Классификация состояний теплогидравлического стенда на основе теплофизических параметров с использованием методов машинного обучения

В работе проведён сравнительный анализ алгоритмов машинного обучения для классификации режимов работы теплогидравлического стенда по данным датчиков расхода, температуры и давления. Рассмотрены и сопоставлены ансамблевые методы Random Forest, Gradient Boosting и CatBoost, нейронные сети, алгоритм k-ближайших соседей (k-NN), логистическая регрессия и метод опорных векторов (SVM). Подготовка данных включала удаление пропусков и ошибочных значений, стандартизацию признаков, корреляционный и дисперсионный анализ, группировку взаимосвязанных параметров, снижение размерности методом главных компонент (PCA), а также применение регуляризации для уменьшения мультиколлинеарности и предотвращения переобучения моделей. Качество оценивалось по кросс-валидации и метрике F1. Результаты показали, что ансамблевые методы достигают наивысшей точности (значение метрики F1 ≈ 0.99–1.0) и являются наиболее надёжными для задачи классификации. Нейросетевые методы и k-NN также продемонстрировали высокую эффективность (F1 ≈ 0.89–0.99), в то время как линейные модели показали средние результаты, но выиграли от применения PCA и регуляризации. Полученные результаты подтверждают применимость методов машинного обучения для интеллектуальной автоматизации мониторинга и диагностики технологических систем в реальном времени.

1. Adeoye M.B., Annankra J.A., Yakin Z. AI-driven real-time diagnostics and self- correcting control schemes for next-generation nuclear energy systems // World Journal of Advanced Research and Reviews, 2025. V. 27(03). P. 1550 – 1557. DOI: 10.30574/wjarr.2025.27.3.3294.

2. Elbordany A.A., Kandil M.M., Youness H.A., Abdelaal H.M. An efficient AI algorithm for fault diagnosis in nuclear power plants based on machine deep learning techniques // Progress in Nuclear Energy. 2025. V. 180. P. 105580. DOI: 10.1016/j.pnucene.2024.105580.

3. Friˇskovec N., Igrec D. A review of artificial intelligence in nuclear power plants // Journal of Energy Technology, 2024. V. 17. № 4. P. 34 – 45. DOI: 10.18690/jet.17.4.34-45.2024.

4. Hu G., Zhou T., Liu Q. Data-driven machine learning for fault detection and diagnosis in nuclear power plants: A review // Frontiers in Energy Research. 2021. V. 9. P. 663296. DOI: 10.3389/fenrg.2021.663296.

5. Jendoubi C., Asad A.A. survey of artificial intelligence applications in nuclear power plants // IoT. 2024. V. 5. № 4. P. 666 – 691. DOI: 10.3390/iot5040030.

6. Ajah S.A., Akanji L., Gomes J. Recent trends in nuclear accident events prediction: A review // Nuclear Technology, 2025. P. 1 – 31. DOI: 10.1080/00295450.2025.2454104.

7. Bartlett E.B., Uhrig R.E. Nuclear power plant status diagnostics using an artificial neural network // Nuclear Tech¬nology, 1992. V. 97. № 3. P. 272 – 281.

8. Ayodeji A., Liu Y.–k. Support vector ensemble for incipient fault diagnosis in nuclear plant components // Nuclear Engineering and Technology, 2018. V. 50. No. 8. P. 1306 – 1313. DOI: 10.1016/J.NET.2018.07.01.

9. Rezaeianjouybari B., Shang Y. Deep learning for prognostics and health management: State of the art, challenges, and opportunities // Measurement, 2020. V. 163. P. 107929. DOI: 10.1016/j.measurement.2020.107929

10. Tasakos T., Ioannou G., Verma V., Alexandridis G., Dokhane A., Stafylopatis A. Deep learning-based anomaly detection in nuclear reactor cores // Proceedings of the International Conference on Mathematics & Computational Methods Applied to Nuclear Science & Engineering (M&C 2021), 2021. P. 3 – 7. DOI:10.13182/xyz-33681.

11. Лауар С., Делов М.И., Литвинцова Ю.Е., Кузьменков Д.М., Мурадян К.Ю., Навасардян М.В., Куценко К.В. Теплогидравлический стенд для разработки новых решений в области использования цифровых двойников объектов атомной энергетики // Известия высших учебных заведений. Ядерная энергетика, 2020. № 2. С. 122 – 134. DOI: 10.26583/npe.2020.2.11.

12. Yao Y., Ge D., Yu J., Xie M. Model-based deep transfer learning method to fault detection and diagnosis in nuclear power plants // Frontiers in Energy Research, 2022. V. 10. P. 823395. DOI: 10.3389/fenrg.2022.823395.

13. Hassan R., Baghban A. Pioneering machine learning techniques to estimate thermal conductivity of carbon-based phase change materials: A comprehensive modeling framework // Case Studies in Thermal Engineering, 2025. V.73. P. 106648. DOI: 10.1016/j.csite.2025.106648.

14. Qi S., Han B., Zhu X., Yang B.–W., Xing T., Liu A., Liu S. Machine learning in critical heat flux studies in nuclear systems: A detailed review // Progress in Nuclear Energy, 2025. V. 179. P. 105535. DOI: 10.1016/j.pnucene.2024.105535.

15. Arunprasath V., Santhosh T., Vinod G., Guchhait P., Gohel N., Sengupta S. kNN based machine learning model for transient detection in nuclear reactors // 8th International Conference on Computing in Engineering and Technology (ICCET 2023). Hybrid Conference, Patna, India, 2023. P. 104 – 109. DOI: 10.1049/icp.2023.1475.

16. Ahsan M.M., Mahmud M.A.P., Saha P.K., Gupta K.D., Siddique Z. Effect of Data Scaling Methods on Machine Learning Algorithms and Model Performance // Technologies, 2021. V. 9(3). Р. 52. DOI:10.3390/technologies9030052.

17. Arowolo M.O., Abdulsalam S.O., Saheed Y.K.,Salawu M.D. A feature selection based on One Way ANOVA for mi¬croarray data classification // Аl-Hikmah Journal of Pure & Applied Sciences, 2016. V. 3. Р. 30 – 35.

18. Jang J., Jung C., Jung H. Optimized Time Series Feature Selection for Manufacturing AI: Reducing Complexity and Improving Classification Accuracy // IEEE Access, 2025. Vol. 13. P. 110208–110225. DOI: 10.1109/ACCESS.2025.3582216.

19. Demir-Kavuk O., Kamada M., Akutsu T., Knapp E.-W. Prediction using step-wise L1, L2 regularization and feature selection for small data sets with large number of features // BMC Bioinformatics, 2011. V. 12. № 1. P. 412. DOI: 10.1186/1471- 2105-12-412.

20. Chen T., Guestrin C. Xgboost: A scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD interna¬tional conference on knowledge discovery and data mining, 2016. P. 785 – 794.

21. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A.V., Gulin A. CatBoost: unbiased boosting with categorical features // Advances in neural information processing systems 31 (NeurIPS 2018): Neural Information Processing Systems Foundation, 2018. Р. 6638 – 6648.

22. Trevi˜no E., Shields A., Stewart R., Darrington J., Scott J., Pope C., Ritter C. Autonomous anomaly detection of proliferation in the AGN-201 nuclear reactor digital twin // Annals of Nuclear Energy, 2025. V. 211. P. 110990. DOI:10.1016/j. anucene.2024.110990. https://www.sciencedirect.com/science/article/am/pii/S0306454924006534

23. Yi S., Zheng S., Yang S., Zhou G., He J. Robust transformer-based anomaly detection for nuclear power data using maximum correntropy criterion // Nuclear Engineering and Technology, 2024. V. 56 (3). P. 1284 – 1295. DOI: 10.1016/j. net.2023.11.033.

24. Neudecker D., Grosskopf M., Herman M., Haeck W., Grechanuk P., Vander Wiel S., Rising M.E., Kahler A., Sly N., Talou P. Enhancing nuclear data validation analysis by using machine learning // Nuclear Data Sheets, 2020. V. 167(1). P. 36 – 60. DOI: 10.1016/j.nds.2020.07.002.

25. Lin T.–H., Wu S.–C. Sensor fault detection, isolation and reconstruction in nuclear power plants // Annals of nuclear energy, 2019. V. 126. P. 398–409. DOI:10.1016/j.anucene.2018.11.044.

26. Jolliffe I.T., Cadima J. Principal component analysis: a review and recent developments // Philosophical transactions of the royal society A: Mathematical, Physical and Engineering Sciences, 2016. V. 374. № 2065. P. 20150202. DOI: 10.1098/ rsta.2015.0202.

27. Swiercz M., Mroczkowska H. Application of PCA for early leak detection in a pipeline system of a steam boiler // Przeglad Elektrotechniczny, 2019. V.95(10) Р. 190 – 203. DOI: 10.15199/48.2019.10.43.

28. Lima G.B. de, Kaiser T.J., Moreira E.G. Z-score, a tool for quality assurance of analytical results in neutron activation analysis // decision making. V. 1. P. 2. ISBN: 978-85-99141-08-3. https://www.academia.edu/download/77374444/26152.pdf

29. Guo J., Wang Y., Sun X., Liu S., Du B. Imbalanced data fault diagnosis method for nuclear power plants based on convolutional variational autoencoding Wasserstein generative adversarial network and random forest // Nuclear Engineering and Technology, 2024. V. 56. № 12. P. 5055 – 5067. DOI: 10.1016/j.net.2024.07.015. PDF: https://www.sciencedirect.com/ science/article/pii/S1738573324003309.

30. Yang Y., Wang H. Random Forest-Based Machine Failure Prediction: A Performance Comparison // Applied Sciences, 2025. V. 15. № 16. P. 8841. DOI: 10.3390/app15168841.

31. Shen Z., Shrestha S., Howard D., Feng T., Hun D., She B. Machine learning–assisted prediction of heat fluxes through thermally anisotropic building envelopes // Building and Environment, 2023. V. 234. P. 110157. DOI: 10.1016/j. buildenv.2023.110157.

32. Sarker I. Machine learning: algorithms, real-world applications and research directions // SN Computer Science, 2021. V.2(3). P.160. DOI: 10.1007/s42979-021-00592-x.

33. Mena P., Borrelli R., Kerby L. Expanded analysis of machine learning models for nuclear transient identification using TPOT // Nuclear Engineering and Design, 2022. V. 390(2). P. 111694. DOI:10.1016/j.nucengdes.2022.111694.

34. Jiang Y., Li J., Zhang Y. Fatigue Detection Algorithm for Nuclear Power Plant Operators Based on Random Forest and Back Propagation Neural Networks. // Mathematics, 2025. V. 13. № 5. P. 774. DOI: 10.3390/math13050774.

35. Delov M.I., Litvintsova Y.E., Kuzmenkov D.M. Diagnostics of transient heat transfer regimes based on statistical and frequency analysis of temperature fluctuations // Experimental Heat Transfer, 2020. V. 33. № 5. P. 471 – 486. DOI: 10.1080/08916152.2019.1662517