IA Explicável Detecta Obstruções em Trocadores de Calor de Reactores de Sal Fundido

Investigadores do Argonne National Laboratory divulgaram um protótipo avançado de trocador de calor que combina uma densa rede de sensores de fibra ótica com um modelo de aprendizagem automática explicável, concebido especificamente para reactores refrigerados com sal fundido, nos quais o sal pode solidificar‑se quando a temperatura se aproxima de 500 °C, gerando o risco de obstruir o fluxo dentro dos milhares de canais que constituem o trocador.

Os trocadores de sal fundido convencionais apresentam entre 2 000 e 4 000 canais paralelos. O monitoramento tradicional baseia‑se apenas em leituras de temperatura e pressão na entrada e na saída do equipamento, o que pode não ser suficiente para identificar as fases iniciais de uma obstrução que se desenvolve silenciosamente nas profundezas de um canal individual.

Integração de Sensores Sem Comprometer a Integridade

A equipa do Argonne optou por instalar os sensores de fibra ótica nas estruturas de suporte internas do trocador, evitando perfurações na parede do vaso de alta pressão. Esta estratégia mantém a integridade mecânica do componente ao mesmo tempo que permite a recolha de dados distribuídos de temperatura e deformação ao longo de toda a matriz do trocador.

Oito algoritmos diferentes de aprendizagem automática foram treinados com quase 5 000 conjuntos de dados sintéticos, enriquecidos com ruído para reproduzir uma ampla variedade de cenários de obstrução, desde bloqueios leves até falhas críticas.

Segundo a publicação tecnológica alemã t3n, o algoritmo de gradient‑boosting XGBoost destacou‑se como o que ofereceu o melhor desempenho de deteção, superando os restantes modelos em termos de precisão e robustez frente ao ruído introduzido nos dados de treino.

Para obstruções graves — situações em que o sal solidificado ocupa uma grande fração de um canal — o modelo atingiu um recall de 0,99, o que significa que identificou corretamente 99 % desses eventos críticos. Contudo, a sensibilidade diminuiu de forma significativa quando se tratou de anomalias fracas, cujas assinaturas eram quase indistinguíveis das condições normais de operação.

Explicabilidade Através de Valores de Shapley

Para evitar a criação de uma solução de caixa‑preta, os investigadores aplicaram a análise de valores de Shapley e técnicas de diagnóstico de ordem parcial, que quantificam a contribuição de cada sensor para o alarme final, destacando as regiões do trocador que tiveram maior influência na decisão do modelo.

A camada de explicabilidade revelou ainda zonas de ambiguidade persistente, onde o modelo não conseguia diferenciar com confiança entre uma flutuação de temperatura inofensiva e o início de uma obstrução. Esta informação é crucial para os operadores, que precisam decidir entre intervir imediatamente ou continuar a monitorizar o sistema.

Do Protótipo de Laboratório à Ferramenta Operacional

Os resultados do protótipo foram publicados na revista científica revisada por pares Scientific Reports, onde os autores sublinharam que o sistema ainda se encontra na fase de validação laboratorial e não foi ainda implementado comercialmente nem certificado por entidades reguladoras.

• Sensores de fibra ótica embutidos nos suportes internos
• Modelo XGBoost escolhido após testes com oito algoritmos
• Recall de 0,99 para obstruções de alta gravidade
• Explicabilidade baseada em Shapley para rastrear contributos dos sensores
• Validado em cerca de 5 000 conjuntos de dados sintéticos e ruidosos

A Tech Xplore reportou o desenvolvimento a 22 de setembro de 2026, salientando que o monitoramento em tempo real por IA poderia reduzir paragens não programadas e prolongar a vida útil dos componentes se transferido para reactores em escala completa.

Para uma organização em Portugal que opera ou planeia reactores de sal fundido, esta inovação oferece um caminho potencial para detetar mais cedo a solidificação que bloqueia o fluxo, reduzir o risco de sobreaquecimento catastrófico e permitir calendários de manutenção mais orientados por dados.

Embora a tecnologia ainda não esteja certificada, a sua natureza explicável está alinhada com as exigências da indústria nacional por transparência e conformidade regulatória, constituindo um candidato promissor para futuras actualizações de segurança nos sistemas de energia nuclear do país.

A adoção de sensores de fibra ótica integrados e de modelos de IA explicáveis poderia também facilitar a integração com sistemas de supervisão já existentes nas centrais portuguesas, reduzindo a necessidade de intervenções físicas e melhorando a capacidade de resposta a anomalias emergentes.

Em termos de custos, a implementação de uma rede de sensores distribuídos pode representar um investimento inicial significativo, mas os benefícios potenciais em termos de redução de tempos de inatividade e de prolongamento da vida útil dos trocadores podem justificar o desembolso a médio e longo prazo.

Os próximos passos sugeridos pelos investigadores incluem testes em condições reais de operação, avaliação da robustez dos sensores a radiação e a validação junto de autoridades reguladoras europeias antes de avançar para a comercialização.

Esta abordagem inovadora demonstra como a combinação de hardware avançado e inteligência artificial explicável pode transformar a monitorização de componentes críticos em reactores de sal fundido, oferecendo uma nova camada de segurança e eficiência para a indústria nuclear.