Оценка теплового потока на основе машинного обучения по высокоскоростному видео при насыщенном кипении в бассейне на вертикальной трубе

Сделать ядерное охлаждение безопаснее с помощью умных «глаз»

Когда атомная электростанция останавливается в аварийной ситуации, она всё ещё выделяет тепло, которое необходимо безопасно отвести. Во многих новых проектах реакторов для этой задачи используются простые металлические трубы, погружённые в большие водоёмы. По мере того как вода кипит на этих трубах, образующийся рисунок пузырьков показывает, сколько тепла отводится. Но точное измерение этого тепла затруднительно, дорого и часто медленно. В этом исследовании показано, как высокоскоростное видео и искусственный интеллект (ИИ) могут в реальном времени наблюдать за пузырями и с впечатляющей точностью оценивать тепловой поток, предлагая новый способ мониторинга и защиты критических систем охлаждения.

Кипящие трубы в основе безопасности

В современных атомных электростанциях пассивные системы безопасности рассчитаны на работу без насосов и внешнего питания. Одним из ключевых элементов является пучок вертикальных труб, погружённых в большой резервуар с водой. Тепло от реактора передаётся по этим трубам, заставляя окружающую воду кипеть. То, как пузырьки формируются, растут, сливаются и покидают поверхность, тесно связано с эффективностью отвода тепла. Если тепловой поток станет слишком высоким, поверхность может внезапно перегреться, что угрожает целостности системы. Традиционно инженеры полагаются на сложные эксперименты и математические формулы для оценки этого «теплового потока», однако эти методы трудоёмки и испытывают затруднения при сильно турбулентном кипении.

От кипящих пузырей к цифровым отпечаткам

Чтобы справиться с этой задачей, исследователи создали лабораторную установку, имитирующую условия кипения на вертикальной трубе в системе охлаждения реактора. Нагреваемая труба из нержавеющей стали расположена внутри прозрачного сосуда, заполненного водой, и окружена датчиками, которые аккуратно отслеживают температуры и электрическую мощность. Одновременно высокоскоростная камера записывает процесс кипения с тысяч кадров в секунду, затем материалы приводятся к стандартной скорости воспроизведения для анализа. Команда проверила, что их поведение кипения и данные по теплообмену соответствуют установленным экспериментам других групп, обеспечивая тем самым, что видеозаписи и измерения действительно отражают реальные условия.

Обучение ИИ «читать» кипение

Сердцем работы является конвейер компьютерного зрения, который превращает сырое видео в оценки тепла. Каждое видео нарезается на короткие клипы по 16 кадров, фиксирующие изменение пузырьков за доли секунды. Исследователи используют метод оптического потока, чтобы выделить участки с наибольшим движением, сфокусировав внимание ИИ на наиболее динамичных областях. Эти клипы затем подаются в мощную сеть для анализа видео, известную как I3D, изначально обученную на повседневных действиях людей и адаптированную здесь для распознавания разных интенсивностей кипения. Вместо ручного измерения размеров пузырьков или подсчёта мест нуклеации сеть самостоятельно вырабатывает визуальные паттерны, коррелирующие с определёнными уровнями тепла.

Насколько хорошо работает умная система

Набор данных охватывает семь разных уровней тепла — от слабого кипения до очень интенсивного бурления. Авторы разделили видеоклипы на обучающую, валидационную и тестовую выборки, чтобы избежать переобучения и справедливо оценить работу модели. После дообучения модель I3D правильно классифицировала уровень тепла примерно в 88% тестовых клипов, с средней ошибкой прогноза теплового потока примерно 6%. Особенно хорошо модель показывала себя при низких и средних уровнях нагрева, где паттерны кипения чище, и оставалась достаточно точной даже при высоких уровнях, когда пузырьки взаимодействуют и перекрываются хаотично. В сравнении с другими популярными 3D-нейросетями I3D стабильно давала лучшее сочетание точности и устойчивости.

Почему этот подход важен

Вместо того чтобы заменять детальные физические модели, этот метод с поддержкой ИИ предлагает новый, безвредный способ мониторинга кипения в реальном времени путем простого «наблюдения» за водой. Поскольку он опирается на видео, а не на дополнительные зондовые приборы или сложные крупномасштабные испытательные стенды, он может сделать оценку безопасности быстрее, дешевле и более адаптируемой к разным конструкциям. На атомных станциях, где понимание отвода тепла может решать разницу между контролируемым остановом и серьёзной аварией, такой инструмент поможет операторам ближе отслеживать запасы безопасности, особенно в редких ситуациях вроде полной потери питания. За пределами ядерной энергетики та же идея — использование интеллектуального анализа видео для чтения теплообмена по рисункам пузырей — может помочь в проектировании более безопасных и эффективных теплообменников, холодильных систем и других технологий, которые зависят от кипения.

Цитирование: 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

Ключевые слова: кипение в бассейне, оценка теплового потока, ядерная безопасность, высокоскоростная съёмка, глубокое обучение