Estymacja strumienia cieplnego oparta na uczeniu maszynowym z wykorzystaniem szybkiego wideo podczas nasyconego wrzenia w kąpieli wokół pionowej rury

Uczynienie chłodzenia jądrowego bezpieczniejszym dzięki inteligentniejszemu „wzrokowi”

Nawet gdy elektrownia jądrowa jest awaryjnie wyłączona, nadal wytwarza ciepło, które trzeba bezpiecznie odprowadzić. Wiele nowych projektów reaktorów polega na prostych metalowych rurach zanurzonych w dużych zbiornikach wody do realizacji tego zadania. Gdy woda wrze na powierzchni tych rur, układ pęcherzyków ujawnia, ile ciepła jest przenoszone. Dokładne zmierzenie tego strumienia ciepła jest jednak trudne, kosztowne i często powolne. W tym badaniu pokazano, jak wideo o wysokiej prędkości i sztuczna inteligencja (AI) mogą w czasie rzeczywistym obserwować pęcherzyki i z imponującą dokładnością szacować przepływ ciepła, oferując nowy sposób monitorowania i ochrony krytycznych systemów chłodzenia.

Rury wrzenia w centrum bezpieczeństwa

We współczesnych elektrowniach jądrowych pasywne systemy bezpieczeństwa zaprojektowano tak, by działały bez pomp i zewnętrznego zasilania. Jednym z kluczowych elementów jest wiązka pionowych rur zanurzonych w dużym zbiorniku wodnym. Ciepło z reaktora przepływa przez te rury, powodując wrzenie otaczającej wody. Sposób, w jaki pęcherzyki formują się, rosną, łączą i odrywają od powierzchni, jest ściśle powiązany z efektywnością odprowadzania ciepła. Jeśli przepływ ciepła stanie się zbyt wysoki, powierzchnia może nagle się przegrzać, zagrażając integralności układu. Tradycyjnie inżynierowie polegają na skomplikowanych eksperymentach i modelach matematycznych do estymacji tego „strumienia cieplnego”, lecz metody te są pracochłonne i mogą mieć trudności, gdy wrzenie staje się silnie turbulentne.

Od pęcherzyków wrzenia do cyfrowych śladów

Aby sprostać temu wyzwaniu, badacze zbudowali dedykowany układ laboratoryjny, który naśladuje warunki wrzenia na pionowej rurze w systemie chłodzenia reaktora. Podgrzewana rura ze stali nierdzewnej znajduje się wewnątrz przezroczystego naczynia wypełnionego wodą, otoczona czujnikami, które starannie rejestrują temperatury i moc elektryczną. Jednocześnie kamera o wysokiej prędkości nagrywa proces wrzenia z tysiącami klatek na sekundę, później spowolnionych do standardowej prędkości wideo do analizy. Zespół zweryfikował, że zachowanie wrzenia i dane o przenoszeniu ciepła odpowiadają ustalonym eksperymentom innych grup, co zapewnia, że materiały i pomiary naprawdę odzwierciedlają warunki zbliżone do rzeczywistych.

Nauczanie AI „czytania” wrzenia

Rdzeń pracy stanowi pipeline widzenia komputerowego, który zamienia surowe wideo na estymaty ciepła. Każde nagranie jest dzielone na krótkie klipy po 16 klatek, uchwytujące zmiany pęcherzyków w ułamkach sekundy. Badacze używają techniki zwanej przepływem optycznym, by uwydatnić miejsca największego ruchu, koncentrując uwagę AI na najbardziej dynamicznych obszarach. Te klipy są następnie podawane do potężnej sieci do analizy wideo znanej jako I3D, pierwotnie trenowanej na codziennych akcjach ludzkich i tutaj dostosowanej do rozpoznawania różnych intensywności wrzenia. Zamiast ręcznie mierzyć rozmiary pęcherzyków czy liczbę miejsc nukleacji, sieć uczy się własnych wzorców wizualnych skorelowanych z konkretnymi poziomami ciepła.

Jak dobrze działa inteligentny system

Zbiór danych obejmuje siedem różnych poziomów cieplnych, od łagodnego wrzenia po bardzo gwałtowne bulgotanie. Autorzy podzielili klipy wideo na zbiory treningowe, walidacyjne i testowe, aby uniknąć przeuczenia i uczciwie ocenić wydajność. Po dostrojeniu model I3D poprawnie sklasyfikował poziom ciepła dla około 88% klipów testowych, ze średnim błędem przewidywania strumienia cieplnego wynoszącym około 6%. Szczególnie dobrze radził sobie przy niższych i umiarkowanych poziomach cieplnych, gdzie wzory wrzenia są czyściej zdefiniowane, i pozostawał rozsądnie dokładny nawet przy wyższych poziomach, gdzie pęcherzyki wchodzą w chaotyczne interakcje i nachodzą na siebie. W porównaniu z innymi popularnymi 3D sieciami neuronowymi I3D konsekwentnie dostarczał najlepszą równowagę między dokładnością a odpornością.

Dlaczego to podejście ma znaczenie

Zamiast zastępować szczegółowe modele fizyczne, ta metoda wspomagana AI oferuje nowy, nieinwazyjny sposób monitorowania wrzenia w czasie rzeczywistym przez zwykłą „obserwację” wody. Ponieważ opiera się na wideo, a nie na dodatkowych sondach czy skomplikowanych, wielkoskalowych stanowiskach testowych, może przyspieszyć, obniżyć koszty i uczynić oceny bezpieczeństwa bardziej elastycznymi wobec różnych konstrukcji. W elektrowniach jądrowych, gdzie zrozumienie odprowadzania ciepła może decydować o różnicy między kontrolowanym wyłączeniem a poważnym wypadkiem, takie narzędzie może pomóc operatorom ściślej śledzić marginesy bezpieczeństwa, zwłaszcza podczas rzadkich zdarzeń, jak całkowita utrata zasilania. Poza energetyką jądrową ta sama idea — użycie inteligentnej analizy wideo do odczytu przenoszenia ciepła z wzorców pęcherzyków — może pomóc w projektowaniu bezpieczniejszych i wydajniejszych wymienników ciepła, systemów chłodniczych oraz innych technologii, które w praktyce polegają na wrzeniu.

Cytowanie: 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

Słowa kluczowe: wrzenie w kąpieli, estymacja strumienia cieplnego, bezpieczeństwo jądrowe, obrazowanie dużą prędkością, głębokie uczenie