可解釋 AI 偵測熔鹽反應爐熱交換器阻塞

美國阿貢國家實驗室的研究團隊近日展示了一款新型緊湊矩陣熱交換器原型，該裝置將密集排列的光纖感測器與可解釋的機器學習模型結合，專門針對熔鹽冷卻的核反應爐設計，因為鹽在接近 500 °C 時有凝固的風險，若發生凝固將導致通道內流動受阻，進而影響整體散熱效能。

傳統的熔鹽熱交換器通常包含 2 000 至 4 000 條平行通道，監測方式僅依賴入口與出口的溫度、壓力讀值，這種宏觀資料往往無法捕捉通道深處阻塞的早期徵兆，導致問題在被發現時已經相當嚴重。

感測器整合不影響結構完整性

研究團隊選擇將光纖感測器安裝於交換器內部的支撐結構上，而非在高壓容器壁上鑽孔。此做法保留了元件的機械完整性，同時在矩陣內部取得分散的溫度與應變資料，使得每條通道的微小變化都能被即時捕捉。

在模型訓練階段，八種不同的機器學習演算法分別在近 5 000 組合成雜訊的合成資料上進行測試，模擬各種阻塞情境。根據德國科技新聞媒體 t3n 的報導，梯度提升演算法 XGBoost 在偵測效能上脫穎而出，成為最終採用的模型。

對於嚴重阻塞——即固化鹽佔據通道大部分空間的情況——模型的召回率達到 0.99，亦即正確辨識出 99 % 的關鍵事件。然而，對於與正常運作極為相似的微弱異常，系統的靈敏度明顯下降，這反映出模型在邊緣情況下仍有提升空間。

透過 Shapley 值提升可解釋性

為避免黑箱問題，研究者採用了 Shapley 值分析與部分序列診斷，量化每顆感測器讀值對最終警報的貢獻。此方法突顯了模型決策中最具影響力的交換器區域，讓操作人員能快速定位可能的阻塞點。

可解釋層同時揭示了持續模糊的區域，模型在這些區域無法自信區分是無害的溫度波動還是阻塞的初期徵兆。對於必須決定是否介入或持續觀測的操作人員而言，這些資訊具有相當重要的參考價值。

從實驗室原型到實務工具

該原型的實驗結果已發表於《Scientific Reports》期刊，論文指出系統仍處於實驗室驗證階段，尚未進行商業化部署或取得法規認證，未來仍需經過更嚴格的安全評估與認可程序。

• 嵌入內部支撐的光纖感測器
• 經八種演算法測試後選定 XGBoost 模型
• 對高嚴重度阻塞的召回率為 0.99
• 基於 Shapley 的可解釋性追蹤感測器貢獻
• 驗證於約 5 000 組合成、含雜訊的資料集

Tech Xplore 於 2026 年 9 月 22 日報導，此即時 AI 監測若能應用於全尺度反應爐，將有望降低非計畫停機次數並延長元件使用壽命，對核能產業的經濟效益與安全性皆具正面影響。

對於在台灣從事或規劃熔鹽反應爐的機構，如台灣核能研究院，此突破提供了更早偵測流阻固化的可能路徑，降低嚴重過熱風險，並促進以資料為基礎的維護排程。雖然技術尚未取得認證，其可解釋特性符合產業對透明度與法規遵循的要求，具備成為未來安全升級方案的潛力。

未來的研究方向包括將感測器佈局優化以提升覆蓋率、擴充模型訓練資料庫以涵蓋更多實際操作情境，以及與核安全監管機構合作進行標準化測試，確保技術在商業化前符合所有安全規範。

本篇報導於台北時間 2026 年 9 月 23 日 07:16 發布，旨在讓本地讀者了解國際前沿的可解釋 AI 技術如何在核能基礎設施中發揮關鍵作用。