Constrained Sensing and Reliable State Estimation with Shallow Recurrent Decoders on a TRIGA Mark II Reactor
تقدم هذه الورقة أول تطبيق لشبكات فك التشفير المتكرر الضحل (SHRED) على مفاعل "تريجا مارك 2" (TRIGA Mark II) نووي مُشغل، مما يثبت قدرتها على إعادة بناء حقول الحالة الكاملة في الوقت الفعلي باستخدام بيانات درجات الحرارة الاصطناعية والتجريبية مع الحفاظ على المتانة ضد ضوضاء المستشعرات والتفاوتات في النماذج.
المؤلفون الأصليون:Stefano Riva, Carolina Introini, Josè Nathan Kutz, Antonio Cammi
داخل المفاعل النووي، يُعد القلب مكاناً للحرارة الشديدة والقوى غير المرئية، حيث تتدفق المياه، ويحترق الوقود، وتتحرر الطاقة. وللحفاظ على سلامة وكفاءة مثل هذا النظام، يحتاج المهندسون إلى معرفة ما يحدث في الداخل بدقة في كل لحظة؛ فهم بحاجة لتتبع درجة حرارة الماء، وسرعة تدفقه، والضغط المتزايد داخل قنوات الوقود. ومع ذلك، فإن داخل المفاعل بيئة معادية؛ فهي شديدة الحرارة وشديدة الإشعاع لدرجة لا تسمح لمعظم الأجهزة بالبقاء لفترة طويلة. وهذا يترك العلماء أمام لغز صعب: ليس لديهم سوى حفنة من المستشعرات، موضوعة في أماكن محددة قليلاً، تحاول تخمين حالة الآلة بأكملها. الأمر يشبه محاولة فهم طقس قارة بأكملها من خلال النظر إلى السماء عبر نافذتين صغيرتين فقط. ولعقود من الزمن، تطلب حل هذا اللغز نماذج رياضية معقدة بطيئة التشغيل، وغالباً ما تواجه صعوبة عندما لا يتطابق العالم الحقيقي مع النظرية تماماً.
قام فريق من الباحثين الآن باختبار طريقة جديدة وأسرع لحل هذه المشكلة باستخدام نوع من الذكاء الاصطناعي يسمى "المفكك المتكرر الضحل" (shallow recurrent decoder). صُممت هذه الطريقة لأخذ البيانات المحدودة والمشوشة من عدد قليل من المستشعرات وإعادة بناء الصورة الكاملة والتفصيلية لداخل المفاعل في الوقت الفعلي. طبق الباحثون هذه التقنية على مفاعل TRIGA Mark II، وهو مفاعل بحثي معروف في جامعة بافيا بإيطاليا. أرادوا معرفة ما إذا كانت هذه الأداة الجديدة تستطيع تخمين حالة المفاعل بدقة حتى عندما توضع المستشعرات في نقاط "هادئة" حيث تتحرك المياه بالكاد، وما إذا كان بإمكانها تصحيح نفسها عندما يختلف النموذج الحاسوبي مع القياسات الفعلية من المفاعل الحقيقي.
بدأ الفريق بإنشاء محاكاة حاسوبية مفصلة للمفاعل، والتي كانت بمثابة مرجع مثالي لكيفية سلوك النظام. ثم قاموا بتدريب ذكائهم الاصطناعي باستخدام بيانات من هذه المحاكاة، ولكن مع لمسة مختلفة: لقد أخبروا النظام أن يتظاهر بأن لديه فقط إمكانية الوصول إلى قراءات درجة الحرارة من قناتين محددتين للغاية. إحدى القناتين تقع على الحافة الخارجية لقلب المفاعل، حيث تتحرك المياه ببطء، والأخرى مخفية خلف قضيب تحكم، وهو مكان يكون فيه التدفق محجوباً ويصعب رصده. هذه هي أنواع المواقع "السيئة" التي غالباً ما تُضطر المستشعرات للجلوس فيها بسبب القيود الفيزيائية. وعلى الرغم من البدء بمثل هذه البيانات المحدودة وغير المثيرة، تعلم النظام التنبؤ بدرجة حرارة وسرعة وضغط الماء في كل مكان آخر في المفاعل. كانت النتائج دقيقة بشكل مذهل؛ حيث أعاد النظام بناء مجال التدفق بالكامل بمتوسط خطأ يقل عن أربعة بالمائة مقارنة بالمحاكاة المثالية. لقد نجح في استنتاج سلوك الماء في أماكن لم يكن لديه فيها أي مستشعرات على الإطلاق، مما أثبت قدرته على تعلم الديناميكيات الخفية للنظام من مجرد نقاط هادئة قلي.
ثم انتقل الباحثون إلى الخطوة التالية، من عالم محاكاة الكمبيوتر المثالي إلى الواقع الفوضوي للمفاعل الفعلي. استخدموا بيانات درجة الحرارة المسجلة خلال تجربة حقيقية حيث تم تسخين المفاعل من بداية باردة وصولاً إلى القدرة الكاملة. في هذه المرحلة، لم يتطابق النموذج الحاسوبي الذي درّبوه تماماً مع العالم الحقيقي؛ فعلى سبيل المثال، لم يأخذ النموذج في الاعتبار بعض المياه الباردة التي تدور من أعلى المسبح، مما تسبب في قراءة المستشعرات الحقيقية لدرجات حرارة أقل مما تنبأت به المحاكاة. وعندما أدخل الباحثون البيانات التجريبية الحقيقية في نظامهم المدرب، لاحظ الذكاء الاصطناعي الفرق. وبدلاً من اتباع النموذج الحاسوبي المعيب بشكل أعمى، قام بتعديل تنبؤاته لتتماشى بشكل وثيق مع القياسات الحقيقية. لقد نجح فعلياً في "تصحيح" المعرفة الخلفية للنموذج، مما قلل الخطأ بين التنبؤ وقراءات درجة الحرارة الفعلية. وفي بعض الحالات، كانت الطريقة الجديدة أكثر دقة بشكل ملحوظ من المحاكاة الحاسوبية الأصلية وحدها.
يُظهر هذا العمل أن هذا النوع الجديد من الشبكات العصبية ليس مجرد تمرين نظري، بل هو أداة عملية يمكنها التعامل مع قيود الهندسة الحقيقية. لقد أظهر أن النظام قوي بما يكفي للعمل حتى عندما توضع المستشعات في مواقع سيئة، ومرن بما يكفي لتحديث فهمه عند مواجهة بيانات جديدة من العالم الحقيقي. وجد الباحثون أن النظام يمكنه تعلم الفيزياء المعقدة للمفاعل في دقائق معدودة على جهاز كمبيوتر محمول عادي، وهي سرعة يستحيل تحقيقها باستخدام طرق المحاكاة التقليدية الثقيلة. وبينما ركزت الدراسة الحالية على سيناريو تشغيل طبيعي ومحدد، فإن النتائج تشير إلى أن هذا النهج يمكن أن يساعد في النهاية في بناء "توائم رقمية" للمفاعلات النووية — نسخ افتراضية تراقب المحطة الحقيقية في الوقت الفعلي، مما يضمن السلامة والكفاءة حتى عندما تكون المستشعرات الفيزيائية نادرة أو عندما تتغير الظروف. تؤكد الدراسة أنه مع النهج الصحيح القائم على البيانات، يمكننا رؤية القلب غير المرئي للمفاعل النووي بوضوح وثقة.
ملخص تقني: الاستشعار المقيد والتقدير الموثوق للحالة باستخدام أجهزة فك التشفير المتكررة الضحلة على مفاعل TRIGA Mark II
بيان المشكلة يعد إعادة بناء الحالة الداخلية للمفاعلات النووية من قياسات المستشعرات الشحيحة والمشوبة بالضجيج تحديًا حرجًا للمراقبة والتحكم. المفاعلات النووية هي أنظمة معقدة متعددة الفيزياء تعمل في بيئات قاسية حيث يكون وضع المستشعرات مقيدًا بسبب الوصول الفيزيائي، والقيود الاقتصادية، ولوائح السلامة. وبناءً على ذلك، فإن مهام تقدير الحالة هي مسائل عكسية سيئة التحديد تتميز بـ: (1) تموضع مستشعرات محدود وغير عشوائي؛ (2) وجود حقول غير قابلة للملاحظة (مثل السرعة، الضغط، الاضطراب) والتي يجب استنتاجها بشكل غير مباشر؛ (3) وجود تباينات بين النماذج الرياضية (المستخدمة في التدريب) والبيانات الواقعية بسبب افتراضات النمذجة أو عدم اليقين في المعلمات. غالبًا ما تتطلب طرق استيعاب البيانات (DA) التقليدية، مثل مرشح كالمان أو الأساليب التباينية، عمليات تحسين مكلفة حاسوبيًا لأنظمة المعادلات التفاضلية الجزئية (PDE) عالية الأبعاد، مما يجعلها غير مناسبة للتطبيقات التي تتطلب وقتًا قريبًا من الوقت الفعلي.
المنهجية: بنية SHRED يطبق هذا العمل شبكة فك التشفير المتكررة الضحلة (SHRED)، وهي بنية تعتمد على البيانات مصممة لربط المسارات الزمنية للقياسات الشحيحة بفضاء حالة النظام الكامل. تعتمد المنهجية على المكونات التالية:
البنية: يجمع SHRED بين شبكة الذاكرة الطويلة قصيرة المدى (LSTM) وشبكة فك تشفير ضحلة (SDN). تلتقط شبكة LSTM الديناميكيات الزمنية من السلاسل الزمنية للمستشعرات الشحيحة، بينما تقوم شبكة SDN بفك تشفير تمثيل كامن إلى فضاء الحالة الكامل.
الأساس النظري: يستفيد النهج من نظرية تاكنز للاندماج (Takens embedding theorem)، حيث يستبدل البيانات المكانية الكثيفة عند لحظة واحدة بمسار زمني لقياسات المستشعرات. وهو قائم على فصل المتغيرات للمعادلات التفاضلية الجزئية، مما يفصل السلوك الزمني عن الهياكل المكانية.
تقليل الأبعاد: للتعامل مع ناقلات الحالة عالية الأبعاد (على سبيل المثال، من 104 إلى 106 درجة حرية)، تستخدم الطريقة تحليل القيم المفردة (SVD) أو تحليل المكونات الرئيسية (POD). تعمل الشبكة العصبية في فضاء كامن مضغوط (رتبة منخفضة)، حيث تربط قياسات المستشعرات بالمعاملات المختزلة بدلاً من الحالة الكاملة مباشرة.
استراتيجية المجموعة (Ensemble): للتعامل مع البيانات المشوبة بالضجيج وتحسين المتانة، يقوم الإطار بتدريب مجموعة من نماذج SHRED باستخدام مجموعات فرعية مختلفة من تكوينات المستشعرات. التنبؤ النهائي هو متوسط هذه النماذج، مصحوبًا بفترة ثقة.
كفاءة التدريب: من خلال العمل في الفضاء المضغوط، يكون التدريب فعالًا حاسوبيًا (دقائق على جهاز كمبيوتر محمول قياسي) ويتطلب حدًا أدنى من ضبط المعلمات الفائقة.
التطبيق والإعداد التجريبي تركز الدراسة على مفاعل الأبحاء TRIGA Mark II (قدرة 250 كيلووات) في جامعة بافيا. النموذج الخلفي هو محاكاة لديناميكا السوائل الحسابية (CFD) لقلب المفاعل، والتي تمثل نموذج ديناميكا سوائل يتكون من ناقل حالة يشمل درجة الحرارة (T)، والسرعة (u)، والضغط (p)، والطاقة الحركية الاضطرابية (κ)، ومعدل التبديد (ω).
مصادر البيانات: تستخدم الدراسة كلاً من البيانات الاصطناعية من نموذج CFD والبيانات التجريبية من حملة عام 2016 التي شملت مستشعرات درجة حرارة Pt1000 في قنوات محددة من القلب.
القيود: المستشعرات مقيدة في قنوات "الديناميكيات المنخفضة" (مثل القنوات الطرفية أو تلك المحجوبة بقضبان التحكم) لاختبار متانة البنية ضد التموضع غير الأمثل. درجة الحرارة هي المجال الوحيد القابل للملاحظة مباشرة، بينما الحقول الأخرى غير قابلة للملاحظة.
المساهمات الرئيسية يدعي البحث أربع مساهمات رئيسية:
أول تطبيق تشغيلي: هذا هو التطبيق الأول لـ SHRED على مفاعل نووي يعمل (TRIGA Mark II)، متجاوزًا التصاميم المفاهيمية أو المرافق التجريبية الصغيرة.
تكامل البيانات الهجين: يدمج العمل بيانات هجينة اصطناعية وتجريبية ضمن إطار SHRED، مما يختبر قدرة النموذج على التعامل مع التباينات الواقعية.
تقييم المتانة: التقييم المنهجي لـ SHRED تحت مواقع مستشعرات مقيدة فيزيائيًا وذات ديناميكيات منخفضة يثبت أن البنية مستقلة عن تموضع المستشعرات.
تقييم التصحيح الذاتي: التقييم الكمي لقدرة البنية على التصحيح الذاتي عندما توجد تباينات بين النموذج والبيانات، وتحديدًا تقييم قدرتها على تحديث المعرفة الخلفية باستخدام القياسات الحقيقية.
النتائج
إعادة البناء الاصطناعي: باستخدام البيانات الاصطناعية من مستشعرات مقيدة (قنوات ذات ديناميكيات منخفضة)، أعاد SHRED بناء فضاء الحالة الكامل بدقة. كان متوسط الخطأ النسبي في معيار إقليدس أقل من 4% لجميع الحقول، بما في ذلك الحقول غير القابلة للملاحظة مثل السرعة والاضطراب. وفرت استراتيجية المجموعة فترات ثقة موثوقة.
التحقق التجريبي والتصحيح الذاتي: عند الاختبار باستخدام البيانات التجريبية، أظهر SHRED القدرة على تصحيح نموذج CFD الخلفي.
في السيناريوهات التي انحرفت فيها البيانات التجريبية عن نموذج CFD (مثل ظواهر إعادة التدوير غير النمذجة في الجزء العلوي من الحوض)، قام SHRED بتعديل تنبؤاته لتتوافق بشكل أفضل مع القياسات التجريبية.
أظهر التحليل الكمي انخفاضًا في جذر متوسط مربع الخطأ (RMSE) مقارنة بالنموذج المرجعي CFD. على سبيل المثال، عند التدريب على بيانات الثقب 9 والاختبار على الثقب 3، انخفض متوسط RMSE من 2.155 كلفن (CFD) إلى 1.032 كلفن (SHRED).
نجحت البنية في التعرف على التباينات بين النموذج والواقع، وقامت بإعادة تغيير حجم مخرجاتها للتعويض، رغم أنها لم تقم بعملية استيعاب بيانات فيزيائية كاملة (مثل تحديث المعادلات الحاكمة).
الأهمية والادعاءات يفترض البحث أن SHRED يقدم حلاً قويًا، قابلًا للتفسير، وفعالًا حاسوبيًا لمراقبة المفاعلات النووية والتحكم فيها، لا سيما لبناء التوائم الرقمية. تكمن أهميته في:
الاستقلال عن المستشعرات: لا تتطلب الطريقة تموضعًا أمثلًا للمستشعرات، مما يجعلها مناسبة للأنظمة ذات القيود الفيزيائية الصارمة.
إمكانية الوقت الفعلي: تجعل قدرات التدريب والاستدلال السريعة من الممكن استخدامها لتقدير الحالة في الوقت الفعلي، على عكس طرق استيعاب البيانات التقلية المثقلة بالتكاليف الحاسوبية العالية.
التعامل مع عدم اليقين: توفر استراتيجية المجموعة فترات ثقة، وهو أمر بالغ الأهمية للتطبيقات الحرجة للسلامة.
تحديث النموذج: القدرة على التصحيح الجزئي لتباينات النموذج الخلفي باستخدام البيانات الحقيقية تفتح مسارًا لأنظمة المراقبة التكيفية.
يقر المؤلفون بالقيود، مشيرين إلى أن التنفيذ الحالي يعمل في وضع إعادة البناء (لا يوجد تنبؤ خارج نافذة الملاحظة)، وأن قدرة التصحيح تقتقت إلى إعادة تغيير الحجم وليس عملية استيعاب بيانات فيزيائية كاملة. ويُقترح في العمل المستقبلي دمج SHRED في إطار عمل حقيقي لاستيعاب البيانات وتوسيع تطبيقه ليشمل التحولات البارامترية والحالات العرضية.