Les caméras infrarouges et l’intelligence artificielle révèlent la physique de l’ébullition

Faire bouillir n’est pas seulement pour réchauffer le dîner. C’est aussi pour calmer les choses. Transformer un liquide en gaz élimine l’énergie des surfaces chaudes et empêche tout, des centrales nucléaires aux puissantes puces informatiques, de devenir trop chaudes. Mais lorsque les surfaces deviennent trop chaudes, elles peuvent subir ce qu’on appelle une crise d’ébullition.

Dans une crise d’ébullition, des bulles se forment rapidement, et avant qu’elles ne se séparent de la chaleur SurfaceIls s’accrochent les uns aux autres, formant une couche de vapeur qui isole la surface du liquide de refroidissement au-dessus. Les températures augmentent plus rapidement et peuvent être synonymes de catastrophe. Les opérateurs aiment anticiper de telles défaillances, et de nouvelles recherches donnent un aperçu du phénomène à l’aide de caméras infrarouges à haute vitesse et de l’apprentissage automatique.

Matteo Pucci, Norman C. Rasmussen professeur agrégé de sciences et d’ingénierie nucléaires au MIT, a dirigé le nouveau travail, qui a été publié le 23 juin dans Lettres de physique appliquée. Dans des recherches précédentes, son équipe a passé près de cinq ans à développer une technique où l’apprentissage automatique pourrait simplifier le traitement d’images pertinent. Dans le montage expérimental des deux projets, un radiateur transparent de 2 cm est situé sous un bain d’eau. Il y a une caméra infrarouge sous le radiateur, dirigée vers le haut et enregistrant 2500 images par seconde avec une résolution d’environ 0,1 mm. Auparavant, les personnes qui étudiaient les vidéos devaient compter manuellement les bulles et mesurer leurs propriétés, mais Bucci a formé un réseau de neurones pour effectuer la tâche de routine, réduisant le processus de trois semaines à environ cinq secondes. Et puis nous avons dit : « Voyons si nous pouvons apprendre quelque chose en traitant des données autre que le simple traitement des données. » L’intelligence artificielle« , » dit Bucci.

L’objectif était d’estimer à quel point l’eau était proche d’une crise d’ébullition. Le système a pris en compte 17 facteurs fournis par l’IA de traitement d’images : la « densité de site de nucléation » (le nombre de sites par unité de surface où des bulles se développent régulièrement sur la surface chauffée), ainsi que l’IR moyen de chaque image vidéo de rayonnement à ces sites et 15 statistiques D’autres concernent la répartition des rayonnements autour de ces sites, y compris leur évolution dans le temps. Trouver manuellement une formule qui pèse correctement tous ces facteurs sera un défi de taille. Mais « l’intelligence artificielle ne concerne pas seulement la vitesse de notre cerveau ou sa capacité à traiter des données », explique Bucci. De plus, « l’apprentissage automatique est impartial » par nos présupposés sur l’ébullition.

Pour collecter les données, ils ont fait bouillir de l’eau sur une surface d’oxyde d’indium et d’étain, seul ou avec l’une des trois couches suivantes : nanofils d’oxyde de cuivre, nanofils d’oxyde de zinc ou couches de nanoparticules de dioxyde de silicium. ils se sont entraînés réseau neuronal sur 85 % des données des trois premières surfaces, puis testez-les sur 15 % des données pour ces conditions plus les données de la quatrième surface, pour voir dans quelle mesure elles sont généralisables aux nouvelles conditions. Par une mesure, il était précis à 96 pour cent, bien qu’il n’ait pas été entraîné sur toutes les surfaces. « Notre modèle ne se contentait pas de mémoriser des caractéristiques », explique Bucci. « C’est un problème typique de l’apprentissage automatique. Nous sommes capables d’extrapoler les prédictions à une surface différente. »

L’équipe a également constaté que les 17 facteurs contribuaient de manière significative à la précision des prédictions (bien que certains plus que d’autres). De plus, plutôt que de traiter le modèle comme une boîte noire utilisant 17 facteurs de manière inconnue, ils ont identifié trois facteurs intermédiaires qui expliquaient ce phénomène : la densité du site de nucléation, la taille des bulles (calculée à partir de huit des 17 facteurs) et le produit du temps de croissance. et la fréquence de sortie des bulles (calculée à partir de 12 des 17 facteurs). Pucci dit que les modèles de la littérature utilisent souvent un seul facteur, mais ce travail montre que nous devons considérer de nombreux facteurs et leurs interactions. « Ceci est une grosse affaire. »

« C’est fantastique », déclare Rishi Raj, professeur adjoint à l’Institut indien de technologie de Patna, qui n’a pas participé aux travaux. « L’ébullition a une physique si complexe. » Il implique au moins deux phases de la matière et de nombreux facteurs qui contribuent à un système chaotique. « Il a été presque impossible, malgré au moins 50 ans de recherches approfondies sur ce sujet, de développer un modèle prédictif », explique Raj. « Il est tout à fait logique pour nous d’utiliser les nouveaux outils de apprentissage automatique. « 

Les chercheurs ont discuté des mécanismes derrière la crise de l’ébullition. Est-il causé uniquement par des phénomènes sur la surface chauffante, ou aussi par la dynamique des fluides à distance ? Ce travail indique que les phénomènes de surface sont suffisants pour prédire l’événement.

Anticiper l’approche d’une crise d’ébullition n’augmente pas seulement la sécurité. Il améliore également l’efficacité. En surveillant les conditions en temps réel, le système peut pousser les puces ou les réacteurs à leurs limites sans les étrangler ni construire des dispositifs de refroidissement inutiles. C’est comme une Ferrari sur une piste, dit Bucci : « Vous voulez libérer la puissance du moteur. »

En attendant, Bucci espère intégrer son système de diagnostic dans une boucle de rétroaction qui peut contrôler le transfert de chaleur, automatisant ainsi les futures expériences, permettant au système de tester des hypothèses et de collecter de nouvelles données. « L’idée est vraiment d’appuyer sur le bouton et de retourner au labo une fois l’expérience terminée. » A-t-il peur de perdre son emploi à cause d’une machine ? « Nous passerons plus de temps à réfléchir, pas à faire des processus qui peuvent être automatisés », dit-il. Quoi qu’il en soit : « Il s’agit de relever la barre. Il ne s’agit pas de perdre un emploi. »

Cette histoire est republiée avec la permission de MIT News (web.mit.edu/newsoffice/), un site populaire couvrant les actualités liées à la recherche, à l’innovation et à l’éducation au MIT.