可解释的机器学习用于在紧的盐热交换器中初始异常检测,具有重叠的特征分布

科学领域:

• 核工程 核工程是指核工程.
• 材料科学 材料科学 材料科学
• 计算建模 计算建模

背景情况:

• 高温盐冷却反应堆 (MSCR) 提供先进的核发电,但依赖可靠的热交换器 (HX).
• 由温度梯度和通道堵塞引起的HX故障对MSCR的安全性和效率构成风险.
• 目前的监测方法缺乏用于早期检测初始HX断层的空间分辨率.

研究的目的:

• 提出和评估一种具有集成分布式温度传感 (DTS) 的新型紧盐到盐矩阵型HX设计.
• 为了能够在MSCR热交换器中进行局部,早期故障检测.
• 在具有挑战性的,不可分离的数据集中进行异常检测的机器学习模型的基准测试.

主要方法:

• 开发了一种新的矩阵型HX设计,采用交联的平行管和集成的合成光纤DTS.
• 通过计算建模生成高保真合成数据,模拟通道插入,并结合传感器噪声.
• 他们对包括XGBoost在内的八个监督机器学习模型进行了基准分析,并使用Shapley值和POSET开发了一个可解释性框架.

主要成果:

• 具有DTS的新型HX设计能够局部检测初始故障.
• 在一个不可分离的数据集中,XGBoost在分类异常方面取得了最高的性能.
• 可解释性框架成功量化了特征的重要性,提高了模型的透明度和信任.

结论:

• 集成的DTS和可解释的ML方法显著提高了MSCR的预测性维护能力.
• 这项技术提高了先进核反应堆系统的运行弹性和安全性.
• 智能功能选择与DTS和可解释的ML相结合,对于稳健的故障检测至关重要.