استفاده از هوش مصنوعی در ساخت، هدایت و بهره برداری از راکتورهای اتمی

**«استفاده از هوش مصنوعی در ساخت، هدایت و بهره برداری از راکتورهای اتمی»**

دکتر دامون علی پور

---

چکیده

با گسترش فناوری های دیجیتال و رشد سریع کاربردهای هوش مصنوعی (AI)، صنعت انرژی هسته ای نیز وارد فازی نوین شده است. این مقاله به بررسی نقش هوش مصنوعی در سه مرحله کلیدی چرخه عمر راکتورهای هسته ای — یعنی ساخت (Design & Construction)، هدایت و کنترل (Operation & Control) و بهره برداری و نگهداری (Maintenance & Lifecycle Management) — می پردازد. در هر بخش، ابتدا کارکردهای بالقوه هوش مصنوعی تشریح شده، سپس چالش ها و موانع فنی، ایمنی و مقرراتی بررسی می شوند. نتیجه می گیرد که اگرچه هوش مصنوعی می تواند ایمنی، کارایی و اقتصادی بودن نیروگاه های هسته ای را به طور چشمگیری ارتقا دهد، اما نیازمند زیرساخت های داده ای قوی، مقررات شفاف، قابلیت توضیح پذیری (Explainability) و اعتمادپذیری بالا است. در نهایت توصیه هایی برای مسیر پیش رو ارائه می شود.

---

مقدمه

نیروگاه های هسته ای به عنوان منابع تولید پایدار و بدون انتشار مستقیم دی اکسیدکربن، برای تامین بخش عمده ای از برق در بسیاری از کشورها اهمیت دارند. با این حال، طراحی، ساخت و بهره برداری این سامانه ها بسیار پیچیده، پرهزینه و از نظر ایمنی حساس هستند. در سال های اخیر، پیشرفت های چشمگیر در حوزه هوش مصنوعی — مانند یادگیری ماشینی (ML)، یادگیری عمیق (DL)، سیستم های دیجیتال دوقلوی (Digital Twin) و تجزیه و تحلیل داده های بزرگ (Big Data Analytics) — فرصت های تازه ای برای بهبود عملکرد نیروگاه های هسته ای فراهم کرده است.

به عبارت دیگر، اگرچه تاکنون هوش مصنوعی در بسیاری از صنایع مانند خودروسازی، مراقبت های بهداشتی و مالی به کار گرفته شده، اما ورود آن به حوزه فناوری هسته ای دارای پتانسیل خاص است: زیرا نیروگاه های هسته ای به داده های فراوان، کنترل دقیق، ایمنی بالا و تصمیم گیری سریع نیاز دارند. سازمان هایی چون IAEA نیز به این روند توجه کرده اند و گزارش هایی دراین باره منتشر نموده اند. ([IAEA][1])

در این مقاله، ابتدا مروری بر وضعیت فعلی خواهیم داشت، سپس نقش هوش مصنوعی را در سه مرحله منتخب تحلیل می کنیم و در پایان چالش ها، نتیجه گیری و راهکارها را ارائه می دهیم.

---

وضعیت فعلی و پیش زمینه

پژوهش ها نشان می دهند که کاربرد هوش مصنوعی در حوزه هسته ای طی سال های اخیر افزایش یافته است. برای مثال، در مقاله ای تحت عنوان «A review of the application of artificial intelligence to nuclear reactors» آمده است که سیستم های یادگیری ماشینی و عمیق در طراحی، بهره برداری و نگهداری راکتورها به طور موفقی به کار گرفته شده اند. ([PMC][2])

همچنین، سازمان IAEA در گزارشی اعلام کرده است که هوش مصنوعی همراه با فناوری هایی چون دیجیتال دوقلو می تواند به طور قاطع کارایی تولید برق هسته ای را ارتقا دهد. ([IAEA][1])

با این حال، موانعی نیز وجود دارد: از جمله محتوای داده های حساس، نیاز به احراز اعتماد برای کاربرد در سامانه های ایمنی محور، و مقررات پیچیده ای که بر صنعت هسته ای حاکم است. ([Foro Nuclear][3])

به عبارت دیگر، صنعت هسته ای با هم زمانی سه چالش مواجه است: (۱) پتانسیل بالا برای هوش مصنوعی، (۲) حساسیت زیاد حوزه ایمنی هسته ای، و (۳) نیاز به اثبات قابلیت اطمینان فناوری های نوین.

در ادامه، به کاربردهای مشخص هوش مصنوعی در هر یک از مراحل ساخت، هدایت و بهره­برداری می پردازیم.

---

کاربردهای هوش مصنوعی

۱. مرحله ساخت (Design & Construction)

در این مرحله، هوش مصنوعی می تواند در طراحی مفهومی راکتور، بهینه سازی هندسی، مدیریت پروژه ساخت، کنترل کیفیت و پیش بینی تاخیرها و هزینه ها نقش داشته باشد.

• بهینه سازی طراحی

هوش مصنوعی، به ویژه الگوریتم های یادگیری ماشینی، می توانند هندسه راکتور، چیدمان سوخت، جریان خنک کننده و دیگر پارامترهای چندبعدی را بهینه کنند تا کارایی بالاتر، مصرف سوخت کمتر یا ایمنی بیشتر حاصل شود. برای مثال، مطالعه ای اخیر نشان می دهد که یادگیری تقویتی (reinforcement learning) برای کنترل یک میکرو­راکتور در حالت پویا به کار رفته است و توانسته شرایط بحرانی و توزیع توان را در محدوده های امن حفظ کند. ([arXiv][4])

• مدیریت ساخت و کنترل پروژه

یکی از کاربردهای مهم، کاربرد AI برای پیش بینی تاخیرها، هزینه های اضافی، و بهبود فرآیندهای ساخت است. به عنوان نمونه، شرکت Westinghouse Electric Company با همکاری Google Cloud اعلام کرده است که از ابزارهای هوش مصنوعی برای تسریع ساخت و بهره برداری راکتورهای خود بهره می برد. ([Westinghouse Nuclear][5])

• دیجیتال دوقلو

فناوری دیجیتال دوقلو (Digital Twin)، یعنی ایجاد مدل دیجیتال از راکتور یا اجزای آن، امکان شبیه سازی عملکرد، بررسی شرایط بحرانی، و تحلیل «چه اگر» را فراهم می کند. هوش مصنوعی می تواند این مدل ها را هوشمندتر کند، با یادگیری از داده های عملیات واقعی و پیش بینی نتایج. مثال: گزارش IAEA به این کاربرد اشاره کرده است که هوش مصنوعی همراه با دیجیتال دوقلو می تواند کارایی تولید آب سنگین یا برق هسته ای را افزایش دهد. ([IAEA][1])

۲. هدایت و کنترل (Operation & Control)

پس از ساخت، بهره برداری از راکتور شامل کنترل فرآیندهای فیزیکی، سیستم های خنک کنندگی، جریان های حرارت، مانیتورینگ سوخت، پاسخ به شرایط اضطراری و اتوماسیون است. در این حوزه، هوش مصنوعی به چندین روش مهم کاربرد دارد:

• مانیتورینگ و تشخیص زودهنگام خطاها

با وجود سنسورهای متعدد در راکتور، داده های عملیاتی بسیار زیاد است. الگوریتم های یادگیری ماشینی می توانند الگوهای غیرعادی را تشخیص دهند و احتمال خرابی را پیش بینی کنند. برای مثال، کاربردی در حوزه “anomaly detection” در این زمینه وجود دارد. ([Foro Nuclear][3])

• کنترل خودکار و بهینه سازی خروجی

هوش مصنوعی می تواند به صورت بلادرنگ داده های سنسورها را تحلیل کند و بهینه سازی تولید برق، تنظیم میزان سوخت، دمای کارکرد، یا شار هسته ای را انجام دهد. این امر منجر به افزایش بازدهی، کاهش هزینه و بهبود ایمنی می شود. مثالی در این زمینه: مقاله «Artificial Intelligence for Accelerating Nuclear Applications…» به این امکان اشاره دارد. ([IAEA][6])

• ایمنی و پاسخ به شرایط اضطراری

در شرایط بحرانی، زمان پاسخ سریع اهمیت دارد. هوش مصنوعی می تواند با شبیه سازی شرایط و پیش بینی ریسک ها و ارائه مسیرهای کنترلی، به اپراتورها در اتخاذ تصمیم کمک کند. همچنین، فناوری های جدید در تحلیل سیستم های کنترل و مانیتورینگ شبکه های سایبری در سامانه هسته ای نیز وجود دارد. ([arXiv][7])

۳. بهره برداری، نگهداری و چرخه عمر (Maintenance & Lifecycle Management)

مرحله بهره برداری طولانی مدت یک راکتور شامل تغییر سوخت، نگهداری اجزا، تعمیرات، ارتقا، و در نهایت بازنشستگی و خاموشسازی است. هوش مصنوعی در این مراحل نیز نقش تعیین کننده دارد.

• نگهداری پیش بینی (Predictive maintenance)

یکی از مهم ترین کاربردها، پیش بینی زمان وقوع خرابی اجزا با استفاده از داده های تاریخچه ای و شرایط زنده است. این کار باعث کاهش زمان خاموشی ناگهانی، کاهش هزینه ها و افزایش ایمنی می شود. ([Foro Nuclear][3])

• تحلیل داده های عمر مفید و مدیریت چرخه سوخت

هوش مصنوعی می تواند برای تحلیل طول عمر قطعات، پیش بینی نیاز به جایگزینی، و برنامه ریزی بهتر سوخت استفاده شود. مثلا با تحلیل دقیق داده های موجود، میتوان سوخت هسته ای را بهینه تر مصرف کرد. ([IAEA][1])

• کاهش هزینه ها و بهبود اقتصادی

با به کارگیری هوش مصنوعی، سازمان بهره بردار می تواند هزینه های نگهداری، تعویض قطعات، و زمان خاموشی را کاهش دهد و در نتیجه اقتصاد پروژه بهبود یابد. گزارش ها نشان داده اند که هوش مصنوعی می تواند کارایی و قابلیت اطمینان را افزایش دهد و هزینه ها را کاهش دهد. ([The Breakthrough Institute][8])

---

چالش ها و ملاحظات

با اینکه پتانسیل هوش مصنوعی در حوزه انرژی هسته ای بسیار زیاد است، اما موانعی نیز در راه وجود دارد که باید به دقت مورد بررسی قرار گیرند.

• مقررات، گواهی و اعتمادپذیری

سامانه های هوش مصنوعی باید دارای قابلیت تبیین باشند (Explainability)، قابل بررسی و تایید توسط نهادهای مقرراتی باشند، مخصوصا وقتی در سیستم های ایمنی هسته ای کاربرد دارند. گزارش IAEA تاکید کرده است که بدون تایید قابل اعتماد بودن، ورود AI به این حوزه با محدودیت مواجه خواهد بود. ([IAEA][9])

• کیفیت و کمیت داده ها

برای آموزش الگوریتم های هوش مصنوعی، نیاز به داده های زیاد، با کیفیت بالا، دقیق و دارای برچسب مناسب وجود دارد. در برخی موارد صنعت هسته ای داده های کافی عمومی یا قابل دسترس ندارد یا حفاظت شده اند. این مساله می تواند مانعی برای توسعه سیستم های AI شود.

• امنیت سایبری و تهدیدات جدید

وقتی سامانه های هسته ای به داده پردازی، شبکه سازی و هوش مصنوعی وابسته می شوند، احتمال حملات سایبری و تهدیدات جدید افزایش می یابد. برای نمونه، پژوهشی در زمینه تشخیص حملات Replay در سیگنال های راکتور از روش های هوش مصنوعی سخن گفته است. ([arXiv][7])

• مسئله مسئولیت و خطا

اگر سامانه هوش مصنوعی تصمیمی بگیرد یا پیشنهاد کند که منجر به حادثه شود، سوالاتی درباره «چه کسی مسئول است؟» مطرح خواهد شد. این امر در صنعت هسته ای که الزامات ایمنی بسیار بالا دارد، اهمیت مضاعف دارد.

• هزینه و سرمایه گذاری اولیه

پیاده سازی هوش مصنوعی در نیروگاه های اتمی نیازمند سرمایه گذاری بالا، نیروی متخصص، زیرساخت داده و محاسباتی است.

همچنین، توسعه راکتورهای جدید مانند راکتورهای ماژولار کوچک (SMRs) نیز هزینه بر است و صرفه اقتصادی آن هنوز برای بسیاری از کشورها به اثبات نرسیده است. ([Goldman Sachs][10])

• مسائل اخلاقی و پایداری

هوش مصنوعی باید در چارچوب اخلاقی، شفاف و قابل تبیین باشد. در صنعت هسته ای که پیامدهای گسترده دارد، موضوعات اخلاقی، زیست محیطی و اجتماعی باید جدی گرفته شوند. ([IAEA][6])

---

نتیجه گیری

هوش مصنوعی می تواند نقش بسیار تعیین کننده ای در گذار صنعت هسته ای به نسل جدید، ایمن تر، کاراتر و اقتصادی تر بازی کند. در مراحل ساخت، هدایت و بهره برداری، کاربردهای متنوعی مانند بهینه سازی طراحی، کنترل خودکار، نگهداری پیش بینی و دیجیتال دوقلو وجود دارد. با این حال، تحقق کامل این پتانسیل منوط به رفع موانعی چون مقررات، داده ها، امنیت سایبری، سرمایه گذاری و امکان توضیح سامانه های هوش مصنوعی است.

به صورت خلاصه:

* هوش مصنوعی می تواند ایمنی را افزایش دهد، بهره وری را بالا ببرد و هزینه ها را کاهش دهد.

* برای موفقیت، باید داده های مناسب، زیرساخت های محاسباتی، فرهنگ پذیرش فناوری و چارچوب های قانونی مترقی فراهم شود.

* راه حل های مرحله بندی شده پیشنهاد می شود: ابتدا پروژه های کوچک تر یا ماژولار را با هوش مصنوعی اجرا کرده، نتایج را ارزیابی نموده و سپس به مقیاس های بزرگ تر بپردازند.

در آینده، همکاری میان بخش هسته ای، پژوهشگران هوش مصنوعی، مقررات گذاران و صنعت انرژی ضروری خواهد بود تا این فناوری به شکلی ایمن، قابل اطمینان و کارآمد به کار گرفته شود.

---

منابع و ماخذ

1. Enhancing Nuclear Power Production with Artificial Intelligence | IAEA. ([IAEA][1])

2. The use of Artificial Intelligence in the nuclear sector – Foro Nuclear. ([Foro Nuclear][3])

3. Artificial intelligence in nuclear: How computer and data scientists are enhancing the industry | INL. ([Idaho National Laboratory][11])

4. A review of the application of artificial intelligence to nuclear reactors. ([PMC][2])

5. AI for nuclear energy – AI for Good (ITU event). ([AI for Good][12])

6. Artificial Intelligence for Accelerating Nuclear Applications, Science and Technology. ([IAEA][6])

7. AI’s energy demands and nuclear’s uncertain future | GJIA. ([Georgetown Journal][13])

8. Nuclear Energy’s Renaissance Thanks to AI Needs | Georgia Tech News Center. ([news.gatech.edu][14])

[1]: https://www.iaea.org/bulletin/enhancing-nuclear-power-production-with-artificial-intelligence?utm_source=chatgpt.com "Enhancing Nuclear Power Production with Artificial Intelligence | IAEA"

[2]: https://pmc.ncbi.nlm.nih.gov/articles/PMC9988575/?utm_source=chatgpt.com "A review of the application of artificial intelligence to nuclear reactors"

[3]: https://www.foronuclear.org/en/updates/in-depth/the-use-of-artificial-intelligence-in-the-nuclear-sector/?utm_source=chatgpt.com "The use of Artificial Intelligence in the nuclear sector - Foro Nuclear"

[4]: https://arxiv.org/abs/2406.15931?utm_source=chatgpt.com "Multistep Criticality Search and Power Shaping in Microreactors with Reinforcement Learning"

[5]: https://info.westinghousenuclear.com/news/westinghouse-to-accelerate-us-nuclear-reactor-construction-and-enhance-operations-with-google-cloud-ai?utm_source=chatgpt.com "Westinghouse to Accelerate US Nuclear Reactor Construction and Enhance Operations with Google Cloud AI"

[6]: https://www.iaea.org/publications/15198/artificial-intelligence-for-accelerating-nuclear-applications-science-and-technology?utm_source=chatgpt.com "Artificial Intelligence for Accelerating Nuclear Applications, Science..."

[7]: https://arxiv.org/abs/2508.09162?utm_source=chatgpt.com "An Unsupervised Deep XAI Framework for Localization of Concurrent Replay Attacks in Nuclear Reactor Signals"

[8]: https://thebreakthrough.org/journal/no-20-spring-2024/artificial-intelligence-goes-nuclear?utm_source=chatgpt.com "Artificial Intelligence Goes Nuclear | The Breakthrough Institute"

[9]: https://www.iaea.org/newscenter/news/iaea-designates-first-collaborating-centre-on-artificial-intelligence-for-nuclear-power?utm_source=chatgpt.com "IAEA Designates First Collaborating Centre on Artificial Intelligence..."

[10]: https://www.goldmansachs.com/insights/articles/is-nuclear-energy-the-answer-to-ai-data-centers-power-consumption?utm_source=chatgpt.com "Is nuclear energy the answer to AI data centers' power consumption?"

[11]: https://inl.gov/feature-story/artificial-intelligence-in-nuclear-how-computer-and-data-scientists-are-enhancing-the-industry/?utm_source=chatgpt.com "Artificial intelligence in nuclear: How computer and data scientists..."

[12]: https://aiforgood.itu.int/event/ai-for-nuclear-energy/?utm_source=chatgpt.com "AI for nuclear energy - AI for Good - ITU"

[13]: https://gjia.georgetown.edu/2025/04/16/ais-energy-demands-and-nuclears-uncertain-future/?utm_source=chatgpt.com "AI's Energy Demands and Nuclear's Uncertain Future | GJIA"

[14]: https://news.gatech.edu/news/2024/10/04/nuclear-energys-renaissance-thanks-ai-needs?utm_source=chatgpt.com "Nuclear Energy's Renaissance Thanks to AI Needs | News Center"