Объяснимая машинная обработка для раннего обнаружения аномалий в компактном теплообменнике с расплавленной солью при пересекающихся распределениях признаков

Почему важно поддерживать реакторы в работоспособном состоянии

Современные ядерные реакторы обещают более чистую энергию, но только если их ключевые компоненты остаются исправными и надежными. Одним из наиболее уязвимых элементов является теплообменник — металлический «радиатор», который передает теплоту от горячей рабочей среды реактора во вторичный контур, где в итоге приводится в движение турбина. Если каналы внутри этого устройства начинают засоряться и частично застывать, производительность падает, а запасы безопасности сокращаются — при этом ранние признаки таких проблем настолько тонки, что традиционные системы мониторинга часто их не замечают. В этой статье рассматривается, как новая конструкция теплообменника с большим количеством датчиков в сочетании с объяснимым искусственным интеллектом может обнаруживать эти слабые сигналы опасности вовремя, чтобы операторы могли принять меры.

Новый тип ядерного «радиатора»

Исследование сосредоточено на реакторах следующего поколения с охлаждением расплавленной солью, где для переноса тепла используется жидкая соль вместо воды. Эти соли работают при очень высоких температурах, но при низком давлении, что дает преимущества по эффективности и безопасности. Их недостаток в том, что они могут частично кристаллизоваться и забивать мелкие каналы в теплообменниках. На сегодняшних установках в основном отслеживают температуры и давления на входе и выходе оборудования — это похоже на проверку температуры человека только на запястье и щиколотке, чтобы судить о его общем состоянии. Ранние засоры, затрагивающие лишь несколько каналов, едва изменяют такие суммарные показатели и поэтому ускользают от стандартного мониторинга.

Слушая тепло с помощью света

Чтобы преодолеть эту «слепую зону», авторы предлагают компактный матричный теплообменник, собранный из плотно упакованных параллельных труб, разделенных тонкими металлическими пластинами. По краям этих пластин они предлагают протянуть оптоволоконные кабели, которые выступают сотнями крошечных термометров. Световые импульсы, посылаемые по волокну, рассеиваются таким образом, что позволяют определять температуру каждые несколько миллиметров вдоль длины. Такое распределенное температурное зондирование превращает поверхность теплообменника в детальную тепловую карту, так что частично забитый канал оставляет небольшой, но обнаружимый теплый или холодный отпечаток на соседнем металле.

Обучение машин замечать слабые признаки неполадок

Поскольку концепция все еще разрабатывается, команда использовала высокоточные компьютерные симуляции, чтобы смоделировать поведение теплообменника в нормальном режиме и в десятках сценариев неисправностей. Они моделировали разные степени засорения каналов — слабое, умеренное и сильное — и добавляли реалистичный измерительный шум, взятый из экспериментов с реальными датчиками. Существенно, что лишь около 3 % смоделированных случаев содержали неисправности, что отражает редкость реальных проблем и создает сильно несбалансированный набор данных. Во многих случаях ранних неисправностей температурные шаблоны для здоровых и повреждённых каналов почти полностью пересекались, делая их трудноотличимыми даже для современных алгоритмов.

Поиск лучшего цифрового дозора

Исследователи сравнили восемь широко используемых методов машинного обучения — от простой логистической регрессии до нейронных сетей и продвинутых ансамблевых моделей на основе деревьев решений. Они оценивали не только частоту правильных предсказаний каждой модели, но и то, как хорошо модель справляется с редкими случаями отказов, не заваливая операторов ложными тревогами. Лидером по надежности оказался алгоритм Extreme Gradient Boosting, или XGBoost. Он особенно хорошо распознавал тяжелые засоры и отличал их от нормального поведения, при этом превосходя конкурентов и в самых сложных случаях легких засоров. Важно, что его предсказания были достаточно быстрыми для работы в реальном времени и укладывались в циклы обновления промышленных систем управления.

Открывая «черный ящик» ради безопасности

Поскольку ядерные системы критичны для безопасности, команда пошла дальше простой точности и изучила причины решений модели. Они объединили два инструмента: значения Шепли, которые измеряют, насколько каждый вход (например, конкретное температурное показание или позиция датчика) сдвигает прогноз в сторону «норма» или «сбой», и частично упорядоченные множества, которые группируют признаки, когда их влияние слишком похоже, чтобы уверенно ранжировать их. Этот гибридный подход показал, что одно конкретное распределенное измерение температуры на выходе стабильно является наиболее информативной подсказкой, но также выяснил, когда для ранних, тонких неисправностей необходимо учитывать несколько датчиков совместно. Явно отмечая как самые сильные сигналы, так и зоны неопределенности, метод помогает операторам доверять модели, не отдавая ей слепой власти.

Что это означает для будущих реакторов

Проще говоря, работа демонстрирует, что сочетание детального оптоволоконного температурного зондирования с тщательно подобранными объяснимыми моделями машинного обучения может улавливать самые ранние признаки засоров внутри современных ядерных теплообменников. Вместо того чтобы ждать крупных, очевидных падений производительности, операторы могли бы получать предупреждения, когда лишь несколько каналов начинают работать неправильно, и даже видеть, какие части устройства вызывают подозрения и какие показания датчиков привели к такому выводу. При реализации в аппаратуре этот подход может снизить затраты на обслуживание, уменьшить незапланированные простои и добавить еще один уровень защиты для реакторов следующего поколения.

Цитирование: 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

Ключевые слова: реакторы на расплавленной соли, мониторинг теплообменников, обнаружение аномалий, оптоволоконное температурное зондирование, объяснимая машинная разработка