إطار غير تدخلّي يستخدم الإشارات الصوتية والتعلّم العميق لتشخيص الغليان في بيئات محدودة الرؤية

الاستماع إلى الغليان للحفاظ على سلامة الماكينات

في العديد من المنشآت المتقدمة، من معامل إنتاج النظائر الطبية إلى المسرّعات الجسيمية، تبرد أجزاء معدنية بمياه تغلي على أسطحها. إذا أصبح هذا الغليان مكثفاً فجأة، قد ترتفع حرارة الأجزاء وتتعطل. المواقع التي يحدث فيها ذلك غالباً ما تكون محجوبة تحت دروع سميكة ومياه عميقة، مما يجعل من الصعب أو المستحيل مراقبة الغليان مباشرةً بالكاميرات. توضح هذه الدراسة كيف يمكن للمهندسين بدلاً من ذلك الاستماع للأصوات التي يصدرها الغليان واستخدام الذكاء الاصطناعي لتحويل تلك الأصوات إلى مقياس زمني حقيقي لمقدار اقتراب النظام من التسخين غير الآمن.

لماذا يصعب مراقبة الغليان

الغليان ليس مجرد ظاهرة مطبخية؛ بل هو وسيلة رئيسية لإزالة كميات كبيرة من الحرارة من الآلات القوية. في منشأة إنتاج النظائر في لوس ألاموس، على سبيل المثال، يقصف شعاع بروتون أهدافاً معدنية لصنع نظائر طبية وبحثية، والماء المبرد يتدفق عبر ممرات ضيقة لحمل الحرارة بعيداً. قرب الجدران الساخنة تتكوّن فقاعات صغيرة وتنمو وتنبعث عن السطح في عملية تُسمى غليان التدفق تحت التبريد. إذا تجاوزت حمولة الحرارة حدّاً حرجاً، قد يتحول هذا الغليان الهادئ إلى حالة أزمة تُغطى فيها السطح بالبخار، ما يقطع التبريد ويهدد الأجهزة. وبما أن الأهداف تقع عميقاً تحت الماء وداخل دروع إشعاعية، لا يمكن للمهندسين الاعتماد على أدوات بصرية عادية لتتبّع سلوك الفقاعات أو قياس مدى قرب النظام من هذه الحالة الحرجة.

تحويل الصوت إلى نافذة على الغليان

بنَى المؤلفون حلقة اختبار تحاكي أحد الممرات المائية الضيقة في المنشأة الحقيقية، مع قرص نيكل مسخّن يعمل كبديل لنافذة الشعاع أو الهدف. وضعوا ميكروفونات حسّاسة تحت الماء، تُسمى هيدروفونات، على مسافات مختلفة من منطقة الغليان لالتقاط موجات الضغط الدقيقة التي تُولَّد عند ولادة الفقاعات وانهيارها. وفي الوقت نفسه، سجّلت كاميرات عالية السرعة وحرّارات مدمجة ما كان يحدث فعلياً على الجدار: تدفّق الحرارة، درجة حرارة السطح، وسلوك الفقاعات مثل الحجم والتردد وعدد مواقع التكوّن النشطة. بمقارنة البيانات البصرية والحرارية مع تسجيلات الصوت، أنشأ الفريق مجموعة تدريب غنية تربط أنماط غليان محددة بتوقيعات صوتية محددة.

تعليم شبكة عصبية قراءة أصوات الغليان

لفهم الصوت المعقّد، حوّل الباحثون كل إشارة صوتية إلى شكل شبيه بالصورة يعرض كيف يتغير شدة الترددات المختلفة عبر الزمن. ثم طرحوا الضوضاء الخلفية المقاسة عندما لا يوجد غليان، ليبقى في الصور بشكل أساسي الميزات المرتبطة بنشاط الفقاعات. أُدخلت هذه الصور إلى شبكة عصبية التلافيفية، وهي نوع من نماذج التعلّم العميق جيدة جداً في العثور على أنماط في الصور. درَّبت الشبكة على التنبؤ بست كميات رئيسية مباشرة من الصوت: الحرارة الخارجَة من الجدار، مقدار امتياز درجة حرارة الجدار على الماء، وعدد من المقاييس التي تصف سلوك الفقاعات على السطح. وبمجرد تدريبها، نجحت النموذجات في إعادة إنتاج هذه القيم لبيانات جديدة، حتى عند الاختبار عبر نطاقات حمولة حرارة وتحت ظروف تدفق مختلفة عما رأت أثناء التدريب.

اختبار الضوضاء والربط بنماذج السلامة

المواقع الصناعية الحقيقية صاخبة، لذا تحقق الفريق من مدى ثبات منهجهم عندما تكون التسجيلات ملوَّثة بالضوضاء. أضافوا ضوضاء بيضاء اصطناعية إلى التسجيلات، وخفضوا تدريجياً نسبة الإشارة إلى الضوضاء حتى كادت أصوات الغليان تختفي. حافظت الشبكة العصبية على دقتها حتى النقطة التي كانت فيها قوة الصوت والضوضاء متقاربة، مما يُظهر أن الطريقة أكثر متانة مما قد نتوقع. بعد ذلك، أُدخلت إحصائيات الفقاعات المتنبأ بها إلى نموذج حاسوبي لتدفّق السوائل يحاكي كيفية تحرّك الحرارة والبخار في القناة، بما في ذلك بداية نقطة تدفّق الحرارة الحرِجة الخطرة. عند قيادته بتنبؤات مبنية على الصوت بدلاً من قياسات بالكاميرا، أنتج النموذج منحنيات غليان وحدوداً حرجة قريبة جداً من تلك الناتجة عن المعايير البصرية السابقة، وظلت ضمن نطاق عدم اليقين لتلك المعايير.

كيف يساعد هذا الأنظمة عالية القدرة في المستقبل

تظهر الدراسة أن الاستماع إلى الغليان يمكن أن يحلّ محل رؤيته، على الأقل ضمن الشروط المختبرة. بدمج هيدروفونات مع التعلّم العميق، يمكن للمهندسين تقدير مدى إجهاد السطح، وكيف تتصرف الفقاعات قرب الجدار، ومدى قرب النظام من أزمة غليان، وكل ذلك دون وضع كاميرات أو مستشعرات هشة في مناطق إشعاعية قاسية. تظل الطريقة موثوقة تحت تغيّرات معتدلة في درجة حرارة الماء ومعدل التدفق وموقع الميكروفون، وتعمل حتى في وجود ضوضاء خلفية قوية. مع المزيد من التحسين والاختبارات الأوسع، يمكن أن يصبح هذا النهج المعتمد على الصوت أداة عملية للمراقبة الآنية غير المتدخلة للسلامة في المفاعلات والمسرّعات وغيرها من الأجهزة عالية القدرة حيث الوصول البصري المباشر محدود.

الاستشهاد: Huang, PH., Seong, J.H., Castro-Aguilar, J.M. et al. A non-intrusive framework using acoustic signals and deep learning for boiling diagnostics in visual-limited environments. Sci Rep 16, 14934 (2026). https://doi.org/10.1038/s41598-026-41757-z

الكلمات المفتاحية: صوتيات الغليان, التعلّم العميق, تدفّق الحرارة الحرج, غليان التدفق تحت التبريد, السلامة الحرارية