Erklärbares maschinelles Lernen zur Früherkennung von Anomalien in kompakten Wärmetauschern für geschmolzenes Salz mit überlappenden Merkmalsverteilungen

Warum es wichtig ist, Reaktoren gesund zu halten

Moderne Kernreaktoren versprechen sauberere Energie, aber nur, wenn ihre Schlüsselkomponenten gesund und zuverlässig bleiben. Eines der verwundbarsten Bauteile ist der Wärmetauscher, der metallene „Kühler“, der Wärme vom heißen Reaktorkühlmittel in einen sekundären Kreislauf überträgt, der letztlich eine Turbine antreibt. Wenn sich Durchgänge in diesem Bauteil zu verengen oder zu verstopfen beginnen, sinkt die Leistung und die Sicherheitsmargen können schwinden – doch die Frühwarnzeichen sind so subtil, dass traditionelle Überwachung sie oft übersieht. Dieser Artikel untersucht, wie ein neues, mit Sensoren durchsetztes Wärmetauscher‑Design in Kombination mit erklärbarer künstlicher Intelligenz diese schwachen Gefahrensignale rechtzeitig für das Eingreifen von Betreibern erkennen könnte.

Eine neue Art von nuklearem Kühler

Die Studie konzentriert sich auf die nächste Generation von mit geschmolzenem Salz gekühlten Reaktoren, die flüssige Salze statt Wasser zur Wärmeabfuhr nutzen. Diese Salze laufen sehr heiß, aber bei niedrigem Druck, was Vorteile bei Effizienz und Sicherheit bietet. Ihr Nachteil ist, dass sie teilweise erstarren und kleine Kanäle im Wärmetauscher verstopfen können. Die Anlagen von heute überwachen hauptsächlich Temperaturen und Drücke am Ein- und Ausgang des Geräts – vergleichbar damit, eine Person nur am Handgelenk und am Knöchel zu messen, um ihren Gesamtzustand zu beurteilen. Frühe Verstopfungen, die nur wenige Kanäle betreffen, verändern diese groben Messwerte kaum und entgehen daher der Standardüberwachung.

Mit Licht die Wärme abhören

Um diese blinde Stelle zu überwinden, schlagen die Autoren einen kompakten „Matrix“‑Wärmetauscher vor, der aus dicht gepackten Reihen parallel verlaufender Rohre besteht, die von dünnen Metallplatten getrennt sind. Entlang der Kanten dieser Platten sehen sie vor, faseroptische Kabel zu verlegen, die hunderte winziger Thermometer darstellen. Lichtimpulse, die durch die Fasern gesendet werden, streuen so, dass alle paar Millimeter Temperaturinformationen entlang ihrer Länge gewonnen werden. Diese verteilte Temperatursensorik verwandelt die Oberfläche des Wärmetauschers in eine detaillierte thermische Karte, sodass ein teilweise blockierter Kanal einen kleinen, aber nachweisbaren warmen oder kühlen Fingerabdruck im benachbarten Metall hinterlässt.

Maschinen beibringen, schwache Probleme zu erkennen

Da dieses Konzept noch in der Entwicklung ist, nutzte das Team hochauflösende Computersimulationen, um das Verhalten des Wärmetauschers im Normalbetrieb und in Dutzenden von Fehler­szenarien nachzubilden. Sie modellierten verschiedene Grade von Kanalverstopfungen – leicht, mittel und schwer – und fügten realistisches Messrauschen hinzu, das aus realen Sensorsversuchen stammt. Entscheidend ist, dass nur etwa 3 % der simulierten Fälle Fehler enthielten, was die Seltenheit realer Probleme widerspiegelt und einen stark unausgewogenen Datensatz erzeugt. In vielen Frühfehlerfällen überlappten die Temperaturmuster für gesunde und gestörte Kanäle nahezu vollständig, wodurch sie selbst für fortgeschrittene Algorithmen schwer zu unterscheiden waren.

Den besten digitalen Wächter finden

Die Forschenden verglichen acht gängige Methoden des maschinellen Lernens, von einfacher logistischer Regression über neuronale Netze bis hin zu fortgeschrittenen baumbasierten Ensemble‑Modellen. Sie bewerteten nicht nur die allgemeine Trefferquote jedes Modells, sondern auch, wie gut es mit den seltenen Fehlerfällen umging, ohne die Betreiber mit Fehlalarmen zu überfluten. Extreme Gradient Boosting, kurz XGBoost, erwies sich als verlässlichster Wächter. Es war besonders stark bei der Erkennung schwerer Verstopfungen und dabei, diese vom normalen Verhalten zu unterscheiden, während es auch bei den schwierigsten leichten Verstopfungen besser abschnitt als die Konkurrenz. Wichtig ist, dass seine Vorhersagen schnell genug waren, um in Echtzeit zu laufen und in die Aktualisierungszyklen industrieller Steuerungssysteme zu passen.

Die Black Box für die Sicherheit öffnen

Da nukleare Systeme sicherheitskritisch sind, gingen die Forschenden über bloße Genauigkeit hinaus und untersuchten, warum das Modell jede Entscheidung traf. Sie kombinierten zwei Werkzeuge: Shapley‑Werte, die messen, wie stark jeder Eingangswert (etwa ein bestimmter Temperaturwert oder eine Sensorposition) eine Vorhersage in Richtung „normal“ oder „fehlerhaft“ zieht, und teilweise geordnete Mengen, die Merkmale gruppieren, wenn ihr Einfluss zu ähnlich ist, um sie sicher zu ranken. Dieser hybride Ansatz zeigte, dass eine spezifische verteilte Austrittstemperaturmessung durchgängig der informativste Hinweis war, gleichzeitig machte er deutlich, wann mehrere Sensoren gemeinsam betrachtet werden mussten, um frühe, subtile Fehler zu erkennen. Indem sowohl die stärksten Signale als auch die unsicheren Grauzonen klar markiert wurden, hilft die Methode den Betreibern, dem Modell zu vertrauen, ohne ihm blindes Vertrauen zu schenken.

Was das für zukünftige Reaktoren bedeutet

Einfach gesagt zeigt die Arbeit, dass die Kombination fein abgestufter faseroptischer Temperatursensorik mit sorgfältig ausgewählten, erklärbaren Modellen des maschinellen Lernens die frühesten Anzeichen von Verstopfungen in fortschrittlichen nuklearen Wärmetauschern erfassen kann. Anstatt auf große, offensichtliche Leistungsabfälle zu warten, könnten Betreiber alarmiert werden, sobald nur wenige Kanäle zu Fehlverhalten neigen, und sogar sehen, welche Bereiche des Geräts am verdächtigsten sind und welche Sensorwerte zu dieser Einschätzung geführt haben. Wenn dies hardwareseitig realisiert wird, könnte dieser Ansatz Wartungskosten senken, ungeplante Ausfälle reduzieren und der nächsten Reaktorengeneration eine zusätzliche Sicherheitsschicht hinzufügen.

Zitation: Prantikos, K., Lee, T., Hua, T.Q. et al. Explainable machine learning for incipient anomaly detection in compact molten salt heat exchanger with overlapping feature distributions. Sci Rep 16, 8293 (2026). https://doi.org/10.1038/s41598-025-27112-8

Schlüsselwörter: Reaktoren mit geschmolzenem Salz, Überwachung von Wärmetauschern, Anomalieerkennung, faseroptische Temperatursensorik, erklärbares maschinelles Lernen