// SCINEXX — SPAZIO & SCIENZA
KI kann Kühlsystem eines modernen Atomreaktors in Echtzeit überwachen
In Wärmetauschern künftiger salzgekühlter Kernreaktoren können kleine Verstopfungen lange unbemerkt bleiben, weshalb ein neues Überwachungskonzept faseroptische Temperatursensoren mit erklärbarer künstlicher Intelligenz (KI) kombiniert. In simulierten Sensordaten erkannte das beste Modell stärkere Blockaden sehr zuverlässig, hatte bei den frühesten und schwächsten Störungen aber noch deutliche Schwierigkeiten.
Lemont (U.S.A.). Salzgekühlte Hochtemperaturreaktoren sollen Wärme bei deutlich höheren Temperaturen übertragen als heutige wassergekühlte Reaktoren. Dafür zirkuliert flüssiges Salz durch Wärmetauscher, die Energie aus dem Reaktorkreislauf an einen zweiten Kreislauf weitergeben. Kühlt das Salz lokal zu stark ab, kann es teilweise erstarren und einzelne schmale Strömungskanäle verengen oder verschließen.
Solche beginnenden Blockaden sind schwer zu erkennen, weil herkömmliche Messungen vor allem Temperatur und Durchfluss am Ein- und Ausgang eines Wärmetauschers erfassen. Im Inneren können sich dagegen schon lokale Störungen entwickeln, während die globalen Messwerte noch weitgehend normal aussehen. Gerade bei einem Bauteil mit mehreren Tausend parallelen Kanälen fehlt damit ein räumlich genauer Blick auf frühe Fehler.
Forscher des Argonne National Laboratory (ANL) um Konstantinos Prantikos haben nun einen kompakten Matrix-Wärmetauscher mit verteilter faseroptischer Temperaturmessung und einer KI-Auswertung untersucht. Die Sensorfasern sollen an Stützstrukturen des Wärmetauschers sitzen und dadurch viele Temperaturpunkte erfassen, ohne zusätzliche Durchführungen durch drucktragende Wände zu benötigen. Das Konzept soll nicht nur melden, dass etwas ungewöhnlich ist, sondern auch Ort und Stärke einer möglichen Verstopfung bestimmen.
„Wenn einer dieser Kanäle teilweise oder vollständig verstopft, wollen wir das erkennen, lokalisieren und den Schweregrad bestimmen. Es ist, als bekämen wir einen hochauflösenden Blick darauf, wo der Fehler im System auftritt“, erklärt Alexander Heifetz vom Argonne National Laboratory (ANL).
Getestet wurde das Verfahren allerdings noch nicht an einem laufenden Reaktor, sondern mit hochauflösenden synthetischen Daten aus einem Wärmeübertragungsmodell, die das Team um realitätsnahes Messrauschen ergänzte. Der Testdatensatz umfasste 4.998 Fälle, davon 4.749 Normalzustände und 249 Anomalien, die acht überwachte Lernverfahren vier Zuständen zuordnen sollten.
In der Gesamtbetrachtung schnitt das Verfahren Extreme Gradient Boosting, kurz XGBoost, am besten ab. Bei der stärksten untersuchten Anomalie erreichte es einen Recall von 0,99 und einen F1-Wert von 0,96. Damit wurden fast alle Fälle dieser Klasse erkannt und zugleich nur vergleichsweise wenige Fehlzuordnungen produziert.
Bei der schwächsten Anomalie lag der Recall von XGBoost dagegen nur bei 0,45 und der F1-Wert bei 0,51, wobei auch die übrigen Modelle gerade mit dieser frühen Fehlerklasse Probleme hatten. Der Ansatz zeigt damit zwar, dass selbst stark überlappende Temperaturmuster maschinell ausgewertet werden können, belegt aber noch keine sichere Früherkennung jeder beginnenden Blockade.
„Eine der größten Herausforderungen in diesen Systemen besteht darin, Fehler zu erkennen, wenn die Daten fast genauso aussehen wie im Normalbetrieb. Unser Ansatz kann in großen Datenmengen kaum unterscheidbare Muster erkennen, deren Prüfung für einen Menschen schwierig wäre. Anders als Menschen wird KI nicht müde, Tausende Zahlen zu betrachten. Sie erklärt ihre Entscheidungen außerdem so, dass wir die Systeme besser verstehen und ihnen vertrauen können“, sagt Konstantinos Prantikos.
Für diese Nachvollziehbarkeit kombinierte das Team sogenannte Shapley-Werte mit partiell geordneten Mengen. Shapley-Werte zeigen, wie stark einzelne Messgrößen eine konkrete Vorhersage beeinflussen, während die zusätzliche Ordnungsanalyse sichtbar machen soll, wenn sich die Bedeutung mehrerer Merkmale nicht eindeutig voneinander trennen lässt.