Contesto dei reattori a sale fuso

Nei reattori ad alta temperatura raffreddati a sale fuso, il fluido di raffreddamento circola a temperature estremamente elevate per trasferire l’energia termica dal nocciolo al ciclo elettrico. Una minima variazione di flusso può provocare il raffreddamento locale del sale, facendo sì che si solidifichi e blocchi uno dei migliaia di canali di circolazione. Tali blocchi sono difficili da individuare con le tradizionali misurazioni di temperatura e portata effettuate solo alle estremità del circuito.

Strategia di monitoraggio basata su fibra ottica

Per ottenere una visione spazialmente dettagliata dell’intero scambiatore, i ricercatori hanno integrato una matrice compatta di sensori ottici a fibra direttamente nelle strutture di supporto interne, note come “piastre di separazione”. Questo approccio evita fori aggiuntivi nelle pareti portanti, riducendo al minimo le interferenze meccaniche, e consente di ricostruire una mappa termica in tempo reale di ciascun canale.

Modelli di apprendimento automatico testati

Il grande volume di dati generato dai sensori richiedeva l’uso di algoritmi di machine learning per identificare rapidamente le anomalie. Il team ha sperimentato otto diversi modelli:

Extreme Gradient Boosting (XGBoost)
Random Forest
Support Vector Machine (SVM)
Rete neurale artificiale (ANN)
Gradient Boosting tradizionale
k-Nearest Neighbors (k-NN)
Regressione logistica
Albero decisionale

Tra tutti, XGBoost ha mostrato la più bassa percentuale di errore, diventando il candidato principale per la fase operativa.

Prestazioni del modello XGBoost

Gli esperimenti di laboratorio sono stati condotti su quasi 5.000 dataset sintetici, in cui è stato introdotto rumore artificiale per simulare le condizioni operative reali. Per le situazioni di blocco severo, il modello ha raggiunto un valore di recall pari a 0,99, indicando che il 99 % dei veri blocchi è stato correttamente identificato. Inoltre, la classificazione delle tipologie di errore ha prodotto un numero minimo di falsi allarmi, dimostrando l’affidabilità del sistema in condizioni di guasto evidente.

Limiti nella rilevazione di anomalie iniziali

Le maggiori difficoltà sono emerse nella fase precoce di una possibile ostruzione, quando le differenze di temperatura tra canali liberi e parzialmente ostruiti si sovrappongono. In questi scenari marginali, la capacità discriminante dei modelli si riduce sensibilmente, con un calo significativo del tasso di rilevamento. Questo evidenzia la necessità di ulteriori perfezionamenti per distinguere variazioni termiche minime da normali fluttuazioni operative.

Intelligenza artificiale spiegabile (XAI) per infrastrutture critiche

Poiché le decisioni in ambito nucleare devono essere pienamente tracciabili, il gruppo di ricerca ha integrato tecniche di XAI nel proprio strumento diagnostico. Utilizzando i valori di Shapley, derivati dalla teoria dei giochi, il sistema quantifica l’influenza di ciascun sensore sulla decisione finale della IA. In pratica, l’operatore visualizza quali misurazioni hanno contribuito maggiormente all’attivazione dell’allarme.

Analisi di ordine parziale per gestire ambiguità sensoristiche

Quando più sensori mostrano importanze simili, la semplice attribuzione di pesi può risultare inconcludente. Per risolvere questo problema è stata introdotta una “analisi di ordine parziale”, un metodo matematico che interviene quando le valutazioni di diversi sensori sono quasi equivalenti. Il risultato è una presentazione chiara al personale di controllo, che può distinguere le informazioni decisive da quelle ambigue, evitando affidamenti ciechi a decisioni potenzialmente inaffidabili.

Commento del progetto

Konstantinos Prantikos, coinvolto nello studio presso l’Argonne National Laboratory, ha sottolineato l’importanza della soluzione per la gestione continua dei dati di sensoristica: “A differenza degli esseri umani, l’IA non si stanca di esaminare migliaia di numeri, garantendo una sorveglianza costante e priva di affaticamento”. La sua osservazione evidenzia come l’automazione possa colmare il divario tra la quantità di informazioni generate e la capacità di analisi manuale.

Implicazioni operative e prospettive future

Un guasto critico allo scambiatore di calore solitamente comporta l’interruzione immediata del reattore, con notevoli costi di fermo e potenziali rischi di sicurezza. Alexander Heifetz, ingegnere elettrico senior, ha evidenziato che una diagnosi precoce consentirebbe di pianificare interventi di manutenzione più mirati, riducendo i tempi di inattività. Tuttavia, la tecnologia attuale rappresenta ancora un “proof of concept”: il prototipo non è stato testato su un reattore in funzione, ma solo in condizioni di laboratorio.

Prossimi passi verso la validazione industriale

Per valutare l’applicabilità reale nella produzione energetica, sarà necessario condurre esperimenti su scala operativa, includendo l’invecchiamento dei materiali, variazioni di pressione e carichi di potenza fluttuanti. Solo attraverso questa fase di validazione sarà possibile confermare la robustezza del sistema di sensoristica ottica e dell’IA spiegabile in ambienti nucleari complessi.