Förklarbar maskininlärning för upptäckt av begynnande avvikelser i kompakt smält salts värmeväxlare med överlappande funktionsfördelningar

Varför det är viktigt att hålla reaktorerna friska

Moderna kärnreaktorer lovar renare energi, men bara om deras nyckelkomponenter förblir friska och tillförlitliga. En av de mest sårbara delarna är värmeväxlaren, den metalliska ”radiatorn” som överför värme från reaktorns varma vätska till en sekundär slinga som så småningom driver en turbin. Om kanaler i denna enhet börjar täppas igen och delvis stelna sjunker prestandan och säkerhetsmarginalerna kan minska — ändå är de tidiga varningstecknen så subtila att traditionell övervakning ofta missar dem. Den här artikeln undersöker hur en ny sensorrik värmeväxlardesign, i kombination med förklarbar artificiell intelligens, skulle kunna upptäcka dessa svaga farosignaler i tid för att operatörer ska kunna agera.

En ny typ av kärn‑radiator

Studien fokuserar på nästa generations smält saltskylda reaktorer, som använder flytande salter i stället för vatten för att transportera värme. Dessa salter strömmar mycket varmt men vid lågt tryck, vilket ger effektivitetsoch säkerhetsfördelar. Nackdelen är att de kan delvis stelna och täppa igen små kanaler inne i värmeväxlarna. Dagens anläggningar övervakar främst temperaturer och tryck vid utrustningens inlopp och utlopp — ungefär som att bara mäta en persons temperatur vid handled och fotled för att bedöma deras allmänna hälsa. Tidiga tilltäppningar som påverkar bara några få kanaler förändrar knappt dessa samlade mätvärden och passerar därför förbi standardövervakning.

Lyssna på värme med ljus

För att överbrygga denna blinda fläck föreslår författarna en kompakt ”matris”värmeväxlare byggd av tätt packade parallella rör separerade av tunna metallplåtar. Längs kanterna av dessa plåtar tänker de sig att träda in fiberoptiska kablar som fungerar som hundratals små termometrar. Ljuspulser som skickas ner i fibrerna sprids på sätt som avslöjar temperatur vart par millimeter längs deras längd. Denna distribuerade temperatursensorik förvandlar värmeväxlarens yta till en detaljerad termisk karta, så att en delvis blockerad kanal lämnar ett litet men detekterbart varmt eller kallt fingeravtryck på den närliggande metallen.

Lära maskiner att upptäcka svagt besvär

Eftersom konceptet fortfarande utvecklas använde teamet högfidelitetsdatorsimuleringar för att efterlikna hur värmeväxlaren beter sig vid normal drift och i flera dussin fel‑scenarier. De modellerade olika grader av kanalblockering — lindrig, måttlig och svår — och lade till realistiskt mätbrus hämtat från verkliga sensorexperiment. Avgörande var att endast cirka 3 % av de simulerade fallen innehöll fel, vilket speglar hur sällsynta verkliga problem är och skapade en starkt obalanserad datamängd. I många tidiga fel‑fall överlappade temperaturmönstren för friska och påverkade kanaler nästan helt, vilket gjorde dem svåra att skilja även för avancerade algoritmer.

Hitta den bästa digitala vakthunden

Forskarna jämförde åtta vanliga maskininlärningsmetoder, från enkel logistisk regression till neurala nätverk och avancerade träd‑baserade ”ensemble”modeller. De utvärderade inte bara hur ofta varje modell hade rätt, utan också hur väl den hanterade de sällsynta felfallen utan att överösa operatörer med falsklarm. Extreme Gradient Boosting, eller XGBoost, framträdde som den mest pålitliga vakthunden. Den var särskilt stark vid igenkänning av svåra blockeringar och att skilja dessa från normalt beteende, samtidigt som den ändå presterade bättre än konkurrenterna på de knepigaste lindriga tilltäppningarna. Viktigt är att dess prediktioner var snabba nog att köras i realtid, inom uppdateringscyklerna för industriella styrsystem.

Öppna svart lådan för säkerhet

Eftersom kärnsystem är säkerhetskritiska gick teamet längre än ren noggrannhet och frågade varför modellen fattade varje beslut. De kombinerade två verktyg: Shapley‑värden, som mäter hur mycket varje indata (såsom ett särskilt temperaturvärde eller sensorposition) driver en prediktion mot ”normal” eller ”felaktig”, och partiellt ordnade mängder, som grupperar funktioner när deras inflytande är för likt för att säkert rangordna. Detta hybrida angreppssätt avslöjade att en specifik distribuerad utloppstemperaturmätning konsekvent var den mest informativa ledtråden, men visade också när flera sensorer behövde betraktas tillsammans för tidiga, subtila fel. Genom att tydligt markera både de starkaste signalerna och de osäkra gråzonerna hjälper metoden operatörer att lita på modellen utan att ge den blind auktoritet.

Vad detta betyder för framtida reaktorer

Enkelt uttryckt visar arbetet att en kombination av finfördelad fiberoptisk temperatursensorik och noggrant utvalda, förklarbara maskininlärningsmodeller kan fånga de tidigaste tecknen på tilltäppning i avancerade kärnvärmeväxlare. I stället för att vänta på stora, uppenbara prestandafall kan operatörer få aviseringar när bara några få kanaler börjar bete sig felaktigt, och till och med se vilka delar av enheten som är mest misstänkta och vilka sensormätningar som låg till grund för slutsatsen. Om detta förverkligas i hårdvara kan tillvägagångssättet sänka underhållskostnader, minska oplanerade driftstopp och lägga till ett extra skyddsskikt för nästa generations kärnkraftverk.

Citering: 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

Nyckelord: smältsaltsreaktorer, övervakning av värmeväxlare, avvikelsedetektering, fiberoptisk temperatursensorik, förklarbar maskininlärning