Maskininlärningsbaserad uppskattning av värmeflöde från högfartsfilm under mättad poolkokning över vertikal rör

Gör kärnkylning säkrare med skarpare blick

När ett kärnkraftverk stängs av i en nödsituation fortsätter det att avge värme som måste avlägsnas på ett säkert sätt. Många nya reaktordesigner förlitar sig på enkla metallrör nedsänkta i stora vattenbassänger för denna uppgift. När vatten kokar på dessa rör avslöjar bubblornas mönster hur mycket värme som transporteras bort. Men att mäta detta värme exakt är svårt, dyrt och ofta långsamt. Denna studie visar hur högfartsfilm och artificiell intelligens (AI) kan bevaka bubblorna i realtid och uppskatta värmeflödet med imponerande noggrannhet, vilket erbjuder ett nytt sätt att övervaka och skydda kritiska kylsystem.

Kokande rör i säkerhetens centrum

I moderna kärnkraftverk är passiva säkerhetssystem utformade för att fungera utan pumpar eller extern kraft. En nyckelkomponent är ett paket av vertikala rör nedsänkta i en stor vattentank. Värmen från reaktorn leds genom dessa rör och får det omgivande vattnet att koka. Hur bubblor bildas, växer, sammansmälter och lämnar ytan är tätt kopplat till hur effektivt värmen avleds. Om värmeflödet blir för högt kan ytan plötsligt överhettas och hota systemets integritet. Traditionellt förlitar sig ingenjörer på komplexa experiment och matematiska formler för att uppskatta detta ”värmeflöde”, men dessa metoder är arbetsintensiva och kan ha svårt när kokningen blir mycket turbulent.

Från kokande bubblor till digitala spår

För att bemöta denna utmaning byggde forskarna ett dedikerat laboratorieuppställning som efterliknar kokningsförhållandena på ett vertikalt rör i ett reaktorkylsystem. Ett uppvärmt rör i rostfritt stål står inne i ett transparent, vattenfyllt kärl, omgiven av sensorer som noggrant spårar temperaturer och elektrisk effekt. Samtidigt spelar en högfartskamera in kokningen med tusentals bildrutor per sekund, senare reducerade till standard videotakt för analys. Teamet verifierade att deras kokbeteende och värmeöverföringsdata stämde överens med etablerade experiment från andra grupper, vilket säkerställer att filmmaterialet och mätningarna verkligen representerar verkliga förhållanden.

Lära AI att läsa kokningen

Kärnan i arbetet är en datorvisionspipeline som omvandlar råvideo till värmeuppskattningar. Varje video delas upp i korta klipp om 16 rutor, som fångar hur bubblorna förändras över bråkdelar av en sekund. Forskarna använder en teknik som kallas optiskt flöde för att framhäva var rörelsen är starkast och rikta AI:ns uppmärksamhet mot de mest dynamiska regionerna. Dessa klipp matas sedan in i ett kraftfullt videoföranalyssystem känt som I3D, ursprungligen tränat på vardagliga mänskliga handlingar och här anpassat för att känna igen olika kokningsintensiteter. Istället för att manuellt mäta bubb­lornas storlek eller räkna nucleationsställen lär sig nätverket egna visuella mönster som korrelerar med specifika värmenivåer.

Hur bra presterar det smarta systemet

Datasatsen omfattar sju distinkta värmenivåer, från mild kokning till mycket kraftig bubblande. Författarna delade upp sina videoklipp i tränings-, validerings- och testuppsättningar för att undvika överanpassning och rättvist bedöma prestanda. Efter finjustering klassificerade I3D-modellen korrekt värmenivån för cirka 88 % av testklippen, med ett genomsnittligt prognosfel i värmeflöde på omkring 6 %. Den presterade särskilt bra vid låga och måttliga värmenivåer, där kokmönstren är renare, och förblev rimligt exakt även vid högre nivåer där bubblorna interagerar och överlappar kaotiskt. Jämfört med andra populära 3D-neurala nätverk levererade I3D konsekvent den bästa balansen mellan noggrannhet och robusthet.

Varför denna metod är viktig

I stället för att ersätta detaljerade fysikmodeller erbjuder denna AI-styrda metod ett nytt, icke-invasivt sätt att övervaka kokning i realtid genom att helt enkelt ”titta” på vattnet. Eftersom den förlitar sig på video snarare än extra sonder eller komplexa storskaliga provriggar kan den göra säkerhetsbedömningar snabbare, billigare och mer anpassningsbara till olika konstruktioner. I kärnkraftverk, där förståelsen av värmeavledning kan vara skillnaden mellan en kontrollerad avstängning och en allvarlig olycka, kan ett sådant verktyg hjälpa operatörer att följa säkerhetsmarginaler noggrannare, särskilt under sällsynta händelser som total strömavbrott. Utanför kärnenergisektorn kan samma idé — att använda smart videoanalys för att avläsa värmeöverföring från bubblmönster — bidra till utformningen av säkrare och mer effektiva värmeväxlare, kylsystem och andra teknologier som tyst förlitar sig på kokning.

Citering: 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

Nyckelord: poolkokning, uppskattning av värmeflöde, kärnsäkerhet, högfartsinspelning, djuplärning