芯片与基础设施德国

可解释人工智能检测熔盐堆换热器中的固体阻塞

阿贡国家实验室研发的紧凑型矩阵换热器配备光纤传感器和机器学习分析，能够在数千通道内发现早期固盐阻塞，严重事件的召回率高达99%。

nullbot 编辑部发布于 2026年9月23日阅读约 4 分钟信息来源 (2)

阿贡国家实验室的研究团队展示了一种创新原型换热器，将密集布置的光纤传感器阵列与可解释的机器学习模型深度融合，专门针对熔盐冷却的核反应堆设计。当盐温度接近500 °C 时，熔盐可能出现固化现象，进而在换热器内部的众多通道中形成阻塞，影响热交换效率并潜在引发安全风险。

典型的熔盐换热器包含2000到4000个并行通道。传统监测手段仅依赖进出口的温度和压力读数，缺乏对通道内部深层状态的感知，导致早期阻塞常被忽视，直至影响整体性能或触发紧急停堆。

传感器集成不影响结构完整性

阿贡团队在换热器内部支撑结构上嵌入光纤传感器，而非在高压容器壁上钻孔。此举既保持了部件的机械完整性，又在矩阵内部实现了分布式的温度和应变数据采集，为后续的数据驱动分析提供了高分辨率的原始信号。

研究人员利用近5000组带噪声的模拟数据，对八种不同的机器学习模型进行训练和交叉验证，涵盖了从轻微沉积到严重固化的多种阻塞情景。据德国科技媒体t3n报道，梯度提升算法XGBoost在召回率和误报率的综合表现上最为突出，成为最终选定的核心模型。

在严重阻塞情形下——即固化盐占据通道大部分体积的情况——模型实现了0.99的召回率，能够正确识别99%的关键事件。然而，对于与正常运行条件极为相似的微弱异常，系统的灵敏度出现下降，误检率相对提升。

为避免黑箱模型带来的监管障碍，研究人员引入了Shapley值分析和部分序诊断技术。这些方法对每个传感器读数在最终报警决策中的贡献进行量化，直观展示了模型最关注的换热器区域，从而提升了操作员对AI判断的信任度。

可解释层进一步揭示，模型在某些局部区域仍表现出持续的模糊性，难以自信地区分无害的温度波动与阻塞的初始迹象。这种不确定性提示操作员在面对微弱异常时需要结合经验进行判断，决定是立即介入还是继续观测。

该原型的实验结果已发表于同行评议期刊《Scientific Reports》。论文明确指出，系统仍处于实验室验证阶段，尚未实现商业化部署，也未获得核监管机构的正式认证。

Tech Xplore于2026年9月22日报道，这一进展若能成功转移到全尺度核反应堆的实时AI监测系统，预计能够显著降低计划外停机次数，延长关键部件的使用寿命，并为运营商提供更具前瞻性的维护策略。

对于在华运营或计划建设熔盐堆的组织而言，这项突破提供了更早发现流动阻塞和固化风险的技术路径，降低灾难性过热的概率，并支持更加数据驱动的维护计划。尽管当前技术尚未获监管批准，但其可解释特性契合行业对透明度和合规性的要求，因而被视为未来安全升级的关键方案。

值得注意的是，光纤传感器的耐高温特性以及其在高辐射环境中的可靠性仍需进一步验证。研究团队计划在未来的高功率熔盐堆实验平台上进行长期寿命测试，以评估传感器在实际工况下的性能衰减趋势。

此外，团队正探索将模型部署在边缘计算单元上的可行性，以实现更低的延迟和更高的数据安全性。通过在换热器本体附近安装专用的AI加速芯片，实时分析可以在本地完成，减少对中心服务器的依赖。

本项目的多学科合作模式——包括材料科学、核工程、机器学习和可解释性研究——展示了跨领域协同创新的力量，也为其他高风险工业设施的智能监测提供了可借鉴的范例。

在北京的核能研讨会上，项目负责人强调，技术的商业化仍需克服成本、标准化和监管审批三大瓶颈，但已有数家国内核电企业表达了合作意向，期待在未来的示范项目中验证该系统的实际效益。

本稿最后更新于2026年9月23日，北京时间上午09:00。