Estimation du flux de chaleur par apprentissage automatique à partir de vidéos haute vitesse pendant l’ébullition en nappe saturée autour d’un tube vertical

Rendre le refroidissement nucléaire plus sûr grâce à des yeux plus intelligents

Lorsqu’une centrale nucléaire s’arrête en urgence, elle continue de produire de la chaleur qui doit être évacuée en toute sécurité. De nombreux nouveaux concepts de réacteurs s’appuient sur de simples tubes métalliques plongés dans de grands bassins d’eau pour assurer cette tâche. Lorsque l’eau bout à la surface de ces tubes, le comportement des bulles renseigne sur la quantité de chaleur évacuée. Mais mesurer précisément ce flux de chaleur est difficile, coûteux et souvent lent. Cette étude montre comment la vidéo haute vitesse et l’intelligence artificielle (IA) peuvent surveiller ces bulles en temps réel et estimer le flux thermique avec une précision remarquable, offrant une nouvelle façon de contrôler et de protéger des systèmes de refroidissement critiques.

Des tubes en ébullition au cœur de la sûreté

Dans les centrales modernes, les systèmes de sûreté passifs sont conçus pour fonctionner sans pompes ni alimentation externe. Un élément clé est un faisceau de tubes verticaux immergés dans une grande cuve d’eau. La chaleur issue du réacteur circule à travers ces tubes, provoquant l’ébullition de l’eau environnante. La manière dont les bulles se forment, croissent, fusionnent et se détachent de la surface est étroitement liée à l’efficacité de l’extraction de la chaleur. Si le flux thermique devient trop élevé, la surface peut se surchauffer brutalement, menaçant l’intégrité du système. Traditionnellement, les ingénieurs s’appuient sur des expérimentations complexes et des formules mathématiques pour estimer ce « flux de chaleur », mais ces méthodes sont laborieuses et peinent lorsque l’ébullition devient très turbulente.

Des bulles en ébullition aux empreintes numériques

Pour relever ce défi, les chercheurs ont construit un dispositif de laboratoire dédié qui reproduit les conditions d’ébullition autour d’un tube vertical d’un système de refroidissement de réacteur. Un tube chauffé en acier inoxydable est placé dans un réservoir transparent rempli d’eau, entouré de capteurs qui mesurent avec précision les températures et la puissance électrique. Parallèlement, une caméra haute vitesse enregistre l’ébullition à plusieurs milliers d’images par seconde, images ensuite ramenées à une cadence vidéo standard pour l’analyse. L’équipe a vérifié que le comportement d’ébullition et les données de transfert thermique correspondaient à des expériences établies d’autres groupes, garantissant que les séquences et mesures représentent fidèlement des conditions réelles.

Apprendre à l’IA à lire l’ébullition

Le cœur du travail est une chaîne de traitement en vision par ordinateur qui transforme la vidéo brute en estimations de chaleur. Chaque vidéo est découpée en courts clips de 16 images, capturant l’évolution des bulles sur une fraction de seconde. Les chercheurs utilisent une technique appelée flux optique pour mettre en évidence les zones de mouvement les plus fortes, focalisant ainsi l’attention de l’IA sur les régions les plus dynamiques. Ces clips sont ensuite injectés dans un puissant réseau d’analyse vidéo connu sous le nom d’I3D, initialement entraîné sur des actions humaines courantes et adapté ici pour reconnaître différentes intensités d’ébullition. Plutôt que de mesurer manuellement la taille des bulles ou de compter les sites de nucléation, le réseau apprend ses propres motifs visuels corrélés à des niveaux thermiques spécifiques.

Performances du système intelligent

Le jeu de données couvre sept niveaux de chaleur distincts, de l’ébullition douce à des bouillonnements très vigoureux. Les auteurs ont séparé leurs clips vidéo en ensembles d’apprentissage, de validation et de test pour éviter le surapprentissage et juger les performances de façon équitable. Après ajustement, le modèle I3D a correctement classé le niveau de chaleur pour environ 88 % des clips de test, avec une erreur moyenne de prédiction du flux thermique d’environ 6 %. Il a particulièrement bien fonctionné aux niveaux faibles et modérés, où les motifs d’ébullition sont plus nets, et est resté raisonnablement précis même aux niveaux élevés, où les bulles interagissent et se chevauchent de manière chaotique. Comparé à d’autres réseaux neuronaux 3D populaires, I3D a systématiquement offert le meilleur compromis entre précision et robustesse.

Pourquoi cette approche est importante

Plutôt que de remplacer les modèles physiques détaillés, cette méthode guidée par l’IA propose une manière non intrusive de surveiller l’ébullition en temps réel en « regardant » simplement l’eau. Parce qu’elle s’appuie sur la vidéo plutôt que sur des sondes supplémentaires ou des bancs d’essai à grande échelle complexes, elle pourrait rendre les évaluations de sûreté plus rapides, moins coûteuses et plus adaptables à différents designs. Dans les centrales nucléaires, où la compréhension de l’extraction de la chaleur peut faire la différence entre un arrêt maîtrisé et un accident grave, un tel outil pourrait aider les exploitants à suivre de plus près les marges de sécurité, notamment lors d’événements rares comme une perte totale de puissance. Au-delà de l’énergie nucléaire, la même idée — utiliser l’analyse vidéo intelligente pour déduire le transfert de chaleur à partir des motifs de bulles — pourrait aider à concevoir des échangeurs de chaleur, des systèmes frigorifiques et d’autres technologies plus sûrs et plus efficaces, qui dépendent discrètement de l’ébullition.

Citation: 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

Mots-clés: ébullition en nappe, estimation du flux de chaleur, sûreté nucléaire, imagerie haute vitesse, apprentissage profond