في ظل الطلب المتزايد على الطاقة النظيفة، تبرز التقنيات النووية كحل واعد مكمل لمصادر الطاقة المتجددة. لكن، التصميم والتشغيل لنظم الطاقة النووية يعتبر تحديا كبيرا، نظرًا لتعقيد الظواهر الفيزيائية التي تتفاعل لتشكيل ديناميكيات النظام. بينما تساعد المحاكاة عالية الدقة في فهم التفاعلات غير الخطية والمتعددة الفيزياء داخل المفاعل، إلا أن تكلفتها الحسابية مرتفعة، وغالبًا ما لا تكون مناسبة للتطبيقات في الوقت الحقيقي.

من جهة أخرى، توفر أساليب التعلم الآلي (Machine Learning) إمكانية إنتاج نماذج بديلة يمكنها التنبؤ بسلوك النظام بسرعة أكبر. ولكن، هناك عدد كبير ومتعدد من الأساليب المعتمدة على البيانات التي يمكن استخدامها لهذه المهمة. في ظل الأهمية البالغة للأمان في مجال الهندسة النووية، يصبح من الضروري المقارنة بين أساليب التعلم الآلي المختلفة وفهم مزاياها وعيوبها بوضوح.

استجابةً لهذه التحديات، نقدم إطار عمل مشترك (Common Task Framework - CTF) للاستخدام في مجال الهندسة النووية، مبني على جهود سابقة في نظم الديناميكا والزلزلة. يأخذ هذا الإطار في الاعتبار مجموعة من البيانات المراقبة من نظم نووية متنوعة. يتم تقييم أداء الأساليب وفقًا لـ 12 مقياسًا محددًا، بالإضافة إلى نمط جديد يركز على مراقبة النظام من خلال قياسات متفرقة فقط.

نستعرض هذا الإطار من خلال اختبار المقاييس الأساسية للتعلم الآلي ضد هذه البيانات، مما يبرز القيود الحالية للأساليب. رؤيتنا هي استبدال المقارنات العشوائية بتقييمات موحدة على مجموعات اختبار مخفية، مما يرفع من مستوى الدقة وقابلية التكرار في تطبيقات التعلم الآلي العلمية في صناعة النووية.