Stima del flusso di calore basata su machine learning da video ad alta velocità durante l'ebollizione in piscina satura su tubo verticale

Rendere il raffreddamento nucleare più sicuro con occhi più intelligenti

Quando una centrale nucleare si spegne in emergenza, continua comunque a produrre calore che deve essere smaltito in sicurezza. Molti nuovi progetti di reattori si affidano a semplici tubi metallici immersi in grandi vasche d'acqua per svolgere questo compito. Man mano che l'acqua bolle su questi tubi, il comportamento delle bolle rivela quanto calore viene trasportato via. Ma misurare questo calore in modo preciso è difficile, costoso e spesso lento. Questo studio mostra come video ad alta velocità e intelligenza artificiale (AI) possano osservare quelle bolle in tempo reale e stimare il flusso di calore con notevole accuratezza, offrendo un nuovo modo per monitorare e proteggere i sistemi di raffreddamento critici.

Tubi in ebollizione al centro della sicurezza

Negli impianti nucleari moderni, i sistemi di sicurezza passiva sono progettati per funzionare senza pompe o alimentazione esterna. Un componente chiave è un fascio di tubi verticali immersi in un grande serbatoio d'acqua. Il calore generato dal reattore passa attraverso questi tubi, provocando l'ebollizione dell'acqua circostante. Il modo in cui le bolle si formano, crescono, si uniscono e si staccano dalla superficie è strettamente legato all'efficacia con cui il calore viene rimosso. Se il flusso termico diventa troppo elevato, la superficie può surriscaldarsi improvvisamente, mettendo a rischio l'integrità del sistema. Tradizionalmente, gli ingegneri si affidano a esperimenti complessi e a formule matematiche per stimare questo “flusso di calore”, ma questi metodi richiedono molto lavoro e possono mostrare limiti quando l'ebollizione diventa altamente turbolenta.

Dalle bolle in ebollizione alle impronte digitali digitali

Per affrontare questa sfida, i ricercatori hanno costruito un apparato di laboratorio dedicato che replica le condizioni di ebollizione su un tubo verticale di un sistema di raffreddamento di un reattore. Un tubo riscaldato in acciaio inox è collocato all'interno di un contenitore trasparente pieno d'acqua, circondato da sensori che registrano con precisione temperature e potenza elettrica. Contemporaneamente, una videocamera ad alta velocità riprende l'ebollizione a migliaia di fotogrammi al secondo, poi ridotti a velocità video standard per l'analisi. Il team ha verificato che il comportamento di ebollizione e i dati di scambio termico corrispondessero a esperimenti consolidati di altri gruppi, garantendo che le riprese e le misure rappresentino fedelmente condizioni reali.

Insegnare all'AI a leggere l'ebollizione

Il nucleo del lavoro è una pipeline di visione computerizzata che trasforma il video grezzo in stime di calore. Ogni video viene suddiviso in brevi clip di 16 fotogrammi, catturando come le bolle cambiano in frazioni di secondo. I ricercatori utilizzano una tecnica chiamata optical flow per evidenziare dove il movimento è più intenso, concentrando l'attenzione dell'AI sulle regioni più dinamiche. Queste clip vengono quindi passate a una potente rete di analisi video nota come I3D, originariamente addestrata su azioni umane quotidiane e qui adattata per riconoscere diverse intensità di ebollizione. Invece di misurare manualmente le dimensioni delle bolle o contare i siti di nucleazione, la rete apprende pattern visivi propri che si correlano con livelli di calore specifici.

Quanto bene funziona il sistema intelligente

Il dataset copre sette distinti livelli di calore, dalla ebollizione lieve a un vigoroso bollore. Gli autori hanno diviso le clip video in set di addestramento, validazione e test per evitare l'overfitting e per valutare equamente le prestazioni. Dopo il fine-tuning, il modello I3D ha classificato correttamente il livello di calore in circa l'88% delle clip di test, con un errore medio di previsione del flusso termico dell'ordine del 6%. Ha funzionato particolarmente bene a livelli di calore bassi e moderati, dove i pattern di ebollizione sono più puliti, e ha mantenuto una precisione ragionevole anche a livelli più elevati, dove le bolle interagiscono e si sovrappongono in modo caotico. Rispetto ad altre reti neurali 3D diffuse, I3D ha offerto in modo coerente il miglior equilibrio tra accuratezza e robustezza.

Perché questo approccio è importante

Piuttosto che sostituire i modelli fisici dettagliati, questo metodo guidato dall'AI offre un nuovo modo non invasivo per monitorare l'ebollizione in tempo reale semplicemente “guardando” l'acqua. Poiché si basa sul video anziché su sonde aggiuntive o su apparecchiature sperimentali su larga scala, potrebbe rendere le valutazioni di sicurezza più veloci, meno costose e più adattabili a diversi progetti. Nelle centrali nucleari, dove comprendere la rimozione del calore può fare la differenza tra uno spegnimento controllato e un incidente grave, uno strumento del genere potrebbe aiutare gli operatori a seguire più da vicino i margini di sicurezza, specialmente durante eventi rari come la perdita totale di alimentazione. Al di là dell'energia nucleare, la stessa idea — usare l'analisi video intelligente per leggere il trasferimento di calore dai pattern delle bolle — potrebbe aiutare a progettare scambiatori di calore, sistemi di refrigerazione e altre tecnologie che dipendono dall'ebollizione in modo più sicuro ed efficiente.

Citazione: 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

Parole chiave: ebollizione in piscina, stima del flusso di calore, sicurezza nucleare, registrazione ad alta velocità, deep learning