Nükleer santrallerde arıza tespitinde yapay zeka

Nükleer santral güvenliğindeki en büyük tehlikelerden biri yapay zekanın (YZ) bilmediğini bilmemesidir. Çünkü geleneksel arıza teşhis sistemleri geçmişte kendisine tanıtılan arıza tespitlerini algılayacak biçimde tasarlanmıştır. Dolayısıyla oldukça karmaşık yapıya ve açık sisteme sahip olan nükleer santrallerde veri tabanında bulunmayan tanımsız bir arıza yaşandığında bu sistemler hatalı bildirimler göndererek operatörleri yanlış yönlendirerek büyük riskler doğurabilmektedir. Bu yüzden araştırmacılar, karşılaşılmış ve karşılaşılabilecek durumları anında tespit edebilen KDE+LSTM-AE+ Elliptic Envelope tabanlı yenilikçi bir “açık küme” arıza tespit yöntemi geliştirdi.¹

Yöntemin ilk adımında, Çekirdek Yoğunluk Tahmini (KDE) algoritmasıyla tesisteki 70 farklı sensörden gelen karmaşık veri akışını işlenebilir olasılık haritalarına dönüştürür. Bu veriler yüksek boyutlu ve zamanla değişken yapıya sahip olmasıyla YZ’yi zorlamasına rağmen KDE algoritması karmaşık sinyalleri düzenli ve işlenebilir hale getirir. Ek olarak modelin, gerçek bir santraldeki elektronik parazitler etkisinde ve anlık sensör sapmalarında da çalışmasına kararlı devam edebilmesi için yapay gürültü katmanı eklenerek sistemin direnci artırılmıştır.¹

İkinci safhada ise Uzun Kısa Süreli Bellek (LSTM) tabanlı bir otomatik kodlayıcı (AE) ağı, verilerdeki gereksiz gürültüleri temizleyerek boyut indirgemeyi gerçekleştirir. Zaman serilerinin kronolojik akışını öğrenen derin öğrenme modeli, aynı arızaya sebep olan sinyalleri aynı kümede toplarken farklı arızaları birbirinden ayrıştırır. Böylece her bir arıza, YZ’nin hafızasında kendine has bir kimlik kazanır.¹

Son adımda eğitilen Elliptic Envelope modelleri, her bir arıza için bu arızanın etrafına görünmez bir güvenlik sınırı oluşturur. Santralden yeni bir veri akışı gerçekleştiğinde sistem bu sınırları denetler. Eğer gelen sinyal tüm güvenlik sınırlarının dışında kalıyorsa bunu “bilinmeyen arıza” olarak raporlar. Güvenli sınırlar içinde kalıyorsa bilinen arıza olarak raporlar.¹

Fuqing Nükleer Santrali (M310) simülatöründen tam güç veriminde derlenen 11 farklı arıza senaryosunda ve değişken şiddet seviyeleriyle gerçekleştirilen kapsamlı testlerde yöntemin başarı oranı %97 olarak saptanmıştır. Klasik YZ ve açık küme yöntemlerinin (OpenMax, CNN, SoftMax ThresHold) %56 ila %64 aralığında bir başarına oranı gösterdiği göz önüne alındığında bu yüksek başarım; insan faktörlü hataları minimize etmede ve otonom bir güvenilir izleme sistemleri için umut vaad etmektedir.¹

Ancak bir arızanın veya anomalinin tespit edilmesi tek başına yeterli değildir. Sektördeki en önemli araştırma noktalardan biri de tespit edilen arızaya karşılık, santralin nasıl bir tepki vereceğidir. Bu alandaki paralel çalışmalardan birinde karşımıza Derin Pekiştirmeli Öğrenme (PPO) algoritmalarının reaktör yönetimindeki etkisini incelemiştir. Başlangıçta sağlanan veri akışı ve teşhisler ile çalışan PPO algoritması, reaktörün durumunu anlık olarak takip eden bir akıllı karar mekanizması gibi çalışmaktadır.²

Geleneksel simülasyon ile saatler sürebilen modellemeye karşılık geliştirilen fizik tabanlı (DNN) yapay sinir ağı vekil modelleri ile milisaniyelere indirgenmiştir. YZ etmeni, anlık verilerle birlikte reaktörün 12 mekanik kontrol tamburunu 25 milisaniye gibi insan reflekslerinin çok üzerinde bir karar mekanizmasıyla otonom olarak yeniden konumlandırabilmektedir.²

Mikroreaktör üzerinde test edilen bu otonom kontrol mekanizması, reaktörün 4 yıllık işletme ömrü ve farklı miktarlarda yakıt tüketim aşamalarıyla birlikte test edilmiştir. Reaktörde olası bir arıza tespiti veya güc dalgalanması durumlarında reaktörün kritik çalışma dengesini 10 pcm (yüz binde bir) gibi minimum bir tolerans ile sınırlanmaktadır. Bununla birlikte, reaktörün kalbinde bulunan 6 ayrı bölgeye güç dağılımını eşit olarak dağıtarak aşırı ısınma ve bölgesel risklerin önüne geçilmektedir.²

Arıza tespitine odaklanan açık küme algoritmaları ile fiziksel kontrol mekanizmasında çalışan öğrenme modelleri, literatürde henüz bağımsız birer araştırma konusu olarak yer alsada YZ’nin geleceğin nükleer santrallerinde ne kadar kritik bir güvenlik ve kontrol mekanizması haline gelmesi büyük bir potansiyel barındırmaktadır.²

Kaynaklar

1. Shan, L., Liu, Y., Gao, J., Liu, Y., Wang, Z., & Wu, G. (2026). Open-set fault diagnosis method for time series data in nuclear power plants. Annals of Nuclear Energy, 228, 112035.
2. Radaideh, M. I., Tunkle, L., Price, D., Abdulraheem, K., Lin, L., & Elias, M. (2026). Multistep criticality search and power shaping in nuclear microreactors with deep reinforcement learning. Nuclear Science and Engineering, 200(sup1), S309-S321.