// Sicherheit & Gesellschaft 23.09.2026 · 18:34 Uhr 15 Min. Lesezeit

KI-gestützte Überwachung von Wärmetauschern in salzgekühlten Reaktoren

Mindverse News

KI-gestützt erstellt 9 Quellen Arbeitsweise

KI-gestützte Überwachung von Wärmetauschern in salzgekühlten Reaktoren — Symbolbild

Das Wichtigste in Kürze

Ein Forschungsansatz verbindet faseroptische Temperatursensoren mit maschinellem Lernen, um Störungen in Wärmetauschern moderner salzgekühlter Reaktoren frühzeitig zu erkennen.
Die Sensorik soll nicht nur eine Abweichung melden, sondern deren räumliche Position innerhalb des Wärmetauschers sichtbar machen.
In einer Untersuchung mit synthetischen, verrauschten Sensordaten erkannte das leistungsfähigste Modell ausgeprägte Blockaden sehr zuverlässig.
Bei besonders frühen und schwachen Störungen war die Erkennungsleistung deutlich geringer. Der Ansatz ist daher bislang als Machbarkeitsnachweis zu bewerten.
Erklärbare KI soll nachvollziehbar machen, welche Messwerte zu einer Warnung geführt haben und wie eindeutig die Datenlage ist.
Vor einem Einsatz in einem laufenden Kernkraftwerk sind umfangreiche Tests unter realen Betriebsbedingungen, unabhängige Prüfungen und eine regulatorische Bewertung erforderlich.

// Inhalt · 15 Abschnitte

Wenn die Kühlung zum kritischen Faktor wird
Warum Wärmetauscher besondere Aufmerksamkeit benötigen
Faseroptische Sensoren erzeugen ein räumliches Temperaturbild
Wie das maschinelle Lernen die Messdaten auswertet
Die Schwäche liegt im frühesten Stadium der Störung
Erklärbare KI soll Warnungen nachvollziehbar machen
KI als Unterstützung, nicht als Ersatz für Schutzsysteme
Von der Störungserkennung zur vorausschauenden Wartung
Was frühere Kühlausfälle für die Risikobewertung zeigen
Die entscheidenden Grenzen des aktuellen Forschungsstands
Welche Anforderungen für einen praktischen Einsatz gelten würden
Die Bedeutung der Mensch-Maschine-Zusammenarbeit
Relevanz für Unternehmen aus Energie, Industrie und IT
Was die Entwicklung für den KI-Einsatz in kritischer Infrastruktur bedeutet
Fazit: Frühwarnsystem mit Potenzial, aber ohne Sicherheitsversprechen
Quellen

Wenn die Kühlung zum kritischen Faktor wird

In einem Kernkraftwerk ist die zuverlässige Abfuhr von Wärme eine zentrale technische Voraussetzung für einen sicheren und stabilen Betrieb. Das gilt nicht nur während der eigentlichen Stromproduktion. Auch nach einer Reaktorabschaltung entsteht weiterhin Nachzerfallswärme, die kontrolliert abgeführt werden muss. Ein Ausfall oder eine Einschränkung der Kühlung kann deshalb innerhalb kurzer Zeit zu einer sicherheitsrelevanten Situation werden.

Die Überwachung solcher Systeme gehört zu den anspruchsvollsten Aufgaben der Kraftwerkstechnik. Betreiber müssen zahlreiche Messgrößen gleichzeitig beobachten: Temperaturen, Drücke, Durchflussmengen, Pumpenzustände, Ventilstellungen, Materialspannungen und Veränderungen der Betriebsparameter. Hinzu kommen Alterungseffekte, Verschmutzungen, Ablagerungen oder lokale Strömungsprobleme, die sich nicht immer unmittelbar an den Messpunkten am Ein- und Ausgang eines Systems zeigen.

Ein aktueller Forschungsansatz setzt an genau diesem Problem an. Wissenschaftlerinnen und Wissenschaftler untersuchen, wie faseroptische Sensoren und erklärbare Verfahren des maschinellen Lernens zusammenarbeiten können, um Störungen in Wärmetauschern salzgekühlter Reaktoren in Echtzeit zu erkennen und zu lokalisieren. Die Technologie befindet sich noch in einer frühen Entwicklungsphase. Sie zeigt jedoch, welche Rolle KI künftig bei der Zustandsüberwachung kritischer Energieanlagen spielen könnte.

Warum Wärmetauscher besondere Aufmerksamkeit benötigen

Wärmetauscher übertragen thermische Energie zwischen zwei getrennten Kreisläufen. In einem Reaktorsystem wird die Wärme des primären Kühlmittels auf einen sekundären Kreislauf übertragen, der die Energie anschließend beispielsweise für die Stromerzeugung nutzbar macht. Die beiden Medien bleiben dabei voneinander getrennt, während die Wärme durch Wände oder Platten des Wärmetauschers hindurch weitergegeben wird.

Bei salzgekühlten Hochtemperaturreaktoren zirkuliert flüssiges Salz bei sehr hohen Temperaturen. Die Eigenschaften dieses Kühlmittels unterscheiden sich erheblich von denen wassergekühlter Reaktoren. Das Salz muss in einem definierten Temperaturbereich flüssig bleiben. Kühlt es an einzelnen Stellen zu stark ab, kann es teilweise erstarren. In einem Wärmetauscher mit zahlreichen parallelen Kanälen besteht dann das Risiko, dass einzelne Strömungswege verengt oder blockiert werden.

Eine solche Störung muss nicht sofort zu einem deutlichen Signal an den zentralen Messstellen führen. Werden Temperatur und Durchfluss nur an ausgewählten Stellen erfasst, können sich lokale Veränderungen zunächst in den Gesamtwerten verlieren. Gleichzeitig kann sich die Wärmeverteilung im Inneren des Bauteils bereits verändern. Das erschwert die Früherkennung und erhöht die Anforderungen an die Sensorik.

Traditionelle Überwachungssysteme bleiben für den Betrieb und die Sicherheitsbewertung unverzichtbar. Sie liefern robuste, standardisierte Informationen und sind Bestandteil umfangreicher Schutz- und Leittechnik. KI kann diese Systeme nicht automatisch ersetzen. Ihr möglicher Mehrwert liegt vielmehr darin, viele Messwerte fortlaufend miteinander zu verknüpfen und Muster zu erkennen, die bei einer isolierten Betrachtung einzelner Sensoren schwer sichtbar wären.

Faseroptische Sensoren erzeugen ein räumliches Temperaturbild

Der untersuchte Ansatz nutzt verteilte faseroptische Temperatursensoren. Anders als punktuelle Sensoren können faseroptische Systeme entlang einer Faser an zahlreichen Positionen Messinformationen erfassen. Dadurch entsteht ein detaillierteres Bild der Temperaturverteilung innerhalb eines technischen Bauteils.

In dem Forschungsdesign wurden die Sensoren an internen Strukturen eines kompakten Matrix-Wärmetauschers angebracht. Diese Anordnung soll eine räumlich differenzierte Beobachtung der thermischen Bedingungen ermöglichen, ohne zusätzliche Durchführungen durch die drucktragende Außenwand des Wärmetauschers zu benötigen. Das ist aus technischer Sicht relevant, weil jede zusätzliche Öffnung in einem druckführenden System konstruktive, prüftechnische und sicherheitsbezogene Fragen aufwirft.

Die Sensorik liefert dabei nicht einfach nur eine einzelne Temperaturzahl. Sie erzeugt eine Vielzahl von Messpunkten, die sich über die Struktur des Wärmetauschers verteilen. Aus den Veränderungen dieser Werte können Rückschlüsse auf lokale Abkühlungen, veränderte Wärmeübergänge und mögliche Blockaden gezogen werden.

Für Betreiber kritischer Infrastrukturen ist diese räumliche Information besonders wichtig. Eine Warnung wie „Temperatur außerhalb des Normalbereichs“ kann für eine erste Reaktion ausreichen, beantwortet aber noch nicht die entscheidende Frage nach der Ursache. Für Wartung, Lastmanagement und weitere technische Maßnahmen ist es von größerem Nutzen zu wissen, in welchem Bereich eine Störung wahrscheinlich entsteht und wie sicher diese Einschätzung ist.

Wie das maschinelle Lernen die Messdaten auswertet

Die Auswertung großer Sensordatenmengen ist eine typische Anwendung für maschinelles Lernen. Ein Modell wird mit Beispieldaten trainiert, in denen bestimmte Betriebszustände und Störungsmuster abgebildet sind. Anschließend soll es neue Messreihen einer bekannten Kategorie zuordnen oder Abweichungen vom erwarteten Verhalten erkennen.

Im beschriebenen Forschungsprojekt wurden mehrere Verfahren miteinander verglichen. Das Modell XGBoost erzielte in der Untersuchung die niedrigste Fehlerquote. XGBoost gehört zu den Verfahren des Gradient Boosting und kombiniert eine Vielzahl vergleichsweise einfacher Entscheidungsmodelle zu einem leistungsfähigen Gesamtmodell. Die Methode wird in unterschiedlichen Branchen eingesetzt, wenn strukturierte Daten mit zahlreichen Merkmalen analysiert werden sollen.

Die Tests basierten auf knapp 5.000 synthetisch erzeugten Datensätzen. Dabei wurde zusätzlich künstliches Messrauschen berücksichtigt. Das ist ein wichtiger Schritt, weil reale Sensoren nicht vollkommen fehlerfrei arbeiten. Messwerte können schwanken, einzelne Signale können kurzfristig ausfallen oder durch äußere Einflüsse verfälscht werden.

Bei ausgeprägten Blockaden erreichte das beste Modell nach den vorliegenden Angaben einen Recall-Wert von 0,99. Der Recall beschreibt, welcher Anteil der tatsächlich vorhandenen Störungen erkannt wird. Ein hoher Wert bedeutet in diesem Zusammenhang, dass nur wenige der simulierten starken Blockaden unentdeckt blieben. Diese Kennzahl ist jedoch nicht mit einer vollständigen Sicherheitsbewertung gleichzusetzen. Sie bezieht sich auf das untersuchte Datenset und die darin abgebildeten Bedingungen.

Zusätzlich wurde geprüft, wie zuverlässig das Modell verschiedene Fehlerklassen voneinander unterscheiden konnte. Bei stärkeren Anomalien traten nur wenige Fehlalarme auf. Ein Fehlalarm liegt vor, wenn das System eine Störung meldet, obwohl tatsächlich keine entsprechende Blockade vorliegt. In einem Kraftwerksumfeld müssen beide Fehlerarten sorgfältig betrachtet werden: Übersehene Störungen können sicherheitsrelevant sein, während zu viele Fehlalarme das Bedienpersonal belasten und das Vertrauen in das System schwächen können.

Die Schwäche liegt im frühesten Stadium der Störung

Die Ergebnisse zeigen zugleich eine wesentliche Einschränkung. Besonders frühe und schwache Blockaden lassen sich deutlich schwieriger erkennen. In dieser Phase ähneln sich die Temperaturmuster eines noch weitgehend freien Kanals und eines beginnenden Störungsfalls. Die Messwerte überlappen, und die Unterschiede können kleiner sein als natürliche Schwankungen oder das Rauschen der Sensorik.

Damit wird ein grundlegendes Spannungsfeld der vorausschauenden Instandhaltung sichtbar. Je früher eine Störung erkannt werden soll, desto geringer ist häufig ihr messbarer Einfluss. Ein bereits stark ausgeprägter Fehler erzeugt meist ein klareres Signal als eine gerade erst entstehende Veränderung. Ein KI-System muss deshalb nicht nur offensichtliche Abweichungen klassifizieren, sondern auch mit Unsicherheit und unvollständigen Hinweisen umgehen.

Für die Praxis bedeutet das, dass ein Modell nicht allein anhand eines einzelnen Schwellenwerts bewertet werden sollte. Relevant sind unter anderem die zeitliche Entwicklung eines Signals, die Kombination mehrerer Sensoren, der aktuelle Lastzustand und die Abweichung vom individuellen Normalverhalten der Anlage. Ein kurzfristiger Temperaturanstieg kann beispielsweise eine andere Bedeutung haben als ein langsam fortschreitendes Muster an mehreren räumlich benachbarten Messpunkten.

Die Modellleistung muss außerdem in unterschiedlichen Betriebszuständen überprüft werden. Dazu gehören An- und Abfahrvorgänge, Lastwechsel, veränderte Außentemperaturen, Wartungszustände und die Alterung von Komponenten. Ein System, das ausschließlich unter idealisierten Laborbedingungen funktioniert, liefert noch keinen Nachweis für einen sicheren Einsatz im Kraftwerksbetrieb.

Erklärbare KI soll Warnungen nachvollziehbar machen

In sicherheitskritischen Anlagen genügt es nicht, dass ein Algorithmus eine Warnung ausgibt. Das Bedienpersonal muss nachvollziehen können, warum das System zu einer bestimmten Einschätzung gelangt ist. Diese Anforderung betrifft nicht nur die technische Bedienung, sondern auch Wartung, Dokumentation, Qualitätssicherung und regulatorische Prüfungen.

Der Forschungsansatz berücksichtigt deshalb Methoden der erklärbaren künstlichen Intelligenz. Dabei wird untersucht, welchen Einfluss einzelne Messwerte oder Gruppen von Messwerten auf die Entscheidung des Modells hatten. Zum Einsatz kommen unter anderem sogenannte Shapley-Werte. Sie stammen ursprünglich aus der kooperativen Spieltheorie und werden in der KI genutzt, um Beiträge einzelner Merkmale zu einer Modellentscheidung zu quantifizieren.

Übertragen auf die Überwachung eines Wärmetauschers kann ein solches Verfahren beispielsweise anzeigen, welche Sensorbereiche die Einstufung als mögliche Blockade besonders stark beeinflusst haben. Das schafft eine zusätzliche Informationsebene zwischen Rohdaten und Alarmmeldung. Eine Leitstelle erhält dann nicht nur den Hinweis auf eine Anomalie, sondern auch eine Begründung, welche Temperaturverläufe für die Entscheidung maßgeblich waren.

Die Interpretation darf dabei nicht zu einer Scheingenauigkeit führen. Wenn mehrere Sensorwerte ein sehr ähnliches Signal liefern, lässt sich ihr jeweiliger Einfluss möglicherweise nicht eindeutig voneinander trennen. Eine zusätzliche Ordnungs- oder Sensitivitätsanalyse kann in solchen Fällen sichtbar machen, dass die Entscheidung auf mehreren ähnlich gewichteten Merkmalen beruht.

Für das Bedienpersonal ist gerade diese Unsicherheit relevant. Eine gute Erklärung sollte nicht den Eindruck vermitteln, die KI kenne die Ursache mit absoluter Sicherheit. Sie sollte vielmehr zwischen gesicherten Messbefunden, wahrscheinlichen Zusammenhängen und offenen Fragen unterscheiden. Damit kann erklärbare KI dazu beitragen, die Verantwortung zwischen automatisierter Analyse und menschlicher Entscheidung klarer zu strukturieren.

KI als Unterstützung, nicht als Ersatz für Schutzsysteme

Ein KI-Modell zur Zustandsüberwachung ist grundsätzlich von automatischen Schutzfunktionen zu unterscheiden. Schutzsysteme in Kernkraftwerken sind darauf ausgelegt, bei definierten Grenzwertverletzungen schnell und zuverlässig zu reagieren. Sie unterliegen hohen Anforderungen an Redundanz, Unabhängigkeit, Testbarkeit und Ausfallsicherheit.

Ein lernendes Modell kann dagegen vor allem als zusätzliches Diagnose- und Prognosewerkzeug dienen. Es kann Trends erkennen, Wartungsbedarf anzeigen oder Anomalien priorisieren. Eine automatische Abschaltung des Reaktors sollte nicht allein von einer experimentellen KI-Prognose abhängig gemacht werden. Welche Rolle ein solches System in der Leittechnik einnehmen darf, wäre Gegenstand einer umfassenden sicherheitstechnischen und regulatorischen Bewertung.

In einem abgestuften Betriebskonzept könnte die KI zunächst ausschließlich im sogenannten Beratungsmodus eingesetzt werden. Sie würde Messdaten parallel zu bestehenden Systemen auswerten und dem Personal Hinweise liefern, ohne unmittelbar Steuerbefehle auszulösen. In weiteren Entwicklungsstufen könnten Funktionen für die Wartungsplanung oder die Ursachenanalyse hinzukommen.

Ein solches Vorgehen ermöglicht es, die Qualität der Vorhersagen über längere Zeit zu beobachten. Gleichzeitig können Betreiber untersuchen, wie häufig Warnungen auftreten, wie sie von den Beschäftigten bewertet werden und ob die Informationen zu besseren Wartungsentscheidungen führen. Erst danach wäre zu prüfen, ob eine stärkere technische Integration sinnvoll und zulässig ist.

Von der Störungserkennung zur vorausschauenden Wartung

Der mögliche wirtschaftliche Nutzen der Technologie liegt nicht ausschließlich in der Vermeidung eines sicherheitsrelevanten Ereignisses. Frühzeitige Informationen über den Zustand eines Wärmetauschers könnten auch die Instandhaltung planbarer machen. Wartungsmaßnahmen ließen sich unter Umständen in geplante Stillstandszeiten integrieren, bevor ein Bauteil ungeplant ausfällt.

Eine solche vorausschauende Wartung basiert auf der kontinuierlichen Bewertung des Anlagenzustands. Statt Komponenten in festen Intervallen unabhängig von ihrem tatsächlichen Zustand zu prüfen oder erst nach einem Ausfall zu reagieren, werden Wartungsentscheidungen durch Daten unterstützt. Dabei geht es nicht darum, jede kleinste Abweichung sofort als Defekt zu interpretieren. Entscheidend ist die Entwicklung eines Risikos über die Zeit.

Für Betreiber können daraus mehrere operative Vorteile entstehen:

Wartungsarbeiten lassen sich besser priorisieren.
Ersatzteile und Fachpersonal können frühzeitiger eingeplant werden.
Ungeplante Stillstände können möglicherweise reduziert werden.
Messdaten aus unterschiedlichen Anlagenbereichen können in einer gemeinsamen Übersicht zusammengeführt werden.
Die technische Dokumentation von Warnungen und Maßnahmen kann verbessert werden.

Diese Vorteile sind jedoch an die Qualität der Daten und Prozesse gebunden. Eine KI kann keine fehlenden Messungen ersetzen und keine unklaren Wartungsrichtlinien auflösen. Sie kann auch nicht automatisch beurteilen, ob eine erkannte Abweichung auf einen tatsächlichen Defekt, eine Sensorstörung oder eine Veränderung des Betriebszustands zurückgeht. Für belastbare Entscheidungen ist daher ein Zusammenspiel aus Modell, Fachwissen und verlässlichen Prüfprozessen erforderlich.

Was frühere Kühlausfälle für die Risikobewertung zeigen

Die Bedeutung redundanter und verlässlicher Kühlsysteme wurde bei verschiedenen Ereignissen in der Geschichte der Kernenergienutzung sichtbar. Nach einem Stromausfall im japanischen Kernkraftwerk Fukushima Daiichi kam es im März 2013 zu einer zeitweisen Unterbrechung von Kühlsystemen für mehrere Abklingbecken. Nach damaligen Angaben blieben die Temperaturen zunächst ausreichend niedrig, dennoch zeigte der Vorfall, wie empfindlich die Kühlung gegenüber Störungen in der Stromversorgung und der technischen Infrastruktur ist.

Der Fall ist nicht unmittelbar mit einem modernen salzgekühlten Reaktor oder dem beschriebenen Sensorsystem gleichzusetzen. Er verdeutlicht jedoch eine allgemeine Eigenschaft kerntechnischer Anlagen: Auch nach einer Abschaltung müssen Wärmequellen überwacht und kontrolliert werden. Aus Sicht des Risikomanagements sind dabei nicht nur einzelne Komponenten relevant, sondern auch Energieversorgung, Kommunikation, Messketten, Ersatzsysteme und die Verfügbarkeit des Betriebspersonals.

Weitere Herausforderungen können durch Umweltbedingungen entstehen. Bei wassergekühlten Kraftwerken können hohe Flusstemperaturen, niedrige Wasserstände oder verstopfte Ansaug- und Filtersysteme die Kühlleistung begrenzen. Solche externen Faktoren zeigen, dass eine Überwachungsstrategie möglichst viele relevante Einflussgrößen berücksichtigen muss. Eine rein auf das Innere eines Wärmetauschers konzentrierte Analyse wäre für die Gesamtbewertung der Anlage nicht ausreichend.

KI kann in diesem Zusammenhang helfen, Daten aus verschiedenen Quellen zusammenzuführen. Voraussetzung ist allerdings, dass die Daten technisch kompatibel, zeitlich synchronisiert und ausreichend dokumentiert sind. Für sicherheitskritische Anwendungen müssen außerdem klare Regeln gelten, welche Daten verwendet werden dürfen und wie mit fehlenden oder widersprüchlichen Informationen umzugehen ist.

Die entscheidenden Grenzen des aktuellen Forschungsstands

Die vorliegenden Ergebnisse sind als technischer Machbarkeitsnachweis einzuordnen. Die Untersuchung zeigt, dass die Kombination aus räumlich aufgelöster Temperaturmessung und maschinellem Lernen grundsätzlich geeignet sein kann, Blockaden in Wärmetauschern zu erkennen. Sie belegt jedoch noch nicht, dass ein solches System unter den Bedingungen eines kommerziellen Kernkraftwerks zuverlässig arbeitet.

Ein wesentlicher Unterschied besteht zwischen synthetischen und realen Daten. Simulierte Datensätze ermöglichen es, viele Szenarien kontrolliert zu erzeugen und Modelle gezielt zu vergleichen. Reale Anlagen weisen dagegen eine größere Variabilität auf. Materialeigenschaften verändern sich, Sensoren altern, Betriebszustände wechseln und Störungen treten möglicherweise in Kombination mit anderen Abweichungen auf.

Auch die langfristige Stabilität eines Modells muss geprüft werden. Ein Algorithmus kann bei der Inbetriebnahme gute Ergebnisse liefern, seine Leistung aber im Laufe der Zeit verlieren, wenn sich die Anlage oder ihre Betriebsweise verändert. Dieses Phänomen wird als Daten- oder Konzeptdrift bezeichnet. Ein belastbares System benötigt deshalb Verfahren zur laufenden Überwachung der Modellqualität, zur kontrollierten Aktualisierung und zur Rückverfolgbarkeit jeder Modellversion.

Weitere offene Fragen betreffen die Sensorik selbst. Faseroptische Systeme können eine hohe räumliche Auflösung ermöglichen, müssen aber gegen hohe Temperaturen, Strahlung, mechanische Belastungen und chemisch anspruchsvolle Umgebungen beständig sein. Die Messkette muss außerdem so ausgelegt werden, dass ein Ausfall einzelner Fasern erkannt wird und nicht unbemerkt als scheinbare Anlagenveränderung in das Modell eingeht.

Schließlich muss der gesamte digitale Unterbau geschützt werden. Netzwerkverbindungen, Datenspeicher, Schnittstellen und Auswertungssoftware erweitern die Angriffsfläche einer Anlage. In kritischen Infrastrukturen sind Cybersecurity, Zugriffskontrolle, Protokollierung und Trennung sicherheitsrelevanter Systeme daher von Beginn an mitzudenken.

Welche Anforderungen für einen praktischen Einsatz gelten würden

Für einen möglichen Einsatz in der Energiewirtschaft müsste die Technologie mehrere Entwicklungsstufen durchlaufen. Den Anfang bilden kontrollierte Laborversuche, in denen unterschiedliche Blockadegrade, Temperaturverläufe und Sensorfehler untersucht werden. Anschließend wären Versuche mit realen Komponenten und repräsentativen Betriebsbedingungen erforderlich.

Besonders wichtig wäre die Validierung mit Daten, die nicht zum Training des Modells verwendet wurden. Nur so lässt sich prüfen, ob die KI neue Situationen tatsächlich verallgemeinern kann. Die Testdaten sollten unterschiedliche Lastzustände, Anfahrvorgänge, Alterungseffekte und Störungsmuster abbilden. Zudem müsste bewertet werden, wie das System mit bislang unbekannten Anomalien umgeht.

Für die Einführung in einem betrieblichen Umfeld wären unter anderem folgende Fragen zu beantworten:

Welche Messgenauigkeit und Ausfallsicherheit müssen die Sensoren erreichen?
Wie werden Fehlalarme und nicht erkannte Störungen bewertet?
Welche Mindestqualität müssen Trainings- und Validierungsdaten erfüllen?
Wie wird die Funktionsfähigkeit des Modells im laufenden Betrieb überwacht?
Welche Entscheidungen darf die KI unterstützen, und welche bleiben ausschließlich beim Fachpersonal?
Wie werden Modelländerungen dokumentiert, geprüft und freigegeben?
Wie wird das System gegen Manipulation, unberechtigte Zugriffe und Datenverlust geschützt?
Welche Nachweise verlangen Aufsichtsbehörden und unabhängige Sachverständige?

Die Antworten auf diese Fragen sind nicht allein technischer Natur. Sie betreffen auch Organisation, Haftung, Qualifikation, Notfallplanung und die Gestaltung von Arbeitsabläufen. Ein leistungsfähiges Modell kann nur dann einen praktischen Nutzen entfalten, wenn seine Warnungen in klare und geprüfte Prozesse eingebettet sind.

Die Bedeutung der Mensch-Maschine-Zusammenarbeit

Eine zentrale Herausforderung besteht darin, die Ergebnisse der KI so darzustellen, dass sie das Bedienpersonal unterstützen und nicht überfordern. Zu viele Warnungen können zu einer Alarmflut führen. Zu wenige Informationen können dazu führen, dass eine Meldung nicht ausreichend ernst genommen wird. Die Benutzeroberfläche muss deshalb Prioritäten, Unsicherheiten und mögliche Ursachen verständlich vermitteln.

Für die Leitstelle könnten beispielsweise mehrere Informationsstufen sinnvoll sein. Eine erste Stufe weist auf eine statistisch ungewöhnliche Entwicklung hin. Eine zweite Stufe ordnet die Abweichung einer möglichen Ursache zu. Eine dritte Stufe zeigt, dass mehrere unabhängige Messmuster auf eine konkrete Störung hindeuten. Jede Stufe müsste mit klaren Handlungsempfehlungen und technischen Prüfungen verknüpft werden, ohne die Entscheidungskompetenz des Personals unangemessen zu verlagern.

Schulungen spielen dabei eine wesentliche Rolle. Mitarbeitende müssen verstehen, welche Daten das Modell verwendet, wie zuverlässig bestimmte Warnungstypen sind und wann eine zusätzliche manuelle Prüfung erforderlich ist. Ebenso wichtig ist die Fähigkeit, eine KI-Empfehlung begründet zurückzuweisen. Automatisierung darf nicht dazu führen, dass Fachwissen und kritische Prüfung aus den Betriebsabläufen verschwinden.

Erklärbare KI kann diesen Prozess erleichtern, ersetzt aber keine umfassende Qualifizierung. Eine farbige Markierung auf einem Dashboard ist noch keine technische Begründung. Die Erklärung muss fachlich korrekt, konsistent und auf die jeweilige Entscheidungssituation zugeschnitten sein. Nur dann kann sie zur sicheren Zusammenarbeit zwischen Mensch und System beitragen.

Relevanz für Unternehmen aus Energie, Industrie und IT

Die Forschung zu KI-gestützter Kühlsystemüberwachung ist auch über die Kerntechnik hinaus relevant. Viele industrielle Anlagen verfügen über komplexe Wärmeübertrager, Pumpen, Rohrleitungen und Kühlkreisläufe. Dazu gehören konventionelle Kraftwerke, chemische Produktionsanlagen, industrielle Prozesswärme, Rechenzentren und große Klimatisierungssysteme.

Das Grundprinzip lässt sich auf andere Anwendungen übertragen: Eine Vielzahl von Sensoren erfasst den Zustand einer Anlage, ein Modell erkennt Abweichungen und eine erklärbare Auswertung unterstützt die Ursachenanalyse. Je kritischer die Infrastruktur, desto höher sind die Anforderungen an Datenqualität, Nachvollziehbarkeit und Ausfallsicherheit.

Für Unternehmen bedeutet das, dass KI-Projekte in der Instandhaltung nicht isoliert als Softwarevorhaben betrachtet werden sollten. Erfolgreiche Lösungen benötigen meist eine Verbindung aus Fachwissen über die Anlage, industrieller Sensorik, Datenengineering, Modellierung, IT-Sicherheit und Prozessmanagement. Auch die vorhandene Systemlandschaft muss berücksichtigt werden. Historische Daten liegen häufig in unterschiedlichen Formaten vor und sind nicht immer ausreichend beschriftet.

Ein schrittweiser Einstieg kann darin bestehen, zunächst weniger kritische Komponenten zu überwachen. Dort lassen sich Datenpipelines, Dashboards und Wartungsprozesse erproben, bevor eine Integration in besonders sicherheitsrelevante Bereiche geprüft wird. Für B2B-Entscheider ist dabei entscheidend, nicht nur die Modellgenauigkeit zu betrachten, sondern auch Gesamtbetriebskosten, Wartbarkeit, Integrationsaufwand und regulatorische Anforderungen.

Was die Entwicklung für den KI-Einsatz in kritischer Infrastruktur bedeutet

Der untersuchte Ansatz steht exemplarisch für eine Entwicklung, bei der KI nicht primär als generatives Werkzeug, sondern als kontinuierliches Analyseinstrument eingesetzt wird. Die Aufgabe besteht darin, große Mengen strukturierter Sensordaten über lange Zeiträume zu beobachten und ungewöhnliche Kombinationen zu erkennen.

Im Unterschied zu vielen Anwendungen im Büro- oder Marketingumfeld gelten in kritischen Infrastrukturen andere Prioritäten. Ein Modell muss nicht nur leistungsfähig, sondern auch reproduzierbar, transparent und kontrollierbar sein. Jede Warnung kann betriebliche Konsequenzen haben. Jede Modelländerung muss nachvollziehbar bleiben. Und jede digitale Komponente muss in die bestehende Sicherheitsarchitektur passen.

Für Anbieter von KI-Lösungen ergibt sich daraus ein anspruchsvolles Anforderungsprofil. Benötigt werden Systeme, die Datenquellen sauber dokumentieren, Unsicherheiten ausweisen und Ergebnisse verständlich erklären. Zusätzlich müssen sie sich in vorhandene Arbeitsprozesse integrieren lassen. Eine isolierte Analyseplattform ohne Verbindung zu Wartungsplanung, Anlagenmanagement und menschlicher Freigabe wird den Anforderungen in der Regel nicht genügen.

Mindverse kann in diesem Umfeld als KI-Partner insbesondere dort ansetzen, wo Informationen aus unterschiedlichen Quellen strukturiert, analysiert und für Fachanwender verständlich aufbereitet werden müssen. Für sicherheitskritische Anwendungen bleibt jedoch entscheidend, dass jede konkrete Lösung an die technischen, rechtlichen und organisatorischen Rahmenbedingungen des jeweiligen Betreibers angepasst wird. Allgemeine KI-Funktionen ersetzen keine branchenspezifische Validierung.

Fazit: Frühwarnsystem mit Potenzial, aber ohne Sicherheitsversprechen

Die Kombination aus faseroptischer Temperaturmessung und maschinellem Lernen eröffnet einen Ansatz, um lokale Veränderungen in Wärmetauschern früher und genauer sichtbar zu machen. Besonders bei ausgeprägten Blockaden zeigen die vorliegenden Simulationen eine hohe Erkennungsleistung. Die räumliche Auflösung der Sensorik könnte zudem dabei helfen, nicht nur das Vorhandensein einer Anomalie, sondern auch deren wahrscheinlichen Ort zu bestimmen.

Gleichzeitig liegen die Grenzen des Verfahrens dort, wo vorausschauende Überwachung besonders wertvoll wäre: bei sehr frühen und schwachen Störungen. Die bisherige Datenbasis ist zudem synthetisch, und ein Nachweis unter realen Reaktorbedingungen steht noch aus. Aussagen über einen unmittelbar bevorstehenden praktischen Einsatz oder eine automatische Absicherung von Kernkraftwerken wären daher nicht gerechtfertigt.

Der realistische nächste Schritt besteht in einer umfangreichen Validierung mit realitätsnahen Komponenten, variierenden Betriebszuständen und langfristigen Belastungstests. Parallel müssen Fragen der Erklärbarkeit, Cybersecurity, Modellpflege und regulatorischen Zulassung geklärt werden.

Für die industrielle KI insgesamt zeigt das Beispiel eine wichtige Richtung: In kritischen Systemen zählt nicht allein, ob ein Algorithmus eine hohe Trefferquote erreicht. Ebenso wichtig ist, ob seine Ergebnisse nachvollziehbar, in bestehende Prozesse integrierbar und unter veränderten Bedingungen belastbar sind. KI kann die Überwachung komplexer Kühlsysteme unterstützen. Die Verantwortung für die technische Bewertung und die sicherheitsrelevanten Entscheidungen bleibt jedoch bei qualifizierten Menschen und den dafür vorgesehenen Kontrollinstanzen.

Bibliografie

Kathrin Klatt: „KI kann Kühlsystem eines modernen Atomreaktors in Echtzeit überwachen – Faseroptische Temperaturmessung zeigt Blockaden im Wärmetauscher“, scinexx.de, 22. September 2026. https://www.scinexx.de/news/technik/ki-kann-kuehlsystem-eines-modernen-atomreaktors-in-echtzeit-ueberwachen/
Scientific Reports: „Explainable machine learning for early anomaly detection in compact molten salt heat exchangers with overlapping feature distributions“, 2026. https://www.nature.com/articles/s41598-025-27112-8
Dieter Petereit: „KI in Atomreaktoren: Modell überwacht Wärmetauscher in Echtzeit“, t3n.de, 23. September 2026. https://t3n.de/news/ki-ueberwachung-waermetauscher-atomreaktor-1764697/
Argonne National Laboratory: „Argonne develops real-time AI monitoring for an advanced nuclear reactor component“, 2026. https://www.anl.gov/article/argonne-develops-realtime-ai-monitoring-for-an-advanced-nuclear-reactor-component
Stephen Lorenzen: „Mit KI zur effizienten und ausfallsicheren Kraftwerkswartung“, adesso, 14. Mai 2025. https://www.adesso.de/de/news/blog/mit-ki-zur-effizienten-und-ausfallsicheren-kraftwerkswartung.jsp
Digital Campus Zollverein: „adesso für RWE Generation SE – Ausfallsichere Kraftwerkswartung“, 2025. https://campus-zollverein.de/project/adesso/
DER SPIEGEL: „Fukushima: Stromausfall legt Kühlsystem lahm“, 19. März 2013. https://www.spiegel.de/wissenschaft/technik/fukushima-stromausfall-legt-kuehlsystem-lahm-a-889635.html
ORF: „Ausfall aller Kühlsysteme“, 19. März 2013. https://newsv2.orf.at/stories/2172445/2172446/
taz: Rudolf Balmer, „Überhitzte Reaktoren: Frankreichs Atomkraftwerke brauchen Kühlung“, 14. August 2026. https://taz.de/Ueberhitzte-Reaktoren/!6204432/