Las cámaras de infrarrojos y la inteligencia artificial proporcionan información sobre el hervor

julio 8, 2021 0 Por RenzoC

Hervir no es solo para recalentar la cena. También es para enfriar las cosas. La conversión de líquido en gas elimina la energía de las superficies calientes y evita que todo se sobrecaliente, desde las centrales nucleares hasta los potentes chips de computadora. Pero cuando las superficies se calientan demasiado, puede ocurrir lo que se llama una crisis de ebullición.

En una crisis de ebullición, las burbujas se forman rápidamente y, antes de desprenderse de la superficie calentada, se adhieren, formando una capa de vapor que aísla la superficie del fluido refrigerante de arriba. Las temperaturas aumentan aún más rápido y pueden causar catástrofes. A los operadores les gustaría predecir tales fallas, y una nueva investigación ofrece información sobre el fenómeno utilizando cámaras infrarrojas de alta velocidad y aprendizaje automático.

Matteo Bucci, profesor asistente Norman C. Rasmussen de ciencia e ingeniería nuclear en el MIT, dirigió el nuevo trabajo, publicado el 23 de junio en Applied Physics Letters. En investigaciones anteriores, su equipo pasó casi cinco años desarrollando una técnica en la que el aprendizaje automático podría facilitar el procesamiento de imágenes relevantes. En la configuración experimental de ambos proyectos, un calentador transparente de 2 centímetros de diámetro se encuentra debajo de un baño de agua. Una cámara de infrarrojos se encuentra debajo del calentador, apunta hacia arriba y graba a 2.500 fotogramas por segundo con una resolución de aproximadamente 0,1 mm. Anteriormente, las personas que estudiaban los videos habrían tenido que contar manualmente las burbujas y medir sus características, pero Bucci entrenó una red neuronal para realizar la tarea, reduciendo un proceso de tres semanas a unos cinco segundos. «Luego nos dijimos a nosotros mismos: ‘Veamos si, además de procesar los datos, podemos aprender algo de una inteligencia artificial'», dice Bucci.

El objetivo era estimar qué tan cerca estaba el agua de una crisis de ebullición. El sistema examinó 17 factores proporcionados por la IA de procesamiento de imágenes: la «densidad del sitio de nucleación» (el número de sitios por unidad de área donde las burbujas crecen regularmente en la superficie calentada), así como, para cada cuadro de video, la radiación infrarroja promedio en esos sitios y otras 15 estadísticas sobre la distribución de la radiación alrededor de esos sitios, incluida la forma en que están cambiando con el tiempo. Encontrar manualmente una fórmula que pondera correctamente todos estos factores sería un desafío abrumador. Pero «la inteligencia artificial no está limitada por la velocidad o la capacidad de manejo de datos de nuestro cerebro», dice Bucci. Además, «el aprendizaje automático no se ve afectado» por nuestras suposiciones preconcebidas sobre la ebullición.

Para recopilar datos, hirvieron agua sobre una superficie de óxido de indio y estaño, ya sea sola o con uno de los tres recubrimientos: nanocables de óxido de cobre, nanocables de óxido de zinc o capas de nanopartículas de dióxido de silicio. Entrenaron una red neuronal en el 85 por ciento de los datos de las tres primeras superficies, luego la probaron en el 15 por ciento de los datos de esas condiciones más los datos de la cuarta superficie, para ver cómo se podía generalizar a nuevas condiciones. Según una métrica, tenía una precisión del 96%, a pesar de que no había sido entrenado en todas las superficies. «Nuestro modelo no se trataba solo de memorizar funciones», dice Bucci. “Este es un problema típico del aprendizaje automático. Somos capaces de extrapolar las previsiones a otra superficie ”.

El equipo también descubrió que los 17 factores contribuyeron significativamente a la precisión de la predicción (aunque algunos más que otros). Además, en lugar de tratar el modelo como una caja negra utilizando 17 factores de formas desconocidas, identificaron tres factores intermedios que explicaban el fenómeno: la densidad del sitio de nucleación, el tamaño de la burbuja (calculado a partir de ocho de los 17 factores) y el producto del crecimiento. tiempo y la frecuencia de inicio de la burbuja (calculada a partir de 12 de los 17 factores). Bucci afirma que los modelos en la literatura a menudo usan solo un factor, pero este trabajo muestra que debemos considerar muchos y sus interacciones. «Este es un gran problema.»

«Esto es fantástico», dice Rishi Raj, profesor asociado del Instituto Indio de Tecnología en Patna, que no participó en el trabajo. «El forúnculo tiene una física tan complicada». Implica al menos dos fases de la materia y muchos factores que contribuyen a un sistema caótico. «Ha sido casi imposible, a pesar de al menos 50 años de extensas investigaciones sobre este tema, desarrollar un modelo predictivo», dice Raj. «Las nuevas herramientas de aprendizaje automático tienen mucho sentido para nosotros».

Los investigadores discutieron los mecanismos detrás de la crisis de ebullición. ¿Se deriva únicamente de fenómenos en la superficie de calentamiento, o también de dinámica de fluidos remota? Este trabajo sugiere que los fenómenos superficiales son suficientes para predecir el evento.

Predecir la proximidad a la crisis caliente no solo aumenta la seguridad. También mejora la eficiencia. Al monitorear las condiciones en tiempo real, un sistema podría llevar chips o balastos al límite sin limitarlos o construir hardware de enfriamiento innecesario. Es como un Ferrari en la pista, dice Bucci: «Quieres dar rienda suelta a la potencia del motor».

Mientras tanto, Bucci espera integrar su sistema de diagnóstico en un circuito de retroalimentación capaz de controlar la transferencia de calor, automatizando así experimentos futuros, permitiendo que el sistema pruebe hipótesis y recopile nuevos datos. «La idea es realmente presionar el botón y volver al laboratorio una vez que se realiza el experimento». ¿Le preocupa perder su trabajo por un automóvil? «Dedicaremos más tiempo a pensar, no a hacer cosas que puedan automatizarse», dice. En cualquier caso: “Se trata de subir el listón. No se trata de perder tu trabajo «.

Suscríbase a nuestro boletín de noticias!