ومع تشديد لوائح الذكاء الاصطناعي، ستصبح تطبيقات "الأمان أولاً" هذه المعيار الذهبي لتبني الصناعة للتقنيات الحديثة.