Schätzung des Wärmeflusses mittels maschinellen Lernens aus Hochgeschwindigkeitsaufnahmen während gesättigter Badkochung an einem vertikalen Rohr

Kernkraftkühlung sicherer machen mit schlaueren Augen

Wenn ein Kernkraftwerk im Notfall abgeschaltet wird, entsteht weiterhin Wärme, die sicher abgeführt werden muss. Viele neue Reaktorkonzepte setzen dafür auf einfache Metallrohre, die in großen Wasserbecken stehen. Wenn an diesen Rohren Wasser siedet, verrät das Blasenmuster, wieviel Wärme abgeführt wird. Diese Wärme jedoch präzise zu messen ist schwierig, teuer und oft zeitaufwendig. Diese Studie zeigt, wie Hochgeschwindigkeitsvideo und künstliche Intelligenz (KI) die Blasen in Echtzeit beobachten und den Wärmefluss mit beeindruckender Genauigkeit schätzen können — und damit eine neue Möglichkeit bieten, kritische Kühlsysteme zu überwachen und zu schützen.

Die kochenden Rohre im Zentrum der Sicherheit

In modernen Kraftwerken sind passive Sicherheitssysteme so ausgelegt, dass sie ohne Pumpen oder externe Energie funktionieren. Ein zentrales Bauteil ist ein Bündel vertikaler Rohre, das in einem großen Wassertank untergetaucht ist. Die Wärme aus dem Reaktor wird über diese Rohre abgeführt und verursacht das Sieden des umgebenden Wassers. Die Art und Weise, wie Blasen entstehen, wachsen, zusammenfließen und die Oberfläche verlassen, steht in direktem Zusammenhang damit, wie effektiv Wärme abgeführt wird. Wird der Wärmefluss zu groß, kann die Oberfläche plötzlich überhitzen und die Integrität des Systems gefährden. Traditionell stützen sich Ingenieure auf aufwändige Experimente und mathematische Modelle, um diesen „Wärmefluss“ abzuschätzen, doch diese Methoden sind arbeitsintensiv und stoßen bei stark turbulenter Kochtätigkeit an ihre Grenzen.

Von kochenden Blasen zu digitalen Fingerabdrücken

Um diese Herausforderung anzugehen, bauten die Forschenden eine Laboranordnung, die die Siedebedingungen an einem vertikalen Rohr in einem Reaktorkühlsystem nachbildet. Ein beheiztes Edelstahlrohr sitzt in einem transparenten, mit Wasser gefüllten Behälter und ist von Sensoren umgeben, die Temperaturen und elektrische Leistung sorgfältig erfassen. Gleichzeitig zeichnet eine Hochgeschwindigkeitskamera das Sieden mit Tausenden von Bildern pro Sekunde auf, die später zur Analyse auf Standardvideogeschwindigkeit reduziert werden. Das Team verifizierte, dass ihr Siedeverhalten und die Wärmetransferdaten mit etablierten Experimenten anderer Gruppen übereinstimmen, sodass das Filmmaterial und die Messwerte reale Bedingungen realistisch widerspiegeln.

Der KI beibringen, das Sieden zu lesen

Kernstück der Arbeit ist eine Computer-Vision-Pipeline, die Rohvideo in Wärmeschätzungen verwandelt. Jedes Video wird in kurze Clips von 16 Bildern zerlegt, um zu erfassen, wie sich Blasen innerhalb von Bruchteilen einer Sekunde verändern. Die Forschenden nutzen eine Technik namens optischer Fluss, um Bereiche stärkster Bewegung hervorzuheben und so die Aufmerksamkeit der KI auf die dynamischsten Regionen zu lenken. Diese Clips werden dann in ein leistungsfähiges Videoanalyse-Netzwerk namens I3D eingespeist, das ursprünglich auf alltägliche menschliche Aktionen trainiert wurde und hier auf unterschiedliche Siedestärken angepasst wird. Anstatt Blasengrößen manuell zu messen oder Keimbildungsstellen zu zählen, lernt das Netzwerk eigene visuelle Muster, die mit bestimmten Wärmestufen korrelieren.

Wie gut das intelligente System arbeitet

Der Datensatz umfasst sieben verschiedene Wärmelevel, von sanftem Sieden bis zu sehr heftigem Brodeln. Die Autorinnen und Autoren teilten ihre Videoclips in Trainings-, Validierungs- und Testsätze auf, um Überanpassung zu vermeiden und die Leistung fair zu beurteilen. Nach dem Feinabstimmen klassifizierte das I3D-Modell das Wärmelevel bei etwa 88 % der Testclips korrekt, mit einem durchschnittlichen Vorhersagefehler des Wärmeflusses von rund 6 %. Besonders gut war die Leistung bei niedrigen und mittleren Wärmelevels, wo die Siedemuster sauberer sind; selbst bei höheren Levels, in denen Blasen miteinander interagieren und chaotisch überlappen, blieb die Genauigkeit angemessen. Im Vergleich mit anderen gängigen 3D-Neuronalen Netzen lieferte I3D durchgängig die beste Balance aus Genauigkeit und Robustheit.

Warum dieser Ansatz wichtig ist

Anstatt detaillierte physikalische Modelle zu ersetzen, bietet diese KI-gestützte Methode eine neue, nicht-intrusive Möglichkeit, Kochen in Echtzeit zu überwachen, indem man das Wasser einfach „anschaut“. Da sie auf Video statt auf zusätzliche Sonden oder komplexe Großversuchsaufbauten setzt, könnte sie Sicherheitsbewertungen schneller, günstiger und leichter an verschiedene Entwürfe anpassbar machen. In Kernkraftwerken, wo das Verständnis des Wärmeabtrags den Unterschied zwischen einem kontrollierten Abschalten und einem schweren Unfall ausmachen kann, könnte ein solches Werkzeug Betreiberinnen und Betreibern helfen, Sicherheitsreserven enger zu verfolgen — insbesondere bei seltenen Ereignissen wie einem vollständigen Stromausfall. Über die Kernenergie hinaus könnte dieselbe Idee — intelligente Videoanalyse zur Bestimmung des Wärmetransfers aus Blasenmustern — beim Entwurf sichererer und effizienterer Wärmetauscher, Kühlsysteme und anderer Technologien nützlich sein, die stillschweigend auf Kochen angewiesen sind.

Zitation: 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

Schlüsselwörter: Badkochung, Wärmefluss-Schätzung, nukleare Sicherheit, Hochgeschwindigkeitsaufnahmen, Tiefes Lernen