🔬 materials science

Physics-informed neural network for predicting fatigue life of unirradiated and irradiated austenitic and ferritic/martensitic steels under reactor-relevant conditions

تقدم هذه الدراسة إطار عمل للشبكات العصبية المستندة إلى الفيزياء (PINN) يتفوق على نماذج التعلم الآلي التقليدية في التنبؤ بعمر الكلال منخفض الدورات لكل من الفولاذ الأوستنيتي والفيريتي/المارتنزيتي، سواء غير المشع أو المشع، وذلك عبر دمج القيود الفيزيائية لضمان تقييمات دقيقة وموثوقة وقابلة للتفسير في ظل الظروف ذات الصلة بالمفاعلات.

المؤلفون الأصليون: Dhiraj S Kori, Abhinav Chandraker, Syed Abdur Rahman, Punit Rathore, Ankur Chauhan

نُشر 2026-03-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Dhiraj S Kori, Abhinav Chandraker, Syed Abdur Rahman, Punit Rathore, Ankur Chauhan

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بمدة صمود جسر ما. لكن هذا ليس جسراً عادياً؛ إنه جسر داخل مفاعل نووي. إنه يتعرض باستمرار لضربات من "رصاص غير مرئي" (نيوترونات)، ويُخبز في حرارة شديدة، ويهتز بفعل الاهتزازات. بمرور الوقت، تجعل هذه القوى المعدن هشاً وضعيفاً، مما يؤدي في النهاية إلى تشققه وفشله.

يحتاج المهندسون إلى معرفة متى سيحدث هذا بالضبط للحفاظ على سلامة المفاعل. تقليدياً، كانت لديهم طريقتان للتخمين:

طريقة الرياضيات "القديمة": باستخدام معادلات فيزيائية معقدة. هي دقيقة ولكنها بطيئة للغاية ويصعب حلها لكل حالة جديدة.
طريقة "البيانات فقط": استخدام الذكاء الاصطناعي (AI) للنظر في نتائج الاختبارات السابقة وتخمين المستقبل. هي سريعة، ولكن إذا واجهت نوعاً من الضرر لم تره من قبل، فقد تقدم تخميناً جامحاً وخطيراً.

المشكلة: البيانات الواقعية حول المواد النووية نادرة، ومكلفة، وغير منظمة. غالباً ما يفشل الذكاء الاصطناعي الصرف عندما تنفد البيانات التي يمكنه التعلم منها.

الحل: ابتكر مؤلفو هذه الورقة البحثية "هجيناً ذكياً" يسمى الشبكة العصبية المستوحاة من الفيزياء (PINN).

إليك شرح بسيط لكيفية عمل ذلك، باستخدام بعض التشبيهات من الحياة اليومية:

1. "الطالب مع الكتاب المدرسي" مقابل "الطالب مع ورقة الغش"

الذكاء الاصطناعي التقليدي (الطالب الذي يحمل ورقة غش): تخيل طالباً يخوض اختباراً وقد حفظ فقط إجابات الأسئلة التدريبية. إذا طرح المعلم سؤالاً مختلفاً قليلاً عن الأسئلة التدريبية، يصاب الطالب بالذعر ويخمن عشوائياً. هذا ما يحدث عندما يحاول الذكاء الاصطناعي القياسي التنبؤ بعمر الإجهاد باستخدام بيانات محدودة.
الـ PINN (الطالب الذي يحمل كتاباً مدرسياً): الآن، تخيل طالباً حفظ الإجابات، لكنه يمتلك أيضاً كتاب الفيزياء مفتوحاً على مكتبه. هو يعرف القواعد الأساسية للكون (مثل: "مزيد من الإجهاد = عمر أقل"، "حرارة أعلى = ضرر أسرع"). حتى لو لم يرَ سؤالاً معيناً من قبل، يمكنه استخدام القواعد الموجودة في الكتاب المدرسي لاستنتاج الإجابة المنطقية.

2. كيف تعمل "القواعد الفيزيائية"

لقد علم الباحثون الذكاء الاصطنا الخاص بهم "قوانين الإجهاد" عن طريق إضافة القوانين مباشرة في "دماغ" الكمبيوتر. أخبروا الذكاء الاصطناعي:

"إذا زدت الانفعال (ثني المعدن)، يجب أن ينخفض العمر الافتراضي".
"إذا زادت جرعة الإشعاع، يجب أن ينخفض العمر الافتراضي".
"إذا زادت درجة الحرارة، يجب أن ينخفض العمر الافتائي".

لا يُسمح للذكاء الاصطناً بكسر هذه القواعد. إذا حاول التنبؤ بأن "زيادة الحرارة تجعل المعدن يدوم لفترة أطول"، فإن النظام يقول فوراً: "لا، هذا ينتهك قوانين الفيزياء"، ويقوم بتصحيح التخمين. هذا يبقي الذكاء الاصطناعي صادقاً، حتى عندما تكون البيانات شحيحة.

3. نوعا الفولاذ: "الزجاج الهش" مقابل "المطاط القوي"

بحثت الدراسة في نوعين رئيسيين من الفولاذ المستخدم في المفاعلات:

الفولاذ الأوستنيتي (الزجاج الهش): فكر في هذا مثل نافذة زجاجية سميكة. إنها قوية، ولكن عندما تُضرب بالإشعاع والحرارة، تصبح هشة وتتشقق بسهولة. وجد الذكاء الاصطناعي أنه بالنسبة لهذا النوع من الفولاذ، كل شيء مهم: مقدار ثنيه، ودرجة حرارته، وكمية الإشعاع التي يتلقاها. كل هذه العوامل تعمل معاً لتكسيره بسرعة.
الفولاذ الفريتي/المارتنزيتي (المطاط القوي): فكر في هذا مثل شريط مطاط عالي الجودة. إنه جيد جداً في التعامل مع الإشعاع (لا يصبح هشاً بسهء). ومع ذلك، لديه "نقطة انكسار" مع الحرارة. إذا أبقيته بارداً، فسيستمر للأبد. ولكن إذا سخنته فوق نقطة معينة (مثل 550 درجة مئوية)، فإنه يفقد قوته فجأة ويفشل بسرعة.

4. لماذا يهم هذا الأمر

اختبر الباحثون "الذكاء الاصطناوي الهجين الذكي" الخاص بهم مقابل نماذج ذكاء اصطناعي قياسية أخرى (مثل الغابات العشوائية وتعزيز التدرج).

النتيجة: كان الـ PINN هو الفائز الواضح. لقد كان أكثر دقة، وأكثر استقراراً، ولم يرتبك عندما كانت البيانات غير منظمة.
السبب: لأنه لم يكن مجرد تخمين بناءً على الأنماط؛ بل كان يستنتج بناءً على قوانين الفيزياء.

العقبة (القيود)

حتى الطالب الأكثر ذكاءً يحتاج إلى مواد دراسية جيدة. يعترف المؤلفون بأن "كتابهم المدرسي" (مجموعة البيانات) لا يزال ناقصاً بعض الشيء.

ليس لديهم بيانات كافية حول التغييرات المجهرية التي تحدث داخل المعدن (مثل التشققات الصغيرة التي تتكون على المستوى الذري).
التنبؤ بما سيحدث في الظروف القصوى التي لم يسبق رؤيتها لا يزال أمراً محفوفاً بالمخاطر.

الخلاصة

تقدم هذه الورقة البحثية أداة جديدة تجمع بين سرعة الذكاء الاصطناعي وموثوقية الفيزياء. إن الأمر يشبه منح كمبيوتر خارق "كتاب قواعد" لكي يتمكن من التنبؤ بموعد فشل أجزاء المفاعل النووي، مما يساعد المهندسين على تصميم أنظمة طاقة أكثر أماناً وطولاً في العمر دون الحاجة إلى إجراء آلاف التجارب المكلفة والخطيرة.

باخت cạnh: لقد علموا الكمبيوتر أن يكون مهندساً ذكياً، وليس مجرد معالج للبيانات، لضمان أنه عندما يتنبأ بمستقبل المواد النووية، فإنه يتبع قوانين الطبيعة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "الشبكة العصبية المستندة إلى الفيزياء للتنبؤ بعمر الكلال لسبائك الفولاذ الأوستنيتي والفيريتي/المارتنزيتي غير المشععة والمشعة تحت ظروف ذات صلة بالمفاعلات النووية."

1. بيان المشكلة

يعد التنبؤ بعمر الكلال منخفض الدورة (LCF) للمواد الهيكلية في المفاعلات النووية تحديًا حرجًا بسبب التفاعل المعقد بين التحميل الدوري، والإشعاع النيوتروني، ودرجات الحرارة المرتفعة.

تدهور المواد: يؤدي الإشعاع النيوتروني إلى خلق عيوب نقطية، وحلقات انخلاع، وفجوات، مما يؤدي إلى التصلب، والتقصف، والانتفاخ. هذه الآليات تؤدي إلى تدهور مقاومة الكلال بشكل مختلف في الفولاذ الأوستنيتي (بنية FCC، مقاومة عالية للتآكل) والفولاذ الفيريتي/المارتنزيتي (F/M) (بنية BCC، تمدد حراري منخفض، مقاومة عالية للانتفاخ).
محدودية النماذج الحالية:
- نماذج الفيزياء التقليدية: نماذج ميكانيكا الضرر المتصل واللزوجة المرنة (مثل نموذج Chaboche) مكثفة حاسوبيًا وتتطلب معايرة واسعة النطاق للمعلمات عبر مجموعات بيانات متعددة.
- النماذج التجريبية: تعتمد معادلات مثل Manson-Coffin-Basquin على اختبارات واسعة النطاق ومكلفة، وغالبًا ما تفشل في التقاط التفاعلات المعقدة بين تركيب السبائك، ودرجة الحرارة، وجرعة الإشعاع.
- تعلم الآلة القائم على البيانات فقط: تعاني نماذج تعلم الآلة (ML) التقليدية من ضعف التعميم عند التدريب على مجموعات بيانات محدودة وغير متجانسة (كما هو شائع في اختبارات كلال الإشعاع)، وتفتقر إلى الاتساق الفيزيائي، مما يؤدي إلى تنبؤات غير موثوقة خارج نطاق التدريب.

2. المنهجية

يقترح المؤلفون إطار عمل للشبكة العصبية المستندة إلى الفيزياء (PINN) يدمج القوانين الفيزيائية مباشرة في عملية التعلم للتغلب على ندرة البيانات وضمان الاتساق الفيزيائي.

أ. مجموعة البيانات والمعالجة المسبقة

مصدر البيانات: تم تجميع مجموعة بيانات منتقاة مكونة من 495 نقطة بيانات للكلال تحت التحكم في الانفعال من الأدبيات، تغطي كل من الظروف غير المشعة والمشعة.
المواد: شملت الفولاذ الأوستنيتي (SS304, SS304L, SS310, SS316, SS316L) والفولاذ الفيريتي/المارتنزيتي (HT9, T91, F82H, OPTIFER, EUROFER97).
الميزات: تم استخدام أكثر من 50 ميزة مدخلة، بما في ذلك:
- التركيب العنصري (نسبة الوزن %).
- معايير المعالجة (درجة الحرارة، الوقت، العمل على البارد، التلدين، التخمير).
- معايير الإشعاع (الجرعة بـ dpa، درجة الحرارة، البيئة: Na، He، Ar، إلخ).
- معايير الاختبار (سعة الانفعال، درجة حرارة الاختبار، معدل الانفعال، هندسة العينة).
المعالجة المسبقة: تمت معالجة الميزات (نطاق 0–1). وتم التعامل مع القيم المفقودة واللانهاية عن طريق تعيين قيم مكانية متطرفة (±10) لتمييزها عن الفجوات الفعلية في البيانات دون زعزعة استقرار التدريب.

ب. بنية PINN والقيود الفيزيائية

الابتكار الجوهري هو دمج المعادلات التفاضلية الجزئية (PDEs) التي تمثل فيزياء الكلال في دالة الخسارة.

القيود الفيزيائية: يفرض النموذج اتجاهات فيزيائية معروفة عبر قيود عدم التساوي على المشتقات الجزئية لعمر الكلال المتوقع ( $N$ $N$ ) بالنسبة للمتغيرات الرئيسية:
- $\frac{\partial N}{\partial \epsilon} \leq 0$ : ينخفض عمر الكتال مع زيادة سعة الانفعال ( $\epsilon$ ).
- $\frac{\partial N}{\partial T} \leq 0$ : ينخفض عمر الكتال مع زيادة درجة حرارة الاختبار ( $T$ ).
- $\frac{\partial N}{\partial d} \leq 0$ : ينخفض عمر الكتال مع زيادة جرعة الإشعاع ( $d$ ).
- $\frac{\partial^2 N}{\partial \epsilon^2} \geq 0$ : انحناء منحنى S-N غير سالب.
دالة الخسارة: تجمع الخسارة الكلية ( $\mathcal{L}_{total}$ $L_{t o t a l}$ ) بين:
1. خسارة مدفوعة بالبيانات: خسارة Huber بين عمر الكتال المتوقع والتجريبي (قوية تجاه القيم المتطرفة).
2. خسارة مستندة إلى الفيزياء: حد عقابي ( $\mathcal{L}_{PDE}$ ) يعاقب انتهاكات قيود المشتقات. يستخدم هذا الحد تحويلًا يشبه الدالة السينيّة $G(x)$ لحصر المشتقات بين 0 و1.
3. التنظيم (Regularization): حد لمنع الإفراط في التخصيص (Overfitting).
- يتم التحكم في التوازن عبر معلمة فائقة $\omega$ (تم ضبطها بين 0.05 و0.23).

ج. المقارنة والتحقق من الصحة

النماذج المقارنة: تمت مقارنة PINN بأربعة نماذج تعلم آلة قياسية: الغابة العشوائية (RF)، تعزيز التدرج (GB)، تعزيز التدرج الفائق (XGB)، والشبكة العصبية التقليدية (NN).
مقاييس التقييم: معامل التحديد ( $R^2$ ) ومتوسط مربع الخطأ (MSE).
استراتيجية التحقق:
- تقسيمات متعددة عشوائية للتدريب والاختبار (80:20 و 70:30) لاختبار المتانة.
- التحقق المتقاطع القائم على الكتل (5-fold) لضمان التعميم عبر أقسام البيانات.
- تحليل SHAP (تفسيرات SHapley المضافة) لقابلية تفسير النموذج.

3. النتائج الرئيسية

أ. الأداء التنبؤي

دقة فائقة: حقق PINN أعلى معامل تحديد للاختبار ( $R^2 = \mathbf{0.88}$ ) وأقل متوسط مربع خطأ (MSE = $\mathbf{0.059}$ )، متفوقًا على RF و GB و XGB و NN.
التعميم والاستقرار:
- أظهر PINN أصغر تباين عبر تقسيمات البيانات المختلفة ( $\sigma \approx 0.020$ )، بينما أظهرت النماذج التقليدية (خاصة NN) حساسية أعلى لتقسيم البيانات.
- على عكس النماذج الأخرى التي أظهرت علامات إفراط في التخصيص (اختبار $R^2$ منخفض مقارنة بـ $R^2$ التدريب)، حافظ PINN على تطابق وثيق بين أداء التدريب والاختبار، مما يشير إلى توازن متفوق بين الانحياز والتباين.
التحقق المتقاطع: أكد التحقق المتقاطع القائم على الكتل استقرار الأداء ( $R^2$ يتراوح بين 0.76 و0.86) عبر جميع كتل التحقق.

ب. القابلية للتفسير (تحليل SHAP)

الميزات المهيمنة: تم تحديد سعة الانفعال، وجرعة الإشعاع، ودرجة حرارة الاختبار كأهم ثلاثة تنبؤات.
الاتساق الفيزيائي: أكدت قيم SHAP أن الزيادات في هذه الميزات الثلاث تتلازم عكسيًا مع عمر الكتال، وهو ما يتماشى مع المبادئ المعدنية الراسخة.
أهمية الميزات: نجح النموذج في إعطاء الأولوية للمتغيرات الفيزيائية على تاريخ المعالجة، مما يثبت أن PINN تعلم العلاقات الميكانيكية بدلاً من الارتباطات الزائفة.

ج. توجهات المواد (التحليل أحادي المتغير ومتعدد المتغيرات)

باستخدام بيانات اصطناعية تم توليدها بواسطة PINN المدرب:

الفولاذ الأوستنيتي (SS316): أظهر اقترانًا غير خطي قويًا بين الانفعال، والجرعة، ودرجة الحرارة. تدهور عمر الكتال بشكل كبير مع زيادة جرعة الإشعاع ودرجة الحرارة، مما أظهر حساسية عالية للتحميل المشترك.
الفولاذ الفيريتي/المارتنزيتي (EUROFER97): أظهر تحملًا فائقًا للإشعاع.
- تشبع الجرعة: ظل عمر الكتال مستقرًا نسبيًا حتى عند الجرعات العالية (حتى 70 dpa)، وهو ما يتوافق مع سلوك "تشبع الجرعة" في فولاذ F/M بسبب إعادة الاتحاد الفعال للعيوب في بنيتهم BCC.
- عتبة درجة الحرارة: حدث انخفاض حاد في عمر الكتال فقط عندما تجاوزت درجة حرارة الاختبار ~550 درجة مئوية (بالاقتراب من درجة حرارة التخمير)، مما يشير إلى عدم الاستقرار الميكرو-بنيوي (فقدان بنية المارتنزيت المتمخمر) بدلاً من الضرر الناجم عن الإشعاع.

4. الأهمية والمساهمات

أول PINN للكلال الإشعاعي: تمثل هذه الدراسة أول تطبيق لإطار عمل PINN خصيصًا للتنبؤ بعمر الكال LCF في كل من الفولاذ الأوستنيتي والفيريتي/المارتنزيتي غير المشععة والمشعة.
كفاءة البيانات: من خلال دمج القيود الفيزيائية، يحقق النموذج دقة عالية مع مجموعة بيانات صغيرة نسبيًا (495 نقطة)، مما يعالج ندرة بيانات كلال الإشعاع.
الرؤية الميكانيكية: نجح النموذج في التمييز بين نماذج التدهور لكل من فولاذ FCC و BCC، ملتقطًا ظواهر مثل تشبع الجرعة وعدم الاستقرار الميكرو-بنيوي الناتج عن الحرارة دون برمجة صريحة لهذه القواعد.
الموثوقية: يمنع نهج المعلومات الفيزيائية النموذج من إنتاج تنبؤات غير فيزيائية (مثل زيادة عمر الكتال مع زيادة الانفعال)، مما يجعله أداة أكثر موثوقية لتصميم المفاعلات وتقييم السلامة.

5. القيود والآفاق المستقبلية

قيود البيانات: ترتبط موثوقية النموذج بالتوزيع غير المنتظم لبيانات التدريب والافتقار إلى الواصفات الميكرو-بنيوية الكمية (مثل كثافة العيوب، حجم الرواسب) في الأدبيات.
الحذر عند الاستقراء: يجب تفسير التنبؤات عند جرعات إشعاع قصوى (>70 dpa) أو درجات حرارة عالية جدًا بحذر، حيث قد تقع خارج النطاق التجريبي.
العمل المستقبلي: يقترح المؤلفون دمج مجموعات بيانات أكبر غنية بالمتغيرات الميكرو-بنيوية وتطوير القيود الفيزيائية لتشمل آليات أكثر تعقيدًا مثل تصلب الإشعاع وأنماط الضرر المتنافسة.

الخاتمة

يعمل إطار عمل PINN المقترح كأداة قوية، وقابلة للتفسير، ومتسقة فيزيائيًا لتقييم الكلال في التطبيقات النووية. فهو يتفوق على نماذج تعلم الآلة التقلية المعتمدة على البيانات من خلال الاستفادة من القوانين الفيزيائية لتوجيه التعلم، مما يوفر مسارًا واعدًا لتقليل الاعتماد على اختبارات ما بعد الإشعاع المكلفة في تطوير المفاعلات النووية المتقدمة.