Предсказание «кризиса кипения»

Исследователи Массачусетского технологического института обучают нейронную сеть предсказывать «кризис кипения» с потенциальными приложениями для охлаждения компьютерных микросхем и ядерных реакторов.

Варка предназначена не только для разогрева обеда. Это также для охлаждения. Превращение жидкости в газ убирает энергию с горячих поверхностей и предохраняет все, от атомных электростанций до мощных компьютерных микросхем, от перегрева. Но когда поверхности становятся слишком горячими, они могут испытать так называемый кризис кипения.

Как остановить кризис кипения

Во время кризиса кипения пузырьки образуются быстро, и, прежде чем они оторвутся от нагретой поверхности, они слипаются, образуя паровой слой, изолирующий поверхность от охлаждающей жидкости наверху. Температура поднимается еще быстрее и может вызвать катастрофу. Операторы хотели бы предсказать такие сбои, и новое исследование предлагает понимание этого явления с помощью высокоскоростных инфракрасных камер и машинного обучения.

Подписывайтесь на наш youtube канал!

Маттео Буччи, доцент кафедры ядерной науки и инженерии Массачусетского технологического института Нормана К. Расмуссена, возглавил новую работу, опубликованную 23 июня 2021 года в журнале Applied Physics Letters.. В предыдущем исследовании его команда потратила почти пять лет на разработку техники, с помощью которой машинное обучение могло бы упростить обработку соответствующих изображений. В экспериментальной установке для обоих проектов под ванной с водой находится прозрачный обогреватель диаметром 2 сантиметра. Инфракрасная камера находится под нагревателем, направлена ​​вверх и записывает со скоростью 2500 кадров в секунду с разрешением около 0,1 миллиметра. Раньше людям, изучающим видео, приходилось вручную подсчитывать пузырьки и измерять их характеристики, но Буччи обучил нейронную сеть выполнять эту работу, сократив трехнедельный процесс примерно до пяти секунд. «Затем мы сказали:« Давайте посмотрим, сможем ли мы, помимо обработки данных, чему-то научиться у искусственного интеллекта », - говорит Буччи.

Цель состояла в том, чтобы оценить, насколько вода близка к кризису кипения. Система учитывала 17 факторов, предоставляемых ИИ обработки изображений: «плотность мест зарождения» (количество мест на единицу площади, где пузырьки регулярно растут на нагретой поверхности), а также для каждого видеокадра среднее значение инфракрасного излучения. радиация на этих объектах и ​​15 других статистических данных о распределении радиации вокруг этих участков, в том числе о том, как они меняются с течением времени. Найти формулу, которая правильно взвешивает все эти факторы вручную, будет непросто. Но «искусственный интеллект не ограничен скоростью или способностью нашего мозга обрабатывать данные», - говорит Буччи. Кроме того, «машинное обучение не предвзято» из-за наших предвзятых гипотез о кипении.

Для сбора данных они кипятили воду на поверхности оксида индия и олова, отдельно или с одним из трех покрытий: нанолистья оксида меди, нанопроволоки оксида цинка или слои наночастиц диоксида кремния. Они обучили нейронную сеть на 85 процентах данных с первых трех поверхностей, затем протестировали ее на 15 процентах данных этих условий плюс данные с четвертой поверхности, чтобы увидеть, насколько хорошо она может быть обобщена для новых условий. Согласно одной метрике, он был точным на 96 процентов, даже несмотря на то, что он не был обучен на всех поверхностях. «Наша модель заключалась не только в запоминании функций», - говорит Буччи. «Это типичная проблема в машинном обучении. Мы способны экстраполировать прогнозы на другую поверхность ».

Команда также обнаружила, что все 17 факторов значительно повлияли на точность прогнозов (хотя некоторые из них больше, чем другие). Кроме того, вместо того, чтобы рассматривать модель как черный ящик, в котором неизвестным образом использовалось 17 факторов, они определили три промежуточных фактора, объясняющих это явление: плотность центров зародышеобразования, размер пузырьков (который был рассчитан на основе восьми из 17 факторов) и продукт времени роста и частоты вылета пузырьков (которая была рассчитана на основе 12 из 17 факторов). Буччи говорит, что модели в литературе часто используют только один фактор, но эта работа показывает, что мы должны учитывать многие из них и их взаимодействия. "Это большое дело."

«Это здорово», - говорит Риши Радж, доцент Индийского технологического института в Патне, который не принимал участия в работе. «У кипения такая сложная физика». Он включает как минимум две фазы материи и множество факторов, способствующих хаотической системе. «Было почти невозможно, несмотря на как минимум 50 лет обширных исследований по этой теме, разработать прогнозную модель», - говорит Радж. «Для нас новые инструменты машинного обучения имеют большой смысл».

Исследователи обсуждали механизмы кризиса кипения. Является ли это результатом исключительно явлений на поверхности нагрева или также отдаленной гидродинамики? В этой работе предполагается, что поверхностных явлений достаточно, чтобы спрогнозировать событие.

Предсказание близости к кризису кипения не только повышает безопасность. Это также повышает эффективность. Контролируя условия в режиме реального времени, система может довести микросхемы или реакторы до предела своих возможностей без их дросселирования или создания ненужного охлаждающего оборудования. По словам Буччи, это похоже на Ferrari на треке: «Вы хотите раскрыть всю мощь двигателя».

Тем временем Буччи надеется интегрировать свою диагностическую систему в контур обратной связи, который может управлять теплопередачей, тем самым автоматизируя будущие эксперименты, позволяя системе проверять гипотезы и собирать новые данные. «Идея состоит в том, чтобы нажать на кнопку и вернуться в лабораторию после завершения эксперимента». Боится ли он потерять работу из-за машины? «Мы просто будем тратить больше времени на размышления, а не на выполнение операций, которые можно автоматизировать», - говорит он. В любом случае: «Речь идет о поднятии планки. Дело не в потере работы ». опубликовано econet.ru по материалам scitechdaily.com

Лучшие публикации в Telegram-канале Econet.ru. Подписывайтесь!

Подписывайтесь на наш youtube канал!

P.S. И помните, всего лишь изменяя свое потребление - мы вместе изменяем мир! © econet