وقد أصبح التعلم من الآلات أداة أساسية لتحليل مسارات البيانات المعقدة عبر العديد من الصناعات ذات المقتنيات العالية، ولا يعد رصد البيانات النووية استثناء، فكشف الشذوذ في البيانات النووية أمر حاسم لضمان السلامة والأمن والكفاءة التشغيلية، ونظرا لزيادة حجم وسرعة البيانات المستشعرة في المرافق النووية الحديثة، فإن النظم التقليدية القائمة على القواعد غالبا ما تكون غير كافية.

فهم أطر البيانات النووية

تتألف مجرى البيانات النووية من معلومات مستمرة ومباشرة تُجمع من شبكة من أجهزة الاستشعار والكشف ونظم الرصد داخل محطات الطاقة النووية ومفاعلات البحوث ومرافق تجهيز الوقود، وتشمل هذه الجداول عادة بارامترات مثل مستويات الإشعاع (الأشعة والنيوترونات)، ودرجة الحرارة في مختلف النقاط في النواحي الأساسية للمفاعلات، والثبات، والضغط في النظم الأولية والثانوية، وكثافة تدفق النيوترونات، ومعدلات التدفق المبرد، والضخ والزجاج.

ويتم أخذ عينات من كل مسار بيانات في مراحل عالية - وكثيراً ما تكون عدة مرات في المجلد الثاني من البيانات الضخمة التي تتضمن مجموعات زمنية، والهدف الرئيسي من الرصد المستمر هو الكشف عن الانحرافات عن ظروف التشغيل العادية في أقرب وقت ممكن، ويمكن أن تشير هذه الانحرافات إلى تدهور المعدات، أو التسرب، أو الإخفاقات المادية، أو حتى الخرقات الأمنية، ويكمن التحدي في التمييز بين الشذوذ المجدي والضوعات التشغيلية العادية.

التحديات في مجال كشف النُظم النووية عن طريق الشذوذ

ويعتمد الكشف التقليدي عن الشذوذ على العتبات الثابتة أو النماذج الإحصائية البسيطة (مثل الانحراف المعياري عن المعنى)، ولا تتكيف هذه الأساليب مع الطبيعة المعقدة والدينامية وغير الثابتة للبيانات النووية، وتشمل التحديات الرئيسية ما يلي:

  • High dimensionality:] Modern facilities have thousands of sensors; analyzing all features concur is computationally intensive.
  • Temporal dependencies:] Normal behavior at time t]] depends on history; a single point in isolation may appear normal but be part of a critical pattern.
  • Noise and outliers:] Sensor noise, calibration drift, and environmental factors can mimic anomalies.
  • Defining normal behavior:] Normal operating conditions change with power levels, fuel burningup, and maintenance cycles. A model trained on one regime may not generalize.
  • Real-time constraints:] Alerts must be generated within seconds or minutes to enable operator action.
  • Clas imbalance:] Anomalies are rare; the vast majority of data is normal, making supervised learning difficult.

وتوفر التعلم في مجال الآلات حلولا مرنة تتعلم الأنماط من البيانات التاريخية ويمكن أن تتكيف مع التغيرات الخفية، غير أن التنفيذ الدقيق ضروري لتجنب الإنذارات الكاذبة التي تضعف ثقة المشغل أو تفوت الكشف عن تلك العوامل التي تهدد السلامة.

تجهيز البيانات وهندسة الرسوم

وقبل أن يتم تدريب أي نموذج للتعلم الآلي، يجب تنظيف بيانات الاستشعار الخام وتحويلها إلى شكل مناسب، وهذا غالبا ما يكون أكثر الخطوات التي تستغرق وقتا طويلا وإن كانت حاسمة.

تنظيف البيانات

  • Handle missing values:] Interpolate short gaps using linear or spline interpolation; for longer outages, mark segments as invalid.
  • Remove noise:] Apply low-pass filters (e.g., moving average, Savitzky-Golay) to reduce high-frequency sensor noise without distorting important transients.
  • Clockتزامنhronization:] Ensure all sensors report at consistent timestamps-timestampcle can create false correlations.

التطبيع والتصعيد

ويجب أن تُدرج المعالم التي تُستخدم فيها وحدات مختلفة (مثلاً، كلفين ضد بار) إلى نطاقات قابلة للمقارنة، ويوصى بالتوسيع المعياري (الأساسي) أو التوسع القوي (استخدام الوسطي والتردد القياسي الدولي)، وفي حالات السلاسل الزمنية، يكون من المفيد في كثير من الأحيان تطبيع كل جهاز استشعار بشكل مستقل وتطبيق التطبيع العالمي في جميع أنحاء الدولة النباتية.

مهندسة ألعاب مؤقتة

ويمكن زيادة عدد السلاسل الزمنية التي تستخدم فيها الديناميات:

  • Rolling statistics:] Mean, variation, min, max, and rate of change over windows of 1, 5, and 15 minutes.
  • Spectral features:] Short-time Fourier transform or wavelet coefficients to capture frequency shifts (e.g., pump bearing degradation).
  • Domain-specific features:] For nuclear data, incorporate reactivity balances, decay heat calculations, or thermal-hydraulic correlations.
  • Lag features:] Include values from past time steps to model auto-correlation.

تخفيض الديانة

ونظراً لارتفاع عدد أجهزة الاستشعار، فإن تقليل البعد باستخدام تقنيات مثل تحليل المكونات الرئيسية أو أجهزة الترميز الآلي، وهذا لا يعجل التدريب فحسب بل يخفف أيضاً الضوضاء عن طريق عرض البيانات على أكثر العناصر معلوماتية، وللاطلاع على الترجمة الشفوية، النظر في اختيار مجموعة فرعية من أجهزة الاستشعار الحرجة استناداً إلى المعارف الهندسية.

نماذج التعلم في مجال الشذوذ من أجل كشف الشذوذ

وقد أثبتت عدة نُهج للتعلم الآلي فعالية مسارات البيانات النووية، ويعتمد الاختيار على خصائص البيانات، وتوافر العلامات، وقيود النشر.

التعلم غير المشرف: غابة عزل

إن غابة عزل الغابات هي خوارزمية شعبية غير مشرفة تعزل الشذوذ بدلا من تحديد النقاط الطبيعية، وهي تعمل بشكل جيد على البيانات الرفيعة المستوى ولا تتحمل أي توزيع، وفي التطبيقات النووية، يمكن لغابات عزل الغازات المتقادمة في كل خطوة زمنية، ولكنها تتجاهل الأنماط الزمنية، وبالتالي فإن من الأفضل أن تكون ملامحها مع الزمن.

التعلم غير المشرف:

فالأشخاص الذين يرتدون السيارات هم شبكات عصبية مدربة على إعادة بناء البيانات العادية، وينتج عن الشذوذ خطأ كبير في إعادة البناء، وبالنسبة للسلاسل الزمنية، فإن جهازا آليا متعاقبا (مثلا، يستخدم خلايا " LSTM " أو " GRU " ) يلتقط الأعال الزمنية، وهذه النماذج قوية لعدم الاستقرار عند إعادة التدريب دوريا.

  • التدريب فقط على البيانات المستمدة من فترات التشغيل العادية المعروفة (مثلاً، القوة الكاملة الثابتة، إجراءات البدء).
  • استخدام عتبة تستند إلى توزيع خطأ إعادة البناء على مجموعة من المصادقة المعتادة (مثلاً 99.7 في المائة).
  • رصد خطأ التعمير بمرور الوقت للكشف عن الانجراف التدريجي (مثلاً، حرق أجهزة الاستشعار).

التعليم المشرف: محددات

وإذا كانت هناك بطاقات تاريخية (مثلاً، من الحوادث السابقة أو الأخطاء المحاكاة)، يمكن تدريب مصنفين تحت الإشراف مثل غابة الرندوم أو XGBoost أو آلات دعم ناقلات الأمراض، إلا أن اختلال التوازن في الصف يتطلب تقنيات مثل أخذ العينات الاصطناعية أو فقدان الوصل، وحتى مع وضع العلامات، فإن المصنفين كثيراً ما يكونون أفضل عندما يقترنون بملامح إضافية غير مُوصَّفة.

تحديد التوقيت: الإدارة العليا للمناقصات والمترجمين الشفويين

فالشبكات الطويلة الأجل للذاكرة القصيرة الأجل تتفوق على نماذج المعالين في فترات طويلة في تسلسل البيانات النووية، مثلا، يمكن لنموذج قائم على الإدارة القصوى للتبادل أن يتوقّع القراءة المستشعرة المتوقعة في الخطوة القادمة؛ ويدل خطأ كبير في التنبؤ على وجود شاذ، وقد أظهرت هياكل التحول ذات القدرة الذاتية الوعود في استخلاص التفاعلات المعقدة عبر عدّة أنماط زمنية.

الطرائق المجمّعة

ولا يوجد نموذج واحد مثالي، وكثيرا ما تحقق مجموعة من أجهزة الكشف المختلفة (مثلاً، جهاز " غابة عزل + جهاز التنقيب عن التلقائي " (الناطق بالآلية) التي تصوت أو تدمج بالوزن أفضل توازن للدقة والتذكر، ويمكن زيادة قياس الناتج التجميعي بنظام للتركيز الافتراضي.

التقييم والتقييم

ويتطلب تقييم نماذج الكشف عن الشذوذ في السياقات النووية الرعاية لأن الإنذارات الكاذبة يمكن أن تكون باهظة التكلفة وأن تكون مسببة للكارثة، كما أن القياسات القياسية مثل الدقة والتذكر والإشارة إلى F1-score والمنطقة الواقعة تحت منحنى ROC (AUC) مفيدة ولكن ينبغي استكمالها بمعايير محددة.

  • Early detection latency:] How quickly does the model detect anomaly after onset? For nuclear safety, delays of more than a few seconds may be unacceptable.
  • False alarm rate per hour:] Operators cannot respond to hundreds of alarms per shift; typical targets are fewer than one false alarm per 24 hours.
  • Robustness to missing data:] Test model behavior when a sensor temporarily goes offline.
  • ) التوحيد عبر أساليب التشغيل: ] Validate on data from different power levels, fuel cycles, and seasons.

وتشمل استراتيجية قوية للتحقق من صحة البيانات الاستيعاب المتقاطع زمنيا (لا تقسيمات عشوائية) للحفاظ على النظام الزمني، والاختبارات غير المتكررة في سنة من البيانات، بالإضافة إلى إجراء اختبارات قائمة على السيناريوهات باستخدام الحقن الاصطناعية للتوقيعات المعروفة على الأخطاء (مثلا، زيادة تدريجية في درجة الحرارة المحملة أو ارتفاع مفاجئ في الإشعاع) لقياس معدلات الكشف.

النشر الفعلي والنظر في العمليات

ويتطلب نشر نموذج للتعلم الآلي في نظام رصد نووي حي تخطيطا دقيقا للبنية التحتية وتعاونا وثيقا مع مهندسي النباتات ومنظمي السلامة.

الهيكلة

ويستخدم الانتشار النموذجي هيكلاً للتيار:

  • Data ingestion:] A message broker (Kafka, MQTT) ingests sensor data in realtime from the plant historian or distributed control system (DCS).
  • Micro-service containerization:] The trained model runs as a micro-service (e.g., using TensorFlow Serving, ONNX Runtime, or a custom Python server) with low-latency inference endpoints.
  • Output channel:] Anomaly scores are published back to the operator console, alarm management system, or a dedicated dashboard.Alerts should include explanation (which sensors contributed most) to help operators prioritize.
  • Backup and failover:] The entire pipeline must be fault-tolerant; redundant model servers and fallback to simpler threshold-based rules ensure monitoring continues during model upgrade or failure.

نموذج إعادة التدريب والتصوير

تغير أنماط البيانات النووية بمرور الوقت بسبب شيخوخة المعدات أو تعديلها أو تغيرات التشغيل، وقد يتحلل نموذج يُنفذ جيداً اليوم في ستة أشهر، ويضع خطاً لبرمجيات متعددة الأبعاد:

  • (مثلا، أسبوعيا أو بعد كل دورة من دورات الوقود) باستخدام بيانات عادية حديثة.
  • يجري التحقق آليا من اختبار معيار الذهب قبل النشر.
  • يحتفظ بنسخة نموذجية ويتيح العودة إلى صيغة سابقة إذا تسبب نموذج جديد إنذارات مفرطة.

الترجمة الشفوية والثقة

ويحتاج العاملون ومنظمو السلامة إلى تفسيرات شفافة لسبب إثارة الإنذار، واستخدام أساليب تفسيرية تشخيصية نموذجية مثل SHAP (SHapley Additive exPlanations) أو LIME لتحديد أجهزة الاستشعار التي تقود إلى النتيجة الشاذة، وبالنسبة للأجهزة الاستطلاعية، يمكن أن يرسم صورة عن الخطأ في إعادة البناء القناة المعطلة.

الامتثال التنظيمي

ويمكن أن تخضع أي برامجيات تستخدم في الرصد المتصل بالسلامة النووية للرقابة من جانب هيئات مثل لجنة التنظيم النووي في الولايات المتحدة أو الوكالة الدولية للطاقة الذرية، وتشمل الامتثال عمليات صارمة للتحقق والوثائق والموافقة على المواقع، وكثيرا ما تصنف نماذج التعلم الآلات على أنها برامجيات يجب أن تتبع معايير الصناعة مثل IEEEE-1012 للتحقق والتحقق، أو توزع فقط بوصفها نظما إرشادية تنظيمية (دون أن تكون هذه النماذج برامجيات متطورة).

دراسات حالات إفرادية وتطبيقات

وقد أظهرت عدة مشاريع بحثية ونشرات تجريبية فعالية التعلم الآلاتي في الكشف عن الشذوذ النووي:

  • Pump bearing fault detection:] A team at Idaho National Laboratory applied an autoencoder on vibration data from reactor coolant pumps. The model successfully detected bearing wear weeks before traditional vibration thresholds were exceeded, allowing preemptive maintenance ( IAEA nuclear safety topics).
  • Leak detection in steam borns:] Using a combination of PCA and Isolation Forest on temperature, pressure, and flow rate data, researchers achieved a 95% detection rate with less than 0.1% false alarms for simulated tube leaks (DOI link to a representative paper).
  • Security intrusion via radiation anomaly:] An LSTM-based one-classifier was trained on continuous gamma spectrometers at a facility perimeter. It flagged unusual isotopic signatures from a mock source transport by a person, demonstrating the potential for nuclear security applications.

وتؤكد عمليات النشر هذه أهمية التكيف على النطاقات: فالنماذج التي تُحَسَّن على بيانات مصنع محدد تتفوق عادة على النماذج العامة التي تُستخدم في عمليات التحويل، ويمكن أن يعجل التعلم من مفاعل محسن التصنيع بالتدريب على مصنع جديد، شريطة أن تكون مخططات أجهزة الاستشعار وظروف التشغيل متشابهة.

الاتجاهات المستقبلية واتجاهات البحوث

ويتطور هذا المجال بسرعة، حيث يبشر بالخير عدة اتجاهات:

  • Deep learning for multi-modal data:] Combining time-series from sensors with text logs from maintenance records, acoustic emissions, and video feeds (e.g., from containment cameras) into a unified anomaly detection system using graph neural networks or transformers.
  • Physics-informed models:] Incorporating first-principles models (e.g., reactor kinetics, heat transfer equations) into the loss function of neural networks to enforce physical consistency and improve extrapolation to unseen conditions.
  • Federated learning:] Training models across multiple nuclear plants without sharing raw data, enabling collaborative learning while respecting proprietary and security constraints.
  • Online active learning:] Using operator feedback to refine models on-the-fly-when an operator dismisses an alarm as a false positive, that sample can be used to update the model, reducing future false alarms.
  • Edge inference:] Deploying light weight models (e.g., quantized neural networks) directly on edge devices near sensors to reduce latency and bandwidth, critical for remote monitoring or mobile detection units.

ولا يزال التعاون بين علماء البيانات والمهندسين النوويين والخبراء التنظيميين ضروريا لوضع نظم تكون قوية تقنيا ومقبولة عمليا على حد سواء، ويمكن أن نتوقع أن يصبح كشف الظواهر غير المألوفة جزءا لا يتجزأ من كل أداة للمراقبة النووية، وذلك نظرا إلى أن تكنولوجيا التعلم الآلي تتكيف مع الأطر التنظيمية.

خاتمة

إن تطبيق التعلم الآلي للكشف عن الأمراض الشاذة في مجاري البيانات النووية هو مسعى معقد ولكنه مكافئ يسهم إسهاماً مباشراً في السلامة والموثوقية والأمن، ويتوقف النجاح على تجهيز البيانات بدقة، واختيار نموذجي دقيق (في كثير من الأحيان تجمع)، والتحقق الدقيق من القياسات المحددة للمجالات، والنشر الفكري الذي يحترم القيود القائمة في الوقت الحقيقي، وثقة المشغلين، ولا شك في أن التصدي للتحديات الفريدة التي تواجهها نظم الإنذار بالتنوع بالبيانات ذات البعدية العالية، والاختلالات الزمنية، هي: