Infrarøde kameraer og kunstig intelligens afslører kogningens fysik

Kogning er ikke kun til at varme aftensmaden op. Det er også til at køle tingene ned. At omdanne væske til gas fjerner energi fra varme overflader, og holder alt fra atomkraftværker til kraftige computerchips fra overophedning. Men når overflader bliver for varme, de kan opleve det, der kaldes en kogende krise.

I en kogende krise, bobler dannes hurtigt, og før de løsner sig fra den opvarmede overflade, de klamrer sig sammen, etablering af et damplag, der isolerer overfladen fra kølevæsken ovenfor. Temperaturerne stiger endnu hurtigere og kan forårsage katastrofe. Operatører vil gerne forudsige sådanne fejl, og ny forskning giver indsigt i fænomenet ved hjælp af højhastigheds-infrarøde kameraer og maskinlæring.

Matteo Bucci, Norman C. Rasmussen adjunkt i nuklear videnskab og teknik ved MIT, ledet det nye arbejde, udgivet 23. juni i Anvendt fysik bogstaver . I tidligere forskning, hans team brugte næsten fem år på at udvikle en teknik, hvor maskinlæring kunne strømline relevant billedbehandling. I forsøgsopstillingen for begge projekter, en gennemsigtig varmeovn 2 centimeter på tværs sidder under et vandbad. Et infrarødt kamera sidder under varmeren, pegede op og optage ved 2, 500 billeder i sekundet med en opløsning på omkring 0,1 millimeter. Tidligere, folk, der studerer videoerne, skulle manuelt tælle boblerne og måle deres egenskaber, men Bucci trænede et neuralt netværk til at klare opgaven, reducere en tre-ugers proces til omkring fem sekunder. "Så sagde vi, "Lad os se, om vi ud over blot at behandle data rent faktisk kan lære noget af en kunstig intelligens, " siger Bucci.

Målet var at vurdere, hvor tæt vandet var på en kogekrise. Systemet så på 17 faktorer leveret af billedbehandlings-AI:"kernedannelsesstedets tæthed" (antallet af steder pr. arealenhed, hvor bobler regelmæssigt vokser på den opvarmede overflade), såvel som, for hver videoramme, den gennemsnitlige infrarøde stråling på disse steder og 15 andre statistikker om fordelingen af ​​stråling omkring disse steder, herunder hvordan de ændrer sig over tid. Manuelt at finde en formel, der vejer alle disse faktorer korrekt, ville være en skræmmende udfordring. Men "kunstig intelligens er ikke begrænset af vores hjernes hastighed eller datahåndteringskapacitet, " siger Bucci. Yderligere, "machine learning er ikke forudindtaget" af vores forudfattede hypoteser om kogning.

For at indsamle data, de kogte vand på en overflade af indiumtinoxid, alene eller med en af ​​tre belægninger:kobberoxid nanoblade, zinkoxid nanotråde, eller lag af siliciumdioxid nanopartikler. De trænede et neuralt netværk på 85 procent af dataene fra de første tre overflader, testede det derefter på 15 procent af dataene for disse forhold plus dataene fra den fjerde overflade, for at se, hvor godt det kunne generalisere til nye forhold. Ifølge en metrik, det var 96 procent nøjagtigt, selvom det ikke var blevet trænet på alle underlag. "Vores model var ikke kun at huske funktioner, " siger Bucci. "Det er et typisk problem inden for maskinlæring. Vi er i stand til at ekstrapolere forudsigelser til en anden overflade."

Holdet fandt også, at alle 17 faktorer bidrog væsentligt til forudsigelsesnøjagtighed (dog nogle mere end andre). Yderligere, i stedet for at behandle modellen som en sort boks, der brugte 17 faktorer på ukendte måder, de identificerede tre mellemliggende faktorer, der forklarede fænomenet:nukleationsstedets tæthed, boblestørrelse (som blev beregnet ud fra otte af de 17 faktorer), og produktet af væksttid og bobleafgangsfrekvens (som blev beregnet ud fra 12 af de 17 faktorer). Bucci siger, at modeller i litteraturen ofte kun bruger én faktor, men dette arbejde viser, at vi skal overveje mange, og deres interaktioner. "Dette er en stor sag."

"Dette er godt, " siger Rishi Raj, en lektor ved Indian Institute of Technology i Patna, som ikke var involveret i arbejdet. "Kogning har så kompliceret fysik." Det involverer mindst to faser af stof, og mange faktorer, der bidrager til et kaotisk system. "Det har været næsten umuligt, på trods af mindst 50 års omfattende forskning om dette emne, at udvikle en prædiktiv model, " siger Raj. "Det giver meget mening for os de nye værktøjer til maskinlæring."

Forskere har diskuteret mekanismerne bag den kogende krise. Opstår det udelukkende fra fænomener ved varmefladen, eller også fra fjern væskedynamik? Dette arbejde antyder, at overfladefænomener er nok til at forudsige begivenheden.

At forudsige nærhed til den kogende krise øger ikke kun sikkerheden. Det forbedrer også effektiviteten. Ved at overvåge forhold i realtid, et system kunne presse chips eller reaktorer til deres grænser uden at drosle dem eller bygge unødvendigt kølehardware. Det er som en Ferrari på en bane, Bucci siger:"Du vil frigøre motorens kraft."

I mellemtiden, Bucci håber på at integrere sit diagnostiske system i en feedback-loop, der kan kontrollere varmeoverførsel, dermed automatisere fremtidige eksperimenter, giver systemet mulighed for at teste hypoteser og indsamle nye data. "Idéen er virkelig at trykke på knappen og vende tilbage til laboratoriet, når eksperimentet er afsluttet." Er han bekymret for at miste sit job til en maskine? "Vi vil bare bruge mere tid på at tænke, ikke udfører operationer, der kan automatiseres, " siger han. Under alle omstændigheder:"Det handler om at hæve barren. Det handler ikke om at miste jobbet«.

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT-forskning, innovation og undervisning.