Heat-Pipe-Mikroreaktoren: 57 % Kostenreduktion durch KI-gestützte Optimierung

In einer wegweisenden Studie wurden Heat‑Pipe‑Mikroreaktoren (HPMRs) mithilfe modernster KI‑Methoden neu gestaltet. Diese kompakt‑transportablen Reaktoren sind ideal für abgelegene Gebiete, in denen fossile Brennstoffe teuer sind, doch ihre Wirtschaftlichkeit blieb bislang fraglich.

Die Forscher entwickelten einen ganzheitlichen Optimierungsansatz, der geometrische Designparameter mit techno‑ökonomischen Aspekten verknüpft. Zunächst wurden zufällige Designvarianten generiert, um Surrogatmodelle – Gaussian Processes und Multi‑Layer Perceptrons – zu trainieren. Anschließend setzten sie diese Modelle in ein Reinforcement‑Learning‑Framework ein, um den levelized Cost of Electricity (LCOE) zu minimieren, während gleichzeitig Vorgaben zu Brennstofflebensdauer, Shutdown‑Margin, Spitzenwärmefluss und Rod‑Integrated Peaking Factor eingehalten wurden.

Bei zwei Szenarien – einmal mit hohen axialen Reflektorkosten und einmal mit günstigen Reflektoren – zeigte die Optimierung, dass Betriebskosten, Wartung und insbesondere die Kosten für axialen Reflektoren sowie die Materialien des Kontrolltromms die Hauptfaktoren für den LCOE sind. Der Optimierer passt die Designparameter geschickt an, um diese Kosten zu senken, ohne die Sicherheitsgrenzen zu verletzen. Das Ergebnis: eine LCOE‑Reduktion von über 57 % in beiden Fällen.

Diese Arbeit demonstriert, wie datengetriebene Optimierung die wirtschaftliche Tragfähigkeit von Mikroreaktoren deutlich verbessern kann und ebnet damit den Weg für verlässliche, kostengünstige Energieversorgung in entlegenen Regionen.