Die Kernenergie bleibt ein Eckpfeiler der CO2-armen Energieerzeugung, aber die Fehlerquote im Anlagenbetrieb ist verschwindend gering. Da die Reaktorkonstruktionen immer ausgefeilter werden und Sensornetzwerke expandieren, haben traditionelle regelbasierte Überwachungssysteme Schwierigkeiten, mit der wachsenden Komplexität Schritt zu halten. Künstliche Intelligenz bietet einen transformativen Ansatz für die Überwachung der nuklearen Sicherheit - was eine schnellere Anomalieerkennung, eine genauere Fehlervorhersage und eine belastbarere Aufsicht über kritische Infrastruktur ermöglicht. Dieser Artikel untersucht, wie KI die nuklearen Sicherheitssysteme umgestaltet, welche Hindernisse für ihre Einführung bestehen und was die Zukunft für diese hochgesteckte Anwendung intelligenter Technologie bereithält.

Wie AI die Überwachung der nuklearen Sicherheit verbessert

Die Überwachung der nuklearen Sicherheit hängt in der Vergangenheit von festen Schwellenwerten, manuellen Inspektionen und grundlegender Alarmlogik ab. Während sie für bekannte Fehlermodi effektiv ist, übersehen diese Methoden oft subtile, frühe Indikatoren der Verschlechterung. KI erweitert die konventionelle Überwachung durch kontinuierliche Analyse von Strömen hochdimensionaler Sensordaten, Erkennen von Mustern, die menschliche Bediener übersehen könnten, und Auslösen von Warnungen, bevor ein kleineres Problem zu einem schwerwiegenden Ereignis eskaliert.

Echtzeit-Anomalie-Erkennung

Moderne kerntechnische Anlagen sind mit Tausenden von Sensoren ausgestattet, die Temperatur, Druck, Durchflussrate, Strahlungspegel, Vibration und akustische Signaturen überwachen. Die schiere Datenmenge macht es für Betreiber unpraktisch, jeden Parameter gleichzeitig zu verfolgen. Machine-Learning-Modelle - insbesondere solche, die auf Autoencodern und konvolutionalen neuronalen Netzwerken basieren - können die normale Betriebshülle eines Reaktors und Flagabweichungen in Echtzeit lernen. Zum Beispiel könnte ein KI-System in einem Druckwasserreaktor eine subtile Verschiebung der Kühlmittelpumpenschwingungsmuster erkennen, die mit dem Lagerverschleiß korreliert und Wartungsteams Tage oder Wochen vor einem traditionellen Schwellenwert alarmieren würde auslösen.

Eine 2023 in Nuclear Engineering and Design veröffentlichte Studie zeigte, dass ein Deep-Learning-Modell, das auf 18-monatigen Betriebsdaten aus einem simulierten Reaktor trainiert wurde, beginnende Ausfälle der Brennstoffverkleidung mit 97% Genauigkeit identifizieren konnte, verglichen mit 82% für konventionelle Alarmlogik.

Predictive Wartung und Ausrüstung Gesundheit

Ungeplante Geräteausfälle sind eine Hauptrisikoquelle in Kernkraftwerken. Die vorausschauende Wartung mit KI-Antrieb nutzt historische Fehleraufzeichnungen in Verbindung mit Echtzeit-Zustandsüberwachung, um vorherzusagen, wann Komponenten wahrscheinlich ausfallen werden. Modelle wie zufällige Wälder, Gradientenverstärkungsmaschinen und Netzwerke für langes Kurzzeitgedächtnis (LSTM) werden in Sensortelemetrie- und Wartungsprotokollen geschult, um die verbleibende Nutzungsdauer (RUL) für Pumpen, Ventile, Wärmetauscher und Steuerstabantriebe zu schätzen.

Das Electric Power Research Institute (EPRI) hat Pilotprogramme in mehreren US-Atomkraftwerken durchgeführt, in denen KI-basierte Prognosemodelle unerwartete Turbinenausfälle über einen Zeitraum von zwei Jahren um 40% reduzierten. In einem Fall prognostizierte ein LSTM-Modell einen Hauptspeisewasserpumpenausfall 72 Stunden bevor er aufgetreten wäre, so dass die Betreiber die Pumpe während eines Fensters mit geringem Bedarf sicher offline nehmen können, anstatt sich einer erzwungenen Abschaltung zu stellen. Die Kosteneinsparungen und Sicherheitsverbesserungen aus einer solchen Vorausschau sind erheblich - ein einziger ungeplanter Scram kann eine Anlage $ 1-2 Millionen pro Tag kosten Energieerzeugung und regulatorische Kontrolle.

Advanced Data Fusion und Analyse

Die nukleare Sicherheit hängt nicht von einem einzelnen Sensor ab, sondern vom integrierten Bild des Anlagenzustands. AI zeichnet sich durch die Fusion von Daten aus heterogenen Quellen aus: Sensorströme, historische Protokolle, Wettervorhersagen, seismische Überwachungsnetze und menschliche Bedienereingaben. Bayessche Netze und probabilistische grafische Modelle können diese Eingänge zu einem ständig aktualisierten Risikoprofil kombinieren. So kann AI beispielsweise steigende Eindämmungsfeuchtigkeit mit einem geringfügigen Dampfleck korrelieren, dies mit nahe gelegenen Strahlungsmonitoren vergleichen und während der Untersuchungen ein reduziertes Leistungsniveau empfehlen - alles in Sekunden.

Ein weiterer Bereich, in dem rasche Fortschritte erzielt werden, ist die Verwendung von Natural Language Processing (NLP), um unstrukturierte Daten wie Wartungsberichte, Vorfallprotokolle und regulatorische Korrespondenz zu analysieren. Durch das Mining von Millionen von Dokumentationsseiten kann KI wiederkehrende Muster bei Beinahe-Miss-Ereignissen aufdecken und Verbesserungen an Verfahren oder Schulungen vorschlagen. Die Internationale Atomenergiebehörde (IAEA) hat begonnen, solche Techniken in ihre Operational Safety Review Teams (OSART) aufzunehmen, um systemische Risikofaktoren zu identifizieren, die menschlichen Prüfern entgehen könnten.

Herausforderungen bei der Integration von KI in nukleare Sicherheitssysteme

Trotz der klaren Vorteile ist der Einsatz von KI in der nuklearen Sicherheit nicht einfach. Die Industrie gehört zu den am stärksten regulierten der Welt, und jede Änderung sicherheitsrelevanter Software muss strenge Anforderungen an Zuverlässigkeit, Sicherheit und Erklärbarkeit erfüllen. Diese Herausforderungen sind nicht unüberwindbar, erfordern jedoch sorgfältige Konstruktion und Governance.

Cybersecurity-Risiken

KI-Systeme führen neue Angriffsflächen ein. Kontradiktorisches maschinelles Lernen – bei dem ein böswilliger Akteur Eingaben erstellt, die dazu bestimmt sind, ein KI-Modell zu täuschen – ist ein besonderes Anliegen für nukleare Anwendungen. Eine subtile Störung der Sensorablesung, die für einen menschlichen Bediener nicht wahrnehmbar ist, könnte dazu führen, dass ein Anomalieerkennungsmodell einen gefährlichen Zustand als normal klassifiziert. Die Verteidigung gegen solche Angriffe erfordert eine robuste Datenvalidierung, Modellhärtungstechniken (wie kontradiktorisches Training) und luftgeschwächte Architekturen für die kritischsten Inferenz-Engines.

Regulierungsbehörden wie die US-amerikanische Nuclear Regulatory Commission (NRC) und nationale Cybersicherheitszentren entwickeln Leitlinien speziell für KI in nuklearen Kontexten. Zum Beispiel wird der Regulatory Guide 5.71 des NRC, der Cyber-Sicherheitsprogramme für Nuklearanlagen abdeckt, aktualisiert, um die einzigartigen Schwachstellen von KI-Komponenten zu beheben. Jedes KI-System, das in sicherheitsrelevante Instrumente und Steuerung integriert ist, muss auch die strengen Qualifikationsstandards von IEEE 603 und IEC 61513 erfüllen, die Diversität, Redundanz und Fehlertoleranz vorschreiben.

Erklärbarkeit und Vertrauen

Kernkraftbetreiber werden darin geschult, Entscheidungen auf der Grundlage klarer, überprüfbarer Gründe zu treffen. Ein tiefes neuronales Netzwerk, das einen „Risk Score ausgibt, ohne zu erklären, welche Merkmale das Ergebnis ausgelöst haben, wird wahrscheinlich kein Vertrauen der Betreiber oder eine behördliche Genehmigung erhalten. Dies hat das Interesse an erklärbaren AI-Methoden (XAI) wie SHAP (Shapley additive Erklärungen) und LIME (lokal interpretierbare modellunabhängige Erklärungen) geweckt, die die Sensoren und Muster hervorheben können, die eine Vorhersage beeinflusst haben.

In der Praxis bevorzugen viele Kernkraftbetreiber Hybridsysteme, die KI-Vorschläge mit transparenten regelbasierten Argumenten kombinieren. Zum Beispiel könnte eine KI eine potenzielle Anomalie kennzeichnen, und dann überprüft ein zweites deterministisches Modul, ob das erkannte Muster mit bekannten Vorläufern aus einer vom Menschen kuratierten Wissensdatenbank übereinstimmt. Dieser mehrschichtige Ansatz bewahrt die Mustererkennungskraft des maschinellen Lernens und stellt sicher, dass jede vorgeschlagene Aktion auf eine logische Beweiskette zurückgeführt werden kann. Piloteinsätze im Kernkraftwerk Krško in Slowenien haben gezeigt, dass Betreiber viermal häufiger eine KI-Empfehlung akzeptieren, wenn das System neben der Warnung eine textliche Erklärung liefert.

Regulatorische Hürden

Aktuelle regulatorische Rahmenbedingungen wurden für statische, deterministische Systeme konzipiert. KI-Modelle, die ihre Parameter im Laufe der Zeit aktualisieren – oder die auf Blackbox-Algorithmen beruhen – passen nicht gut in bestehende Genehmigungsprozesse. Das NRC und andere Regulierungsbehörden arbeiten aktiv an „Verifikations- und Validierungsstandards (V&V) für KI, aber diese bleiben im Entwurf. Bis sie kodifiziert sind, beschränken viele Anlagenbetreiber KI-Anwendungen auf nicht sicherheitsrelevante (Beratungs-) Rollen, wie z. B. die Optimierung von Wartungsplänen oder die Vorhersage von Leistungseinbußen außerhalb des Sicherheitsbereichs.

Ein Reaktor, der in einem Land gebaut wird, kann KI-Komponenten aus einem anderen Land verwenden, was Fragen zur gerichtlichen Aufsicht über Modellschulungsdaten und Aktualisierungsprotokolle aufwirft. Die IAEO hat eine Arbeitsgruppe für künstliche Intelligenz für nukleare Anwendungen eingerichtet, um die Richtlinien zu harmonisieren, aber ein einheitlicher internationaler Standard ist noch Jahre entfernt.

Fallstudien und Real-World-Anwendungen

Mehrere Kernkraftbetreiber und Forschungsorganisationen haben KI bereits aus dem Labor in die Betriebsumgebungen gebracht, und diese Fallstudien zeigen sowohl das Potenzial als auch die praktischen Lehren.

AI bei bestehenden Licht-Wasser-Reaktoren

Framatome, ein bedeutender nuklearer OEM, hat ein AI-basiertes Überwachungssystem namens VERA (Virtual Environment for Reactor Applications) in mehreren Anlagen in den Vereinigten Staaten und Europa eingesetzt. VERA verwendet einen digitalen Zwilling des Reaktorkerns, der in Echtzeit mit Anlagendaten aktualisiert wird, um die Abweichung von nukleatkochenden (DNB) Margen vorherzusagen - ein wichtiger Sicherheitsparameter. Das AI-Modell, ein neuronales Netzwerk, das auf hochpräzisen Physiksimulationen trainiert wurde, kann die DNB-Marge in Millisekunden anstelle der von herkömmlichen CFD-Solvern benötigten Stunden berechnen. Diese Geschwindigkeit ermöglicht es Betreibern, "Was-wäre-wenn" -Szenarien zu erkunden bei Unwetterereignissen oder abnormalen Transienten, was das Situationsbewusstsein verbessert.

In Südkorea hat das Korea Atomic Energy Research Institute (KAERI) ein KI-basiertes Frühwarnsystem für Rohrwandverdünnung entwickelt, die durch strömungsbeschleunigte Korrosion verursacht wird. Durch die Analyse von Ultraschalldickenmessungen mit einem Gradientenverstärkungsmodell prognostiziert das System die verbleibende Wanddicke mit einer Fehlerquote von weniger als 2%. Es wurde in den Kernkraftwerken Hanbit und Hanul installiert, wo es dazu beigetragen hat, Inspektionspläne zu priorisieren und die Anzahl der ungeplanten Rohrwechsel um 30% zu reduzieren.

KI für fortschrittliche und kleine modulare Reaktoren

Reaktorkonstruktionen der nächsten Generation – wie kleine modulare Reaktoren (SMR), geschmolzene Salzreaktoren und gasgekühlte Hochtemperaturreaktoren – stellen neue Überwachungsherausforderungen dar. Viele dieser Konstruktionen beruhen auf passiven Sicherheitsfunktionen und arbeiten bei höheren Temperaturen oder mit unterschiedlichen Kühlmitteln, wodurch historische Daten spärlich werden. KI kann dazu beitragen, diese Lücke zu schließen, indem Transfer Learning aus dem Betrieb von Reaktoren und simulationsbasiertes Training verwendet wird.

Start-ups wie Terrestrial Energy und NuScale Power integrieren bereits in der Entwurfsphase KI-gestützte Diagnosesysteme in ihre Steuerungssysteme. So nutzt das integrierte Leitraumkonzept von NuScale ein maschinelles Lernmodell, um den Zustand jedes seiner 12 Reaktormodule (je 77 MWe) zu überwachen und Abweichungen im Kühlmittelbestand vorherzusagen. Da SMRs mit kleineren Besatzungen betrieben werden sollen, wird autonome oder semi-autonome KI-Überwachung nicht nur eine Verbesserung, sondern eine Notwendigkeit für die Wirtschaftlichkeit.

Die Zukunft der KI in der nuklearen Sicherheit

Mit zunehmender KI und der Anpassung der regulatorischen Rahmenbedingungen wird die Rolle intelligenter Systeme für die nukleare Sicherheit größer werden. Kurzfristige Entwicklungen werden sich auf menschliche KI-Teams konzentrieren, während längerfristige Visionen völlig autonome Sicherheitssysteme für entfernte oder Tiefseereaktoren umfassen.

Autonome Überwachungssysteme

Eine vielversprechende Richtung ist das Konzept eines „AI-Sicherheitsbetreuers, der kontinuierlich alle Anlagen-Subsysteme überwacht, die Datenqualität validiert und Anomalien für Betreiber in prioritärer Reihenfolge eskaliert. Solche Systeme könnten rund um die Uhr ohne Ermüdung arbeiten und konstante Wachsamkeit aufrechterhalten. Das Light Water Reactor Sustainability (LWRS)-Programm des US-Energieministeriums hat einen Prototyp am Idaho National Laboratory demonstriert, der einen verstärkenden Lernagenten verwendet, um die Reaktorleistung und die Kühlkapazität während Stations-Blackout-Szenarien autonom auszugleichen. Die KI übertraf menschliche Betreiber bei der Aufrechterhaltung sicherer Temperaturmargen in simulierten Tests, obwohl der vollständige Einsatz jahrelange Validierung erfordern würde.

Für entfernte Mikroreaktoren – kleine, transportable Einheiten, die für den Bergbau oder Militärbasen entwickelt wurden – ist eine autonome Sicherheitsüberwachung unerlässlich, da menschliche Bediener möglicherweise Hunderte von Kilometern entfernt sind. Unternehmen wie Westinghouse und Oklo entwerfen ihre eVinci- und Aurora-Mikroreaktoren mit KI-gesteuerten Steuerungssystemen, die auf Störungen ohne menschliches Eingreifen reagieren können und sich auf redundante, vielfältige Algorithmen verlassen, um die Sicherheit auch bei Ausfall eines Modells zu gewährleisten.

Human-AI-Zusammenarbeit

Trotz der Fortschritte in der Autonomie betont die Sicherheitskultur der Nuklearindustrie die menschliche Aufsicht. Die wahrscheinlichste kurzfristige Zukunft ist ein kollaboratives Modell, bei dem die KI datenintensive Überwachung und Mustererkennung übernimmt, während sich die Menschen auf strategische Entscheidungsfindung, Validierung und ethisches Urteilsvermögen konzentrieren. Trainingssimulatoren werden KI-generierte Szenarien integrieren, um die Reaktion der Betreiber auf seltene, schwerwiegende Ereignisse zu schärfen. Die IAEO-Plattform Nuclear Security e-Learning umfasst bereits Module zu KI-Bedrohungen und -Tools, die die nächste Generation von Reaktorbetreibern auf einen digital erweiterten Arbeitsplatz vorbereiten.

Ebenso wichtig ist die Entwicklung internationaler Standards für die Zuverlässigkeit von KI in sicherheitskritischen Anwendungen. Organisationen wie das Institute of Electrical and Electronics Engineers (IEEE) und die International Electrotechnical Commission (IEC) entwerfen Leitfäden wie IEEE P7009 (Fail-Safety of Autonomous Systems) und IEC 62859 (Nuclear Power Plants – Instrumentation and Control – Artificial Intelligence), die einen Entwurf für eine sichere Implementierung liefern werden. Sobald diese Standards etabliert sind, wird der Weg zu einer breiteren KI-Einführung in die nukleare Sicherheit klarer werden.

Zusammenfassend ist künstliche Intelligenz kein Wundermittel für die nukleare Sicherheit, aber es ist ein leistungsfähiges Werkzeug, das die Geschwindigkeit, Genauigkeit und Vollständigkeit von Überwachungsystemen dramatisch verbessern kann. Von der Vorhersage von Geräteausfällen Tage im Voraus bis hin zur Fusion von Daten über Tausende von Sensoren in Echtzeit, KI adressiert die wachsende Komplexität moderner Kernkraftwerke. Die Herausforderungen - Cybersicherheit, Erklärbarkeit und Regulierung - sind real, aber sie werden aktiv durch Forschung, Pilotprogramme und internationale Zusammenarbeit angegangen. Mit der Reife und dem Vertrauen wird KI ein integraler Bestandteil der Sicherheitsarchitektur werden, die Kernenergie zu einem der sichersten verfügbaren Mittel der Stromerzeugung macht. Das Ziel ist es nicht, menschliches Urteilsvermögen zu ersetzen, sondern es zu verstärken, um sicherzustellen, dass die Betreiber jederzeit die bestmöglichen Informationen haben.