沸腾不仅仅是为了给晚餐加热。它也是用来冷却东西的。将液体转化为气体可以从热的表面移除能量，并使从核电站到强大的计算机芯片的一切都不会过热。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，气泡迅速形成，在它们脱离被加热的表面之前，它们会粘在一起，形成一个蒸汽层，使表面与上面的冷却液绝缘。温度上升得更快，并可能导致灾难的发生。操作人员希望预测此类故障，而新研究利用高速红外摄像机和机器学习对这一现象进行了深入研究。
麻省理工学院核科学与工程系Norman C. Rasmussen助理教授Matteo Bucci领导了这项新工作，该研究成果于2021年6月23日发表在《应用物理快报》上。在之前的研究中，他的团队花了近五年时间开发了一种机器学习可以简化相关图像处理的技术。在这两个项目的实验装置中，一个2厘米宽的透明加热器被放置在一个水浴下面。一台红外摄像机位于加热器下方，指向上方，以每秒2500帧的速度记录，分辨率约为0.1毫米。以前，研究这些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工作，将三周的过程缩短到大约五秒钟。 Bucci说：“然后我们说，‘让我们看看，除了处理数据之外，我们是否真的能从人工智能中学习到一些东西’。”
研究人员的目标是估计水离沸腾危机有多远。该系统查看了由图像处理人工智能提供的17个因素："成核位点密度"，以及每一帧视频，这些地点的平均红外辐射和关于这些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。人工寻找一个能正确权衡所有这些因素的公式将是一个艰巨的挑战。但 “人工智能不受我们大脑的速度或数据处理能力的限制，” Bucci说。此外，“机器学习不受我们对沸腾的先入为主的假设的影响”。
为了收集数据，他们在氧化铟锡的表面上煮水，本身或带有三种涂层之一：氧化铜纳米波、氧化锌纳米线或二氧化硅纳米颗粒层。他们在前三个表面的85%的数据上训练了一个神经网络，然后在这些条件的15%的数据和第四个表面的数据上对其进行测试，看它对新条件的概括能力如何。根据一项指标，它的准确率为96%，尽管它没有在所有的表面上接受过训练。"我们的模型不仅仅是在记忆特征，"Bucci说。"那是机器学习中的一个典型问题。我们有能力将预测推断到不同的表面。"
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更重要）。此外，他们没有把模型当作一个以未知方式使用17个因素的“黑匣子”，而是确定了解释这一现象的三个中间因素：成核位点密度、气泡大小（由17个因素中的8个计算），以及生长时间和气泡离开频率的乘积（由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，以及它们的相互作用。"这是件大事。"
原创文章，作者：ItWorker，如若转载，请注明出处：https://blog.ytso.com/30050.html