Koken is niet alleen om het avondeten op te warmen. Het is ook om dingen af ​​te koelen. Door vloeistof in gas te veranderen, wordt energie verwijderd van hete oppervlakken, en zorgt ervoor dat alles, van kerncentrales tot krachtige computerchips, niet oververhit raakt. Maar als oppervlakken te heet worden, ze kunnen een zogenaamde kokende crisis ervaren.

In een kokende crisis, bubbels vormen snel, en voordat ze loskomen van het verwarmde oppervlak, ze klampen zich vast, het creëren van een damplaag die het oppervlak isoleert van de koelvloeistof erboven. De temperaturen stijgen nog sneller en kunnen catastrofes veroorzaken. Operators willen dergelijke storingen voorspellen, en nieuw onderzoek biedt inzicht in het fenomeen met behulp van high-speed infraroodcamera's en machine learning.

Matteo Bucci, de Norman C. Rasmussen universitair docent nucleaire wetenschap en techniek aan het MIT, leidde het nieuwe werk, gepubliceerd 23 juni in Technische Natuurkunde Brieven . In eerder onderzoek is zijn team heeft bijna vijf jaar gewerkt aan het ontwikkelen van een techniek waarmee machine learning relevante beeldverwerking kon stroomlijnen. In de experimentele opstelling voor beide projecten, een transparante kachel van 2 centimeter breed zit onder een bad met water. Een infraroodcamera zit onder de verwarming, omhoog gericht en opnemen op 2, 500 frames per seconde met een resolutie van ongeveer 0,1 millimeter. Eerder, mensen die de video's bestuderen, zouden de bubbels handmatig moeten tellen en hun kenmerken moeten meten, maar Bucci trainde een neuraal netwerk om het karwei te doen, een proces van drie weken terugbrengen tot ongeveer vijf seconden. "Toen zeiden we:"Laten we eens kijken of we, behalve het verwerken van de gegevens, ook echt iets kunnen leren van kunstmatige intelligentie, ', zegt Bucci.

Het doel was om in te schatten hoe dicht het water bij een kokende crisis was. Het systeem keek naar 17 factoren die worden geleverd door de beeldverwerkings-AI:de "nucleation site density" (het aantal locaties per oppervlakte-eenheid waar regelmatig bellen groeien op het verwarmde oppervlak), net zoals, voor elk videoframe, de gemiddelde infraroodstraling op die locaties en 15 andere statistieken over de verspreiding van straling rond die locaties, inclusief hoe ze in de loop van de tijd veranderen. Het zou een enorme uitdaging zijn om handmatig een formule te vinden die al deze factoren correct weegt. Maar "kunstmatige intelligentie wordt niet beperkt door de snelheid of de gegevensverwerkingscapaciteit van onze hersenen, " zegt Bucci. Verder, "machine learning is niet bevooroordeeld" door onze vooropgezette hypothesen over koken.

Om gegevens te verzamelen, ze kookten water op een oppervlak van indiumtinoxide, alleen of met een van de drie coatings:koperoxide nanobladeren, zinkoxide nanodraden, of lagen siliciumdioxide nanodeeltjes. Ze trainden een neuraal netwerk op 85 procent van de gegevens van de eerste drie oppervlakken, testte het vervolgens op 15 procent van de gegevens van die omstandigheden plus de gegevens van het vierde oppervlak, om te zien hoe goed het zou kunnen generaliseren naar nieuwe omstandigheden. Volgens een metriek, het was 96 procent nauwkeurig, ook al was het niet op alle oppervlakken getraind. "Ons model was niet alleen het onthouden van functies, " zegt Bucci. "Dat is een typisch probleem bij machine learning. We zijn in staat om voorspellingen te extrapoleren naar een ander oppervlak."

Het team ontdekte ook dat alle 17 factoren aanzienlijk bijdroegen aan de nauwkeurigheid van de voorspelling (hoewel sommige meer dan andere). Verder, in plaats van het model te behandelen als een zwarte doos die 17 factoren op onbekende manieren gebruikte, ze identificeerden drie tussenliggende factoren die het fenomeen verklaarden:dichtheid van de nucleatieplaats, belgrootte (die werd berekend op basis van acht van de 17 factoren), en het product van groeitijd en belvertrekfrequentie (die werd berekend uit 12 van de 17 factoren). Bucci zegt dat modellen in de literatuur vaak maar één factor gebruiken, maar dit werk laat zien dat we veel moeten overwegen, en hun interacties. "Dit is een groot probleem."

"Dit is geweldig, " zegt Rishi Raj, een universitair hoofddocent aan het Indian Institute of Technology in Patna, die niet bij het werk betrokken was. "Koken heeft zo'n ingewikkelde fysica." Het omvat ten minste twee fasen van materie, en vele factoren die bijdragen aan een chaotisch systeem. "Het is bijna onmogelijk geweest, ondanks minstens 50 jaar uitgebreid onderzoek over dit onderwerp, een voorspellend model te ontwikkelen, " Zegt Raj. "Het is heel logisch voor ons om de nieuwe tools van machine learning te gebruiken."

Onderzoekers hebben gedebatteerd over de mechanismen achter de kokende crisis. Is het uitsluitend het gevolg van verschijnselen aan het verwarmingsoppervlak, of ook van verre vloeistofdynamica? Dit werk suggereert dat oppervlakteverschijnselen voldoende zijn om de gebeurtenis te voorspellen.

Het voorspellen van de nabijheid van de kokende crisis verhoogt niet alleen de veiligheid. Het verbetert ook de efficiëntie. Door de omstandigheden in realtime te monitoren, een systeem zou chips of reactoren tot het uiterste kunnen drijven zonder ze te smoren of onnodige koelingshardware te bouwen. Het is als een Ferrari op een circuit, Bucci zegt:"Je wilt de kracht van de motor ontketenen."

Ondertussen, Bucci hoopt zijn diagnosesysteem te integreren in een feedbacklus die de warmteoverdracht kan regelen, waardoor toekomstige experimenten worden geautomatiseerd, waardoor het systeem hypothesen kan testen en nieuwe gegevens kan verzamelen. "Het idee is echt om op de knop te drukken en terug te komen naar het lab zodra het experiment is voltooid." Maakt hij zich zorgen over het verlies van zijn baan aan een machine? "We zullen gewoon meer tijd besteden aan het nadenken, geen bewerkingen uitvoeren die kunnen worden geautomatiseerd, ' zegt hij. In ieder geval:'Het gaat erom de lat hoger te leggen. Het gaat niet om het verliezen van de baan."

Dit verhaal is opnieuw gepubliceerd met dank aan MIT News (web.mit.edu/newsoffice/), een populaire site met nieuws over MIT-onderzoek, innovatie en onderwijs.