تقدير تدفق الحرارة باستخدام التعلم الآلي من فيديو عالي السرعة أثناء غليان محلي مشبع فوق أنبوب عمودي

جعل تبريد المنشآت النووية أكثر أمانًا بعيون أذكى

عندما تتوقف محطة طاقة نووية عن العمل في حالة طارئة، فإنها لا تزال تنتج حرارة يجب التخلص منها بأمان. تعتمد العديد من تصميمات المفاعلات الجديدة على أنابيب معدنية بسيطة غارقة في أحواض كبيرة من الماء لهذا الغرض. أثناء غليان الماء على هذه الأنابيب، يكشف نمط الفقاعات عن مقدار الحرارة التي تُنقل بعيدًا. لكن قياس هذه الحرارة بدقة أمر صعب ومكلف وغالبًا ما يكون بطيئًا. تُظهر هذه الدراسة كيف يمكن للفيديو عالي السرعة والذكاء الاصطناعي مراقبة تلك الفقاعات في الزمن الحقيقي وتقدير تدفق الحرارة بدقة ملحوظة، مما يوفر طريقة جديدة لمراقبة وحماية أنظمة التبريد الحرجة.

أنابيب الغليان في صميم السلامة

في محطات الطاقة الحديثة، صممت أنظمة السلامة السلبية للعمل دون مضخات أو طاقة خارجية. أحد المكونات الأساسية هو حزمة من الأنابيب العمودية الغارقة في خزان ماء كبير. تنتقل الحرارة من المفاعل عبر هذه الأنابيب، مما يتسبب في غليان الماء المحيط. ترتبط طريقة تكون الفقاعات ونموها واندماجها ومغادرتها للسطح ارتباطًا وثيقًا بمدى فعالية إزالة الحرارة. إذا أصبح تدفق الحرارة مرتفعًا جدًا، فقد يسخن السطح فجأة مما يهدد سلامة النظام. تقليديًا، يعتمد المهندسون على تجارب معقدة وصيغ رياضية لتقدير هذا "تدفق الحرارة"، لكن هذه الطرق مجهدة ويمكن أن تواجه صعوبات عندما يصبح الغليان شديد الاضطراب.

من فقاعات الغليان إلى بصمات رقمية

لمعالجة هذا التحدي، بنى الباحثون إعدادًا مختبريًا مخصصًا يحاكي ظروف الغليان على أنبوب عمودي في نظام تبريد المفاعل. يجلس أنبوب من الفولاذ المقاوم للصدأ مسخن داخل وعاء شفاف مملوء بالماء، محاطًا بمستشعرات تتابع درجات الحرارة والطاقة الكهربائية بعناية. وفي الوقت نفسه، يسجل كاميرا عالية السرعة الغليان لآلاف الإطارات في الثانية، التي تم تخفيضها لاحقًا إلى سرعة فيديو عادية للتحليل. تحقق الفريق من أن سلوك الغليان وبيانات انتقال الحرارة لديهم تطابقت مع تجارب راسخة من مجموعات أخرى، مما يضمن أن اللقطات والقياسات تمثل فعليًا ظروف العالم الحقيقي.

تعليم الذكاء الاصطناعي قراءة الغليان

جوهر العمل هو خط أنابيب رؤية حاسوبية يحول الفيديو الخام إلى تقديرات للحرارة. يُقطع كل فيديو إلى مقاطع قصيرة مكونة من 16 إطارًا، تلتقط كيف تتغير الفقاعات خلال أجزاء من الثانية. يستخدم الباحثون تقنية تُدعى "التدفق البصري" لتسليط الضوء على أماكن الحركة الأقوى، مما يركّز انتباه الذكاء الاصطناعي على المناطق الأكثر ديناميكية. تُغذى هذه المقاطع بعد ذلك إلى شبكة قوية لتحليل الفيديو تعرف باسم I3D، تم تدريبها أصلًا على حركات بشرية يومية وتكييفها هنا للتعرف على شدات غليان مختلفة. بدلًا من قياس أحجام الفقاعات يدويًا أو عد مواقع التكوّن، تتعلم الشبكة أنماطها البصرية الخاصة التي ترتبط بمستويات حرارة محددة.

مدى أداء النظام الذكي

يغطي مجموعة البيانات سبع مستويات حرارة مميزة، من غليان لطيف إلى فقاعات عنيفة جدًا. قسم المؤلفون مقاطع الفيديو إلى مجموعات تدريب وتحقق واختبار لتجنب الإفراط في الملاءمة ولحكم عادل على الأداء. بعد ضبط المعاملات بدقة، صنف نموذج I3D مستوى الحرارة بشكل صحيح لحوالي 88% من المقاطع الاختبارية، مع خطأ تنبؤ متوسط في تدفق الحرارة يقارب 6%. حقق أداءً جيدًا بشكل خاص عند مستويات الحرارة المنخفضة والمتوسطة، حيث تكون أنماط الغليان أنظف، وظل دقيقًا إلى حد معقول حتى عند المستويات الأعلى، حيث تتداخل الفقاعات وتتراكب بشكل فوضوي. عند مقارنته مع شبكات عصبية ثلاثية الأبعاد شائعة أخرى، قدم I3D باستمرار أفضل توازن بين الدقة والصلابة.

لماذا تهم هذه المقاربة

بدلًا من استبدال نماذج الفيزياء التفصيلية، تقدم هذه الطريقة المدعومة بالذكاء الاصطناعي وسيلة جديدة وغير تدخلية لمراقبة الغليان في الزمن الحقيقي بمجرد "مراقبة" الماء. وبما أنها تعتمد على الفيديو بدلًا من مجسات إضافية أو تجهيزات اختبار كبيرة ومعقدة، فقد تجعل تقييمات السلامة أسرع وأكثر اقتصادية وأكثر قابلية للتكيّف مع تصميمات مختلفة. في المحطات النووية، حيث يمكن أن يعني فهم إزالة الحرارة الفرق بين إيقاف آمن وحادث خطير، يمكن لمثل هذه الأداة أن تساعد المشغلين في تتبع هوامش السلامة عن كثب، لا سيما خلال أحداث نادرة مثل فقدان كامل للطاقة. وبخارج الطاقة النووية، يمكن للفكرة نفسها — استخدام تحليل الفيديو الذكي لقراءة نقل الحرارة من أنماط الفقاعات — أن يساعد في تصميم مبادلات حرارة وأنظمة تبريد وتقنيات أخرى أكثر أمانًا وكفاءة تعتمد على الغليان.

الاستشهاد: Sha, B.B., Thakare, K.V., Kar, S. et al. Machine learning-based heat flux estimation from high-speed video during saturated pool boiling over vertical tube. Sci Rep 16, 9038 (2026). https://doi.org/10.1038/s41598-026-35147-8

الكلمات المفتاحية: غليان حوضي, تقدير تدفق الحرارة, سلامة نووية, تصوير عالي السرعة, التعلم العميق