Zusammenfassung zeigen Zusammenfassung verbergen
Forschende haben eine neue Methode vorgestellt, um Störungen in salzgekühlten Hochtemperaturreaktoren deutlich früher und präziser zu erkennen. Die Kombination aus faseroptischer Temperaturmessung und maschinellem Lernen könnte künftig helfen, ungeplante Stillstände zu verringern und die Betriebssicherheit zu erhöhen — ist aber noch nicht im Echtbetrieb erprobt.
Flüssiges Salz dient in einigen fortgeschrittenen Reaktorkonzepten als Kühlmittel. Problematisch wird es, wenn einzelne Strömungskanäle lokal abkühlen und das Salz dort anfängt zu erstarren: Solche Teilblockaden lassen sich über die üblichen Messstellen an Ein- und Auslässen oft erst spät bemerken, obwohl sie das Systemverhalten maßgeblich verändern.
Wie das neue Überwachungssystem arbeitet
Ein Team am Argonne National Laboratory in Lemont (Illinois) beschreibt in Nature Scientific Reports ein Überwachungskonzept, das räumlich deutlich feinere Informationen liefert als klassische Sensorik. Statt nur punktuelle Messwerte zu nutzen, platzieren die Forschenden verteilte Sensoren innerhalb eines kompakten Matrix-Wärmetauschers.
Gratis-API-Credits monatlich für Max- und Team-Abos von Anthropic: Claude Code bleibt außen vor
Android-Malware kursiert: falsche Chrome-App auf Geräten entdeckt
Die Sensoren sind faseroptische Temperatursensoren, die direkt an internen Trennplatten befestigt werden. Dadurch wird vermieden, die drucktragenden Außenwände zu durchbohren, und zugleich entsteht ein detailliertes Temperaturbild der einzelnen Kanäle — ein Vorteil für die Integrität der Anlage und die Messgenauigkeit.
Aus den erfassten Messreihen erzeugten die Wissenschaftler:innen synthetische Datensätze, fügten bewusst Sensorrauschen hinzu und prüften verschiedene Algorithmen des maschinellen Lernens. Von acht getesteten Verfahren zeigte sich XGBoost als das leistungsfähigste: Bei klar ausgeprägten Blockaden erreichte das Modell einen hohen Recall von etwa 0,99 und meldete nur sehr wenige Fehlalarme in der Klassifizierung der Störungstypen.
Gleichzeitig bleibt die Früherkennung schwacher Anomalien eine Herausforderung: In Phasen, in denen die Temperaturprofile von freien und teils blockierten Kanälen noch stark ähneln, brach die Erkennungsrate deutlich ein. Das zeigt, dass die Differenzierung bei marginalen Abweichungen noch nicht zuverlässig ist.
Transparenz durch erklärbare KI
Für den Einsatz in sicherheitskritischen Systemen ist Nachvollziehbarkeit entscheidend. Deshalb nutzt das Team Methoden der erklärbaren KI, um Betreibern zu zeigen, welche Sensorwerte die Entscheidungen des Modells beeinflussen. Dazu werden Konzepte aus der Spieltheorie angewandt, die den Beitrag einzelner Messstellen quantifizieren.
Ergänzend wendet das System eine partielle Ordnungsanalyse an, die Klarheit schafft, wenn mehrere Sensorwerte ähnliche Bedeutung besitzen und sich nicht eindeutig gewichten lassen. Auf diese Weise erhalten die Bedienenden nicht nur einen Alarm, sondern auch eine Begründung mit Angabe unsicherer Bereiche — eine wichtige Schutzmaßnahme gegen blinden Verlass auf automatisierte Vorhersagen.
Wie ein Projektbeteiligter erklärt, liegt ein praktischer Vorteil darin, dass Algorithmen kontinuierlich Tausende von Messwerten auswerten können, ohne Ermüdung. Für Menschengruppen, die für die Überwachung verantwortlich sind, ist das eine Unterstützung, keine vollständige Ablösung.
- Vorteile: Detaillierte räumliche Erkennung, geringere Fehlalarme bei klaren Blockaden, erhöhte Transparenz durch erklärbare Ausgaben.
- Beschränkungen: Schwache Früherkennung bei marginalen Abweichungen, bisher nur Labor- und Simulationsdaten, kein Test im realen Reaktorbetrieb.
- Nächste Schritte: Feldtests unter realen Betriebsbedingungen, Einbeziehung von Materialalterung, Druck- und Lastschwankungen sowie angepasstes Training für seltene Fehlerfälle.
Aus Sicht der Ingenieure ist das Potenzial praktisch: Ein ausgefallener Wärmetauscher führt in der Praxis häufig zu einer sofortigen Abschaltung ganzer Anlagen. Präzisere Früherkennung könnte Wartungsfenster besser planen, ungeplante Stillstände reduzieren und damit Betriebskosten und Sicherheitsrisiken senken.
Gleichzeitig betonen die Autor:innen der Studie, dass es sich derzeit um einen Machbarkeitsnachweis handelt. Die Algorithmik und die Sensorik müssen sich in realen, alternden Systemen bewähren, in denen Druck, Temperatur und Belastung dynamisch variieren — erst dann lässt sich die Eignung für den regulären Kraftwerksbetrieb sicher beurteilen.
Kurzfristig bleibt die Arbeit ein wichtiger Schritt für die Überwachung fortschrittlicher Reaktorkonzepte: Sie zeigt, wie optische Messverfahren und erklärbare KI zusammenwirken können, und liefert eine Grundlage für praxisnahe Tests, die in den nächsten Jahren folgen müssen.
