Aprendizaje automático explicable para la detección incipiente de anomalías en intercambiadores de calor compactos de sal fundida con distribuciones de características superpuestas

Por qué importa mantener los reactores en buen estado

Los reactores nucleares modernos prometen energía más limpia, pero solo si sus componentes clave se mantienen saludables y fiables. Uno de los elementos más vulnerables es el intercambiador de calor, el “radiador” metálico que transfiere calor del fluido caliente del reactor a un circuito secundario que, finalmente, hace girar una turbina. Si los conductos dentro de este dispositivo empiezan a obstruirse y solidificarse, el rendimiento cae y los márgenes de seguridad pueden reducirse; sin embargo, las señales tempranas son tan sutiles que la monitorización tradicional a menudo no las detecta. Este artículo explora cómo un nuevo diseño de intercambiador de calor rico en sensores, combinado con inteligencia artificial explicable, podría detectar esas señales débiles de peligro a tiempo para que los operadores actúen.

Un nuevo tipo de radiador nuclear

El estudio se centra en reactores de próxima generación refrigerados por sal fundida, que usan sales líquidas en lugar de agua para transportar el calor. Estas sales circulan a temperaturas muy altas pero a baja presión, lo que ofrece ventajas de eficiencia y seguridad. Su inconveniente es que pueden solidificarse parcialmente y obstruir canales pequeños dentro de los intercambiadores de calor. Las plantas actuales supervisan principalmente temperaturas y presiones en la entrada y salida del equipo —como si solo se midiera la temperatura de una persona en la muñeca y el tobillo para evaluar su salud general. Las obstrucciones iniciales, que afectan solo a unos pocos canales, apenas alteran estas lecturas globales y, por tanto, pasan desapercibidas para la monitorización estándar.

Escuchar el calor con luz

Para superar este punto ciego, los autores proponen un intercambiador de calor compacto en “matriz” construido con arreglos densamente empaquetados de tubos paralelos separados por placas metálicas delgadas. A lo largo de los bordes de estas placas imaginan introducir cables de fibra óptica que actúen como cientos de pequeños termómetros. Pulsos de luz enviados por las fibras se dispersan de formas que revelan la temperatura cada pocos milímetros a lo largo de su longitud. Este sensado de temperatura distribuido convierte la superficie del intercambiador en un mapa térmico detallado, de modo que un canal parcialmente bloqueado deja una huella térmica cálida o fría pequeña pero detectable en el metal vecino.

Enseñar a las máquinas a detectar problemas leves

Como este concepto aún se está desarrollando, el equipo utilizó simulaciones por ordenador de alta fidelidad para imitar el comportamiento del intercambiador en operación normal y en docenas de escenarios de falla. Modelaron distintos grados de taponamiento de canales —leve, moderado y severo— y añadieron ruido de medida realista extraído de experimentos con sensores. Crucialmente, solo alrededor del 3 % de los casos simulados contenían fallos, reflejando la rareza de los problemas reales y creando un conjunto de datos fuertemente desequilibrado. En muchos casos de falla temprana, los patrones de temperatura de los canales sanos y los enfermos se solapaban casi por completo, lo que los hacía difíciles de distinguir incluso para algoritmos avanzados.

Encontrar el mejor vigilante digital

Los investigadores compararon ocho métodos comunes de aprendizaje automático, desde una regresión logística simple hasta redes neuronales y modelos “ensemble” avanzados basados en árboles. Evaluaron no solo con qué frecuencia acertaba cada modelo, sino también cómo manejaba los raros casos de fallo sin inundar a los operadores con falsas alarmas. Extreme Gradient Boosting, o XGBoost, emergió como el vigilante más fiable. Fue especialmente eficaz para reconocer obstrucciones severas y diferenciarlas del comportamiento normal, al tiempo que superó a sus rivales en los casos más difíciles de taponamientos leves. Es importante destacar que sus predicciones eran lo bastante rápidas para ejecutarse en tiempo real, encajando en los ciclos de actualización de los sistemas de control industrial.

Abrir la caja negra por seguridad

Dado que los sistemas nucleares son críticos para la seguridad, el equipo fue más allá de la mera exactitud y preguntó por qué el modelo tomaba cada decisión. Combinaron dos herramientas: valores de Shapley, que miden cuánto empuja cada entrada (por ejemplo, una lectura de temperatura concreta o la posición de un sensor) una predicción hacia “normal” o “fallo”; y conjuntos parcialmente ordenados, que agrupan características cuando su influencia es demasiado similar para ser jerarquizada con confianza. Este enfoque híbrido reveló que una medición distribuida de la temperatura de salida en particular era de forma consistente la pista más informativa, pero también mostró cuándo era necesario considerar múltiples sensores conjuntamente para detectar fallos tempranos y sutiles. Al marcar claramente tanto las señales más fuertes como las zonas grises de incertidumbre, el método ayuda a que los operadores confíen en el modelo sin otorgarle una autoridad ciega.

Qué significa esto para los reactores del futuro

En términos sencillos, el trabajo muestra que combinar un sensado de temperatura por fibra óptica de alta resolución con modelos de aprendizaje automático explicables y cuidadosamente elegidos puede detectar los signos más tempranos de obstrucción dentro de intercambiadores de calor nucleares avanzados. En lugar de esperar grandes y evidentes caídas de rendimiento, los operadores podrían recibir alertas cuando solo unos pocos canales empiezan a comportarse mal, e incluso ver qué partes del dispositivo son las más sospechosas y qué lecturas de sensores motivaron esa conclusión. Si se materializa en hardware, este enfoque podría reducir los costes de mantenimiento, disminuir las paradas no programadas y añadir una capa adicional de protección a la próxima generación de centrales nucleares.

Cita: 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

Palabras clave: reactores de sal fundida, monitorización de intercambiadores de calor, detección de anomalías, sensado de temperatura por fibra óptica, aprendizaje automático explicable