红外摄像头和人工智能提供对沸腾的洞察

麻省理工学院的研究人员训练一个神经网络来预测“沸腾危机”，其潜在应用是冷却计算机芯片和核反应堆。煮沸不仅仅是为了加热晚餐。它也用于冷却事物。将液体转化为气体可以从热表面去除能量，并防止从核电站到强大的计算机芯片的一切过热。但是当表面变得太热时，它们可能会经历所谓的沸腾危机。

在沸腾危机中，气泡会迅速形成，在它们从受热表面分离之前，它们会粘在一起，形成一个蒸汽层，使表面与上方的冷却流体绝缘。温度上升得更快，可能导致灾难。操作员希望预测此类故障，而新的研究使用高速红外摄像机和机器学习提供了对这种现象的洞察。

麻省理工学院核科学与工程系诺曼 C.拉斯穆森助理教授Matteo Bucci领导了这项新工作， 发表 在《应用物理快报》上. 在之前的研究中，他的团队花了将近五年的时间开发了一种技术，机器学习可以简化相关的图像处理。在这两个项目的实验装置中，一个 2 厘米宽的透明加热器位于水浴下方。红外摄像机位于加热器下方，指向上方并以每秒 2,500 帧的速度记录，分辨率约为 0.1 毫米。以前，研究视频的人必须手动计算气泡并测量它们的特征，但 Bucci 训练了一个神经网络来完成这项繁琐的工作，将为期三周的过程缩短到大约 5 秒。“然后我们说，'让我们看看除了处理数据之外，我们是否还能从人工智能中学到一些东西，'”布奇说。

目标是估计水离沸腾危机有多近。该系统查看了图像处理 AI 提供的 17 个因素：“成核点密度”(每单位面积上加热表面有规律地生长气泡的点数)，以及对于每个视频帧，平均红外线这些站点的辐射以及关于这些站点周围辐射分布的其他 15 个统计数据，包括它们如何随时间变化。手动找到一个正确权衡所有这些因素的公式将是一项艰巨的挑战。但是“人工智能不受我们大脑的速度或数据处理能力的限制，”布奇说。此外，我们对沸腾的先入为主的假设“没有偏见”。

为了收集数据，他们在氧化铟锡表面煮沸水，单独或带有以下三种涂层之一：氧化铜纳米叶、氧化锌纳米线或二氧化硅纳米颗粒层。他们用来自前三个表面的 85% 的数据训练了一个神经网络，然后在这些条件的 15% 的数据加上来自第四个表面的数据上对其进行了测试，以查看它对新条件的泛化能力。根据一项指标，它的准确率为 96%，即使它没有在所有表面上进行过训练。“我们的模型不仅仅是记住特征，”Bucci 说。“这是机器学习中的一个典型问题。我们能够将预测外推到不同的表面。”

该团队还发现，所有 17 个因素都对预测准确性做出了重大贡献(尽管有些因素比其他因素要多)。此外，他们没有将模型视为以未知方式使用 17 个因素的黑匣子，而是确定了三个解释这一现象的中间因素：成核点密度、气泡大小(由 17 个因素中的八个计算得出)和乘积增长时间和泡沫离开频率(根据 17 个因素中的 12 个计算)。Bucci 说，文献中的模型通常只使用一个因素，但这项工作表明我们需要考虑许多因素，以及它们之间的相互作用。“这是一个大问题。”

“这很棒，”未参与这项工作的巴特那理工学院副教授 Rishi Raj 说。“沸腾具有如此复杂的物理学。” 它至少涉及物质的两个阶段，以及导致混沌系统的许多因素。“尽管对该主题进行了至少 50 年的广泛研究，但开发预测模型几乎是不可能的，”Raj 说。“机器学习的新工具对我们来说意义重大。”

研究人员一直在争论沸腾危机背后的机制。它是完全由加热表面的现象引起的，还是来自遥远的流体动力学?这项工作表明地表现象足以预测该事件。

预测接近沸腾的危机不仅会增加安全性。它还提高了效率。通过实时监控条件，系统可以将芯片或反应堆推到极限，而无需对其进行节流或构建不必要的冷却硬件。Bucci 说，这就像赛道上的法拉利：“你想释放引擎的力量。”

与此同时，Bucci 希望将他的诊断系统集成到一个可以控制热传递的反馈回路中，从而使未来的实验自动化，使系统能够测试假设并收集新数据。“这个想法实际上是按下按钮并在实验完成后返回实验室。” 他是否担心会因为机器而失去工作?“我们只会花更多时间思考，而不是进行可以自动化的操作，”他说。无论如何：“这是关于提高标准。这与失去工作无关。”

标签： 红外摄像头