説明可能AIが溶融塩リアクター熱交換器の詰まりを検知

アルゴン国立研究所の研究者は、密集した光ファイバーセンサーと説明可能な機械学習モデルを統合したプロトタイプ熱交換器を発表しました。この装置は溶融塩冷却リアクター向けに設計されており、温度が約500°Cに低下すると塩が固化し、交換器内の多数のチャンネルの流れを遮断する恐れがあります。

典型的な溶融塩熱交換器は2,000〜4,000本の平行チャンネルを有します。従来の監視は入口・出口の温度と圧力の計測に依存しており、チャンネル内部深くで発生する詰まりの初期段階を見逃すことがあります。

センサー統合と構造保全の両立

アルゴンチームは高圧容器壁を穿孔せず、内部サポート構造に光ファイバーセンサーを配置しました。この手法により部品の機械的完全性を保ちつつ、マトリックス全体にわたる温度とひずみデータを取得できます。

光ファイバーは数千本の独立チャネルとして配置され、各チャネルから得られる微小な温度変化とひずみ情報がリアルタイムでデジタル化されます。データは高速データバスを介して集中制御ユニットに送られ、そこから機械学習アルゴリズムが解析を行います。

機械学習モデルの選定と学習プロセス

8つの異なる機械学習モデルを、約5,000件の合成・ノイズ拡張データセットで学習させました。ドイツのテックニュースサイトt3nによれば、勾配ブースティングアルゴリズムXGBoostが最も高い検出性能を示しました。

学習データは、シミュレーションによって生成された正常流動パターン、軽度の固化兆候、そして重大な詰まりシナリオを含み、各シナリオに対してセンサー出力のノイズモデルを重畳させました。これによりモデルは実運転環境の変動に対して頑健性を持ちます。

重大な詰まり、すなわち固化塩がチャンネルの大部分を占めるケースでは、モデルは0.99の再現率を達成し、99％の重大事象を正しく識別しました。ただし、正常運転と類似した微弱な異常に対しては感度が大幅に低下しました。

Shapley値による説明性の確保

ブラックボックス化を避けるため、研究者はShapley値解析と部分順序診断を適用しました。これらの手法は各センサーの読取が最終アラームにどの程度寄与したかを定量化し、モデル決定に最も影響した交換器領域を明らかにします。

説明層はまた、モデルが無害な温度変動と詰まりの初期兆候を区別できない持続的な曖昧領域を示しました。この情報は、介入すべきか監視を続けるべきかを判断するオペレーターにとって重要です。

実験室プロトタイプから実用ツールへ

プロトタイプの結果はピアレビュー誌『Scientific Reports』に掲載されました。論文は本システムがまだ実験室での検証段階にあり、商業展開や規制認証は受けていないことを強調しています。

• 内部サポートに埋め込んだ光ファイバーセンサー
• 8つのアルゴリズム比較後に選定されたXGBoostモデル
• 高重大度詰まりで0.99の再現率
• Shapleyベースの説明性でセンサー貢献を追跡
• 約5,000件の合成ノイズデータで検証

Tech Xploreは2026年9月22日に本開発を報じ、リアルタイムAI監視が計画外停止を削減し、部品寿命を延長できる可能性があると指摘しました。

日本語圏で溶融塩リアクターを運用または計画している組織にとって、この突破口は流れを阻害する固化の早期検出、過熱リスクの低減、データ駆動型保守スケジュールの実現への道筋を示します。技術はまだ認証されていませんが、説明可能な特性は透明性と規制遵守を求める業界の要望に合致しており、将来の安全強化策として有望です。

今後の課題としては、実装規模の拡大に伴う光ファイバー配線の信頼性確保、長期的な放射線耐性評価、そして運転条件の多様性に対応した追加学習データの取得が挙げられます。

研究チームは2027年度中にパイロットプラントでの実証試験を計画しており、実運転データを用いたモデルの再訓練とShapley解析の自動化を進める方針です。