用于紧凑型熔盐换热器中重叠特征分布下早期异常检测的可解释机器学习

为什么保持反应堆健康很重要

现代核反应堆承诺提供更清洁的电力，但前提是其关键部件保持健康可靠。其中最脆弱的部件之一是换热器——把反应堆的高温流体的热量传递到最终驱动涡轮的二次回路的金属“散热器”。如果该装置内部通道开始堵塞并部分结固，性能会下降，安全裕度也会缩小——但早期的警示信号非常微弱，传统监测常常无法察觉。本文探讨了一种新的、传感器密集型的换热器设计与可解释人工智能结合，如何及时识别这些微弱的危险信号，供操作员采取行动。

一种新型的核散热器

研究聚焦于新一代熔盐冷却反应堆，它们使用液态盐而非水来传导热量。这些熔盐工作温度很高但压力较低，带来效率与安全上的好处。但它们的缺点是可能部分固化并堵塞换热器内的小通道。现有电厂主要监测设备的进出口温度和压力——就像只在手腕和脚踝测体温来判断整体健康一样。影响仅有少数通道的早期堵塞几乎不会改变这些整体读数，因此会被标准监测漏掉。

用光“听”热量

为了解决这一盲区，作者提出了一种紧凑的“矩阵”换热器，由紧密排列的平行管和薄金属板构成。在这些板的边缘设想布置光纤电缆，作为数百个微小温度计。沿光纤发送的光脉冲通过散射可以揭示沿长度每几毫米的温度分布。这种分布式温度感测将换热器表面变为详细的热图，因此部分堵塞的通道会在邻近金属上留下微小但可检测的偏暖或偏冷指纹。

教机器识别微弱故障

由于该概念仍在开发中，团队使用高保真计算模拟来模拟换热器在正常运行和数十种故障情形下的表现。他们模拟了不同程度的通道堵塞——轻度、中度和严重，并加入了来自真实传感器实验的现实测量噪声。关键在于，只有大约3%的模拟案例包含故障，反映了真实故障的稀少性，从而造成强不平衡的数据集。在许多早期故障情况下，健康与异常通道的温度模式几乎完全重叠，即使用先进算法也难以区分。

寻找最佳的数字看门狗

研究人员比较了八种常见的机器学习方法，从简单的逻辑回归到神经网络以及先进的基于树的“集成”模型。他们不仅评估每种模型的整体准确率，还考察它们在处理稀有故障时如何避免向操作员发出大量误报。极端梯度提升（XGBoost）成为最可靠的看门狗。它在识别严重堵塞并将其与正常行为区分方面表现尤为出色，同时在最棘手的轻度堵塞上也优于竞争对手。重要的是，其预测速度足够快，可实时运行，符合工业控制系统的更新周期。

为安全打开黑箱

鉴于核系统的安全关键性，团队不仅关注原始精度，还探究模型为何做出每个决策。他们结合了两种工具：Shapley值，用于衡量每个输入（例如某个特定温度读数或传感器位置）将预测推向“正常”或“故障”的程度；以及部分有序集（partially ordered sets），在影响过于相近以致无法自信排序时将特征分组。这种混合方法揭示了某一特定的分布式出口温度测量始终是信息量最大的线索，但也显示出在早期微妙故障中需要将多个传感器一起考虑。通过清晰标示出最强信号和不确定的灰色区域，该方法帮助操作员在不盲目信任模型的情况下建立信任。

这对未来反应堆意味着什么

简而言之，这项工作表明，将细尺度的光纤温度感测与精心挑选的可解释机器学习模型结合，可以捕捉先进核换热器内部堵塞的最早迹象。操作员无需等待明显的性能大幅下降，就能在仅有少数通道开始异常时收到警报，并看到设备中哪些部位最可疑以及哪些传感器读数促成了该结论。如果在硬件中实现，这一方法可降低维护成本、减少计划外停机，并为下一代核电厂增加一层防护。

引用: 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

关键词: 熔盐反应堆, 换热器监测, 异常检测, 光纤温度传感, 可解释机器学习