Kokning är inte bara för att värma upp middagen. Det är också för att kyla ner saker. Omvandling av vätska till gas tar bort energi från heta ytor, och håller allt från kärnkraftverk till kraftfulla datorchips från överhettning. Men när ytorna blir för varma, de kan uppleva det som kallas kokande kris.

I en kokande kris, bubblor bildas snabbt, och innan de lossnar från den uppvärmda ytan, de håller ihop, bilda ett ånglager som isolerar ytan från kylvätskan ovan. Temperaturerna stiger ännu snabbare och kan orsaka katastrof. Operatörer skulle vilja förutsäga sådana fel, och ny forskning ger insikt i fenomenet med hjälp av höghastighetsinfraröda kameror och maskininlärning.

Matteo Bucci, Norman C. Rasmussen biträdande professor i kärnkraftsvetenskap och teknik vid MIT, ledde det nya arbetet, publicerad 23 juni i Bokstäver i tillämpad fysik . I tidigare forskning har hans team ägnade nästan fem år åt att utveckla en teknik där maskininlärning kunde effektivisera relevant bildbehandling. I experimentupplägget för båda projekten, en transparent värmare 2 centimeter tvärs sitter under ett bad med vatten. En infraröd kamera sitter under värmaren, pekade upp och spelade in vid 2, 500 bilder per sekund med en upplösning på cirka 0,1 millimeter. Tidigare, personer som studerar videorna måste räkna bubblorna manuellt och mäta deras egenskaper, men Bucci tränade ett neuralt nätverk för att göra sysslan, minska en tre veckors process till cirka fem sekunder. "Då sa vi, "Låt oss se om annat än att bara bearbeta data kan vi faktiskt lära oss något av en artificiell intelligens, Säger Bucci.

Målet var att uppskatta hur nära vattnet var en kokande kris. Systemet tittade på 17 faktorer som tillhandahålls av bildbehandlande AI:"kärnbildningsställets täthet" (antal platser per ytenhet där bubblor regelbundet växer på den uppvärmda ytan), såväl som, för varje videoram, den genomsnittliga infraröda strålningen på dessa platser och 15 annan statistik om strålningens fördelning runt dessa platser, inklusive hur de förändras över tiden. Att manuellt hitta en formel som väger alla dessa faktorer korrekt skulle innebära en skrämmande utmaning. Men "artificiell intelligens begränsas inte av vår hjärnas hastighet eller datahanteringskapacitet, " säger Bucci. Vidare, "maskininlärning är inte partiskt" av våra förutfattade hypoteser om kokning.

För att samla in data, de kokade vatten på en yta av indiumtennoxid, i sig själv eller med en av tre beläggningar:kopparoxid nanoleaves, nanotrådar av zinkoxid, eller lager av nanopartiklar av kiseldioxid. De utbildade ett neuralt nätverk på 85 procent av data från de tre första ytorna, testade den sedan på 15 procent av data från dessa förhållanden plus data från den fjärde ytan, för att se hur väl det skulle kunna generaliseras till nya förhållanden. Enligt ett mått, det var 96 procent korrekt, trots att det inte hade tränats på alla underlag. "Vår modell var inte bara att memorera funktioner, "Säger Bucci." Det är en typisk fråga inom maskininlärning. Vi kan extrapolera förutsägelser till en annan yta."

Teamet fann också att alla 17 faktorer bidrog avsevärt till förutsägelsens noggrannhet (även vissa mer än andra). Ytterligare, istället för att behandla modellen som en svart låda som använde 17 faktorer på okända sätt, de identifierade tre mellanliggande faktorer som förklarade fenomenet:kärnbildningsställets täthet, bubblans storlek (som beräknades från åtta av de 17 faktorerna), och produkten av tillväxttid och bubbelavgångsfrekvens (som beräknades från 12 av de 17 faktorerna). Bucci säger att modeller i litteraturen ofta bara använder en faktor, men detta arbete visar att vi måste tänka på många, och deras interaktioner. "Det här är en stor sak."

"Det här är bra, "säger Rishi Raj, docent vid Indian Institute of Technology i Patna, som inte var involverad i arbetet. "Kokning har så komplicerad fysik." Det innefattar minst två faser av materia, och många faktorer som bidrar till ett kaotiskt system. "Det har varit nästan omöjligt, trots minst 50 års omfattande forskning om detta ämne, att utveckla en prediktiv modell, "Raj säger." Det är mycket vettigt för oss de nya verktygen för maskininlärning. "

Forskare har diskuterat mekanismerna bakom den kokande krisen. Beror det enbart på fenomen vid värmeytan, eller också från avlägsna vätskedynamik? Detta arbete tyder på att ytfenomen är tillräckligt för att förutsäga händelsen.

Att förutspå närhet till den kokande krisen ökar inte bara säkerheten. Det förbättrar också effektiviteten. Genom att övervaka förhållanden i realtid, ett system skulle kunna driva flis eller reaktorer till sina gränser utan att strypa dem eller bygga onödig kylmaskinvara. Det är som en Ferrari på ett spår, Bucci säger:"Du vill släppa loss motorns kraft."

Sålänge, Bucci hoppas kunna integrera sitt diagnossystem i en återkopplingsslinga som kan styra värmeöverföringen, på så sätt automatisera framtida experiment, så att systemet kan testa hypoteser och samla in ny data. "Tanken är egentligen att trycka på knappen och komma tillbaka till labbet när experimentet är klart." Är han orolig för att förlora jobbet till en maskin? "Vi kommer bara lägga mer tid på att tänka, inte utföra operationer som kan automatiseras, "säger han. I alla fall:" Det handlar om att höja ribban. Det handlar inte om att förlora jobbet. "

Denna artikel publiceras på nytt med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT -forskning, innovation och undervisning.