El ciclo del combustible nuclear forma la base para la producción de materiales nucleares especiales utilizados en armas nucleares a través de una serie de operaciones industriales interdependientes. Estas operaciones industriales producen cada una emanaciones características que pueden ser recopiladas para determinar las firmas de las operaciones de las instalaciones. Se aplicaron técnicas de aprendizaje automático y aprendizaje profundo a los datos de sensores de campo magnético en series temporales recopilados en el Reactor de Isótopos de Alto Flujo (HFIR) para evaluar la viabilidad de determinar el estado operativo ON/OFF del reactor. Cuando los datos recopilados por el sensor cerca de los ventiladores de enfriamiento, posición 9, se transforman al dominio de la frecuencia, se encontró que tanto los métodos de aprendizaje automático como los de aprendizaje profundo pudieron clasificar el estado operativo del reactor con una precisión equilibrada de más del 90%. Este resultado sugiere que los métodos utilizados muestran promesa para su aplicación como técnicas para verificar actividades declaradas que involucran reactores nucleares. Se recomienda un esfuerzo adicional para desarrollar modelos y arquitecturas que capitalicen más plenamente la naturaleza temporal de los datos al incorporar la dependencia temporal del campo magnético para mejorar la robustez del modelo y el rendimiento de clasificación.