Warmtestroomschatting op basis van machine learning uit hogesnelheidsvideo tijdens verzadigd poolkoken rond een verticale buis

De veiligheid van nucleaire koeling verbeteren met slimmere ogen

Wanneer een kerncentrale in een noodgeval wordt stilgelegd, blijft ze toch warmte produceren die veilig moet worden afgevoerd. Veel nieuwe reactordesigns vertrouwen op eenvoudige metalen buizen in grote waterbassins voor deze taak. Terwijl water op deze buizen kookt, onthult het belpatroon hoeveel warmte er wordt afgevoerd. Maar deze warmte nauwkeurig meten is moeilijk, duur en vaak traag. Deze studie toont aan hoe hogesnelheidsvideo en kunstmatige intelligentie (AI) die bellen in real-time kunnen observeren en de warmtestroom met indrukwekkende nauwkeurigheid kunnen schatten, wat een nieuwe manier biedt om kritieke koelsystemen te monitoren en te beschermen.

Kookbuizen in het hart van de veiligheid

In moderne kerncentrales zijn passieve veiligheidssystemen ontworpen om te werken zonder pompen of externe stroom. Een belangrijk onderdeel is een bundel verticale buizen ondergedompeld in een groot waterreservoir. Warmte uit de reactor gaat door deze buizen, waardoor het omringende water kookt. De wijze waarop bellen ontstaan, groeien, samensmelten en het oppervlak verlaten, hangt nauw samen met hoe effectief warmte wordt afgevoerd. Als de warmtestroom te hoog wordt, kan het oppervlak plotseling oververhit raken en de integriteit van het systeem bedreigen. Traditioneel vertrouwen ingenieurs op complexe experimenten en wiskundige formules om deze ‘warmtestroom’ te schatten, maar deze methoden zijn arbeidsintensief en kunnen moeite hebben wanneer het koken zeer turbulente vormen aanneemt.

Van kokende bellen naar digitale sporen

Om deze uitdaging aan te pakken bouwden de onderzoekers een speciale laboratoriumopstelling die de kookomstandigheden op een verticale buis in een reactorkoelsysteem nabootst. Een verwarmde buis van roestvrij staal staat in een transparant, met water gevuld vat, omringd door sensoren die zorgvuldig temperaturen en elektrische voeding bijhouden. Tegelijk neemt een hogesnelheidscamera het koken op met duizenden frames per seconde, later teruggebracht tot standaard videosnelheid voor analyse. Het team verifieerde dat hun kookgedrag en warmteoverdrachtsgegevens overeenkomen met gevestigde experimenten van andere groepen, zodat het beeldmateriaal en de metingen echt representatief zijn voor reële omstandigheden.

AI leren het kookproces te lezen

De kern van het werk is een computer-visionpijplijn die rauwe video omzet in warmteschattingen. Elke video wordt in korte clips van 16 frames opgesplitst, die vastleggen hoe bellen veranderen in fracties van een seconde. De onderzoekers gebruiken een techniek die optical flow wordt genoemd om te benadrukken waar de beweging het sterkst is, zodat de AI zich richt op de meest dynamische gebieden. Deze clips worden vervolgens gevoed aan een krachtig video-analyse netwerk bekend als I3D, oorspronkelijk getraind op alledaagse menselijke acties en hier aangepast om verschillende kookintensiteiten te herkennen. In plaats van handmatig belgroottes te meten of nucleatieplaatsen te tellen, leert het netwerk zijn eigen visuele patronen die correleren met specifieke warmtelevels.

Hoe goed het slimme systeem presteert

De dataset omvat zeven verschillende warmtelevels, van zacht koken tot zeer hevig borrelen. De auteurs verdeelden hun videoclips in trainings-, validatie- en testsets om overfitting te voorkomen en de prestaties eerlijk te beoordelen. Na fine-tuning classificeerde het I3D-model het warmtelevel correct voor ongeveer 88% van de testclips, met een gemiddelde voorspellingsfout in warmtestroom van ongeveer 6%. Het presteerde bijzonder goed bij lage en matige warmtelevels, waar kookpatronen schoner zijn, en bleef redelijk nauwkeurig zelfs bij hogere levels waar bellen chaotisch interageren en overlappen. In vergelijking met andere populaire 3D-neurale netwerken bood I3D consequent de beste balans tussen nauwkeurigheid en robuustheid.

Waarom deze aanpak belangrijk is

In plaats van gedetailleerde fysische modellen te vervangen, biedt deze AI-gestuurde methode een nieuwe, niet-invasieve manier om koken in real-time te monitoren door simpelweg het water ‘te bekijken’. Omdat het op video vertrouwt in plaats van extra sondes of complexe grootschalige testopstellingen, kan het veiligheidsbeoordelingen sneller, goedkoper en beter aanpasbaar aan verschillende ontwerpen maken. In kerncentrales, waar inzicht in warmteafvoer het verschil kan zijn tussen een gecontroleerde stillegging en een ernstig incident, kan zo’n hulpmiddel operatoren helpen veiligheidsmarges nauwkeuriger te volgen, vooral tijdens zeldzame gebeurtenissen zoals totaal stroomverlies. Buiten de nucleaire energie kan hetzelfde idee—slimme videoanalyse gebruiken om warmteoverdracht uit belpatronen af te lezen—helpen bij het ontwerpen van veiligere en efficiëntere warmtewisselaars, koeltechnische systemen en andere technologieën die stilletjes op koken vertrouwen.

Bronvermelding: 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

Trefwoorden: poolkoken, schatting van warmtestroom, nucleaire veiligheid, hogesnelheidsbeelden, deep learning