Нетравматичная система на основе акустических сигналов и глубокого обучения для диагностики кипения в условиях с ограниченной видимостью

Слушая кипение, чтобы сохранять оборудование в безопасности

Во многих современных установках — от заводов по производству медицинских изотопов до ускорителей частиц — металлические детали охлаждаются водой, которая кипит на их поверхностях. Если это кипение внезапно становится слишком интенсивным, детали могут перегреться и выйти из строя. Места, где это происходит, часто закрыты толстым экраном и глубоко погружены в воду, что делает невозможным наблюдение за кипением с помощью камер. В этом исследовании показано, как инженеры могут вместо визуального контроля «слушать» звуки кипения и с помощью искусственного интеллекта превращать эти звуки в прибор для оценки в реальном времени того, насколько система близка к небезопасному перегреву.

Почему кипение трудно наблюдать

Кипение — не просто кухонное явление; это один из основных способов отвода больших потоков тепла от мощных машин. Например, на объекте по производству изотопов в Лос-Аламосе пучок протонов бомбардирует металлические мишени для получения медицинских и исследовательских изотопов, а охлаждающая вода протекает через узкие каналы, отводя тепло. У горячих стенок образуются и отрываются мелкие пузырьки в процессе, называемом подохлаждённым потоковым кипением. Если тепловая нагрузка превысит критический предел, спокойное пузыристое кипение может перейти в кризисное состояние: поверхность окажется покрыта паровой пленкой, что прервет охлаждение и поставит оборудование под угрозу. Поскольку мишени расположены глубоко под водой и внутри радиационной защиты, инженеры не могут полагаться на обычные визуальные средства для отслеживания поведения пузырьков или определения близости системы к критическому состоянию.

Преобразование звука в окно в мир кипения

Авторы построили испытательную петлю, имитирующую один из узких водяных каналов реального объекта, с нагретым никелевым диском вместо оконной или мишенной поверхности. Они разместили чувствительные подводные микрофоны — гидрофоны — на разных расстояниях от области кипения, чтобы зафиксировать крошечные акустические волны, возникающие при рождении и схлопывании пузырьков. Одновременно высокоскоростные видеозаписи и встроенные термометры фиксировали происходящее у стенки: тепловой поток, температуру поверхности и поведение пузырьков — их размер, частоту появления и число активных точек. Сопоставляя визуальные и температурные данные со звуковыми записями, команда собрала богатый обучающий набор, связывающий конкретные режимы кипения с характерными звуковыми сигнатурами.

Обучение нейросети «читать» звуки кипения

Чтобы разобрать сложные аудиосигналы, исследователи преобразовали каждый звук в изображение-подобное представление, показывающее, как меняется энергия разных частот во времени. Затем из них вычли фоновый шум, измеренный при отсутствии кипения, оставив в основном признаки, связанные с активностью пузырьков. Эти изображения подали на вход свёрточной нейронной сети — типа модели глубокого обучения, особенно эффективной в поиске закономерностей на картинках. Сеть обучали предсказывать по звуку шесть ключевых величин: теплоотдачу от стенки, перегрев стенки относительно воды и несколько характеристик, описывающих поведение пузырьков на поверхности. После обучения модель успешно восстанавливала эти величины на новых данных, даже когда она тестировалась при диапазоне тепловых нагрузок и условиях потока, отличных от использованных в обучении.

Проверка на шум и связь с моделями безопасности

Реальные промышленные объекты шумны, поэтому команда проверила, как подход работает при загрязнении записи посторонними звуками. Они добавили к записям искусственный белый шум, постепенно снижая отношение сигнал/шум до тех пор, пока звуки кипения почти не «затерялись». Нейросеть сохраняла точность до тех пор, пока уровень сигнала и шума был примерно равен, что свидетельствует о неожиданно высокой устойчивости метода. Далее предсказанные статистики пузырьков подали в численную модель течения, которая симулирует перенос тепла и пара в канале, включая наступление опасного критического теплового потока. При использовании предсказаний на основе звука вместо измерений с камер модель выдавала почти те же кривые кипения и критические пределы, оставаясь в рамках неопределённостей ранее полученных визуальных ориентиров.

Как это поможет будущим мощным системам

Исследование демонстрирует, что прослушивание кипения может заменить его визуальное наблюдение, по крайней мере в условиях тестирования. Сочетая гидрофоны и глубокое обучение, инженеры могут оценивать нагрузку на поверхность, поведение пузырьков у стенки и близость системы к кризису кипения, не размещая хрупкие камеры или датчики в зонах интенсивного излучения. Метод остаётся работоспособным при умеренных изменениях температуры воды, расхода и положения микрофонов и продолжает давать результаты в условиях сильного фонового шума. При дальнейшей доработке и расширенном тестировании этот звуковой подход может превратиться в практический инструмент для мониторинга безопасности в реальном времени в реакторах, ускорителях и других мощных устройствах, где прямой визуальный доступ ограничен.

Цитирование: Huang, PH., Seong, J.H., Castro-Aguilar, J.M. et al. A non-intrusive framework using acoustic signals and deep learning for boiling diagnostics in visual-limited environments. Sci Rep 16, 14934 (2026). https://doi.org/10.1038/s41598-026-41757-z

Ключевые слова: акустика кипения, глубокое обучение, критический тепловой поток, подохлаждённое потоковое кипение, тепловая безопасность