Erklärbare KI erkennt Blockaden in Wärmetauschern von Molten‑Salt‑Reaktoren

Forscher des Argonne National Laboratory haben einen Prototyp‑Wärmetauscher vorgestellt, der ein dichtes Netzwerk von Faser‑Optik‑Sensoren mit einem erklärbaren Machine‑Learning‑Modell kombiniert. Das Gerät ist für mit geschmolzenem Salz gekühlte Reaktoren konzipiert, bei denen das Salz bei Temperaturen um 500 °C erstarren kann und so den Durchfluss in den vielen Kanälen des Tauschsystems behindert.

Typische Molten‑Salt‑Wärmetauscher besitzen zwischen 2 000 und 4 000 parallele Kanäle. Die herkömmliche Überwachung stützt sich auf Ein‑ und Austrittstemperatur‑ sowie Druckmessungen, die frühe Blockierungsstadien tief im Kanal übersehen können.

Sensorintegration ohne Verlust der Integrität

Das Argonne‑Team platzierte die Faser‑Optik‑Sensoren auf den internen Tragstrukturen des Wärmetauschers, statt durch die Hochdruckbehälterwand zu bohren. Dieser Ansatz bewahrt die mechanische Integrität des Bauteils und liefert gleichzeitig verteilte Temperatur‑ und Dehnungsdaten über die gesamte Matrix.

Acht verschiedene Machine‑Learning‑Modelle wurden mit fast 5 000 synthetischen, rausch‑augmentierten Datensätzen trainiert, die unterschiedliche Blockierungsszenarien simulierten. Laut dem deutschen Tech‑News‑Portal t3n erzielte der Gradient‑Boosting‑Algorithmus XGBoost die beste Erkennungsleistung.

Bei schweren Blockaden – Fällen, in denen das erstarrte Salz einen großen Teil eines Kanals einnimmt – erreichte das Modell eine Trefferquote (Recall) von 0,99, also 99 % korrekte Identifikation kritischer Ereignisse. Die Empfindlichkeit sank jedoch deutlich bei schwachen Anomalien, deren Signatur stark den Normalbetrieb nachahmt.

Erklärbarkeit mittels Shapley‑Werten

Um eine Black‑Box‑Lösung zu vermeiden, wendeten die Forscher Shapley‑Wert‑Analysen und partielle Ordnungsdiagnostik an. Diese Techniken quantifizieren, wie jeder Sensorsignal zum finalen Alarm beiträgt, und zeigen, welche Bereiche des Wärmetauschers den größten Einfluss auf die Modellentscheidung hatten.

Die Erklärbarkeits‑Schicht offenbarte zudem Zonen konstanter Unsicherheit, in denen das Modell nicht eindeutig zwischen harmlosen Temperaturschwankungen und dem Beginn einer Blockade unterscheiden konnte. Diese Information ist für Betreiber entscheidend, um zu entscheiden, ob ein Eingriff nötig ist oder weiter beobachtet werden soll.

Vom Laborprototyp zum Einsatzwerkzeug

Die Prototyp‑Ergebnisse wurden in der Fachzeitschrift Scientific Reports veröffentlicht. Der Artikel betont, dass das System noch im Labor‑Validierungsstadium ist und weder kommerziell eingesetzt noch regulatorisch zertifiziert wurde.

• Faser‑Optik‑Sensoren in internen Trägern eingebettet
• XGBoost‑Modell nach Test von acht Algorithmen gewählt
• Recall von 0,99 für hochgradige Blockaden
• Erklärbarkeit mittels Shapley‑Werten zur Rückverfolgung der Sensorsignale
• Validiert mit ca. 5 000 synthetischen, rauschbehafteten Datensätzen

Tech Xplore berichtete am 22. September 2026 über die Entwicklung und wies darauf hin, dass die Echtzeit‑KI‑Überwachung ungeplante Abschaltungen reduzieren und die Lebensdauer von Komponenten verlängern könnte, wenn sie auf großskalige Reaktoren übertragen wird.

Die erklärbare KI‑Lösung liefert nicht nur eine binäre Alarmmeldung, sondern ermöglicht eine differenzierte Bewertung des Risikograds, indem sie die relative Gewichtung jedes Sensorsignals offenlegt. Dadurch können Betreiber gezielt prüfen, welche Kanalabschnitte besonders anfällig sind, und präventive Maßnahmen ergreifen, bevor ein kritischer Schwellenwert überschritten wird. Der diagnostische Mehrwert entsteht aus der Kombination von hochauflösenden Temperatur‑ und Dehnungsdaten mit einer transparenten Entscheidungslogik, die das Vertrauen in automatisierte Überwachungssysteme stärkt.

Obwohl das Modell bei stark ausgeprägten Blockaden nahezu fehlerfrei arbeitet, zeigen die Tests, dass die Sensitivität bei schwachen Anomalien deutlich abnimmt. Diese Schwäche resultiert aus der geringen Unterscheidbarkeit von kleinen Temperaturabweichungen gegenüber normalen Betriebsfluktuationen. Als Konsequenz müssen Betreiber in diesen Bereichen zusätzliche Sicherheitsmargen einplanen oder ergänzende Messgrößen einbinden, um Fehlalarme zu minimieren und gleichzeitig das Risiko übersehener Frühstadien zu reduzieren.

Die Validierung des Prototyps beruhte ausschließlich auf synthetisch erzeugten, rauschaugmentierten Datensätzen, die verschiedene Blockierungsszenarien simulierten. Diese Vorgehensweise erlaubt eine kontrollierte Bewertung der Modellleistung, birgt jedoch das Risiko, dass reale Betriebsbedingungen mit unvorhergesehenen Störgrößen nicht vollständig abgebildet werden. Deshalb ist ein weiterer Verifikationsschritt nötig, bei dem das System in einer realen Testanlage unter echten thermischen und mechanischen Belastungen geprüft wird, um die Generalisierbarkeit der Ergebnisse zu bestätigen.

Ein zentrales Element der Erklärbarkeit ist die Shapley‑Wert‑Analyse, die jedem einzelnen Sensorsignal einen quantitativen Beitrag zur Modellentscheidung zuweist. Diese Transparenz ermöglicht es, systematisch Zonen konstanter Unsicherheit zu identifizieren, in denen das Modell zwischen harmlosen Schwankungen und beginnenden Blockaden nicht klar differenzieren kann. Betreiber können diese Erkenntnisse nutzen, um gezielt zusätzliche Sensoren zu platzieren oder die Schwellenwerte für Alarme anzupassen, wodurch die Gesamtzuverlässigkeit der Überwachung erhöht wird.

Die Integration der Faser‑Optik‑Sensoren in die internen Trägerstrukturen bewahrt die strukturelle Integrität des Wärmetauschers, vermeidet jedoch potenzielle Herausforderungen bei der langfristigen Kalibrierung und dem Ausfallmanagement. Da die Sensoren nicht nachträglich ausgetauscht werden können, müssen Wartungsstrategien entwickelt werden, die eine kontinuierliche Überwachung der Sensorleistung und frühzeitige Diagnose von Degradationserscheinungen einschließen, um Ausfallrisiken zu minimieren.

Aus praktischer Sicht eröffnet die Technologie die Möglichkeit, Wartungsinterventionen datenbasiert zu planen, anstatt auf festgelegte Intervallpläne zurückzugreifen. Durch die frühzeitige Erkennung von Blockaden kann die Stillstandszeit reduziert und die Lebensdauer kritischer Komponenten verlängert werden. Gleichzeitig erfordert die Einführung solcher Systeme jedoch eine Anpassung der betrieblichen Abläufe, Schulungen des Personals im Umgang mit KI‑gestützten Alarmen und die Integration in bestehende regulatorische Prüfprozesse, um die Sicherheit und Konformität langfristig zu gewährleisten.

Für ein deutsch‑sprachiges Unternehmen, das Molten‑Salt‑Reaktoren betreibt oder plant, bedeutet dieser Durchbruch einen möglichen Weg zu früherer Erkennung von flussbehindernder Erstarrung, geringerer Gefahr von katastrophaler Überhitzung und datengetriebenen Wartungsplänen. Obwohl die Technologie noch nicht zertifiziert ist, entspricht ihre erklärbare Natur den Anforderungen der Industrie an Transparenz und regulatorische Konformität und macht sie zu einem vielversprechenden Kandidaten für zukünftige Sicherheits‑Upgrades.