Görsel erişimin sınırlı olduğu ortamlarda kaynama tanısı için akustik sinyaller ve derin öğrenme kullanan müdahalesiz bir çerçeve

Kameralar yerine kaynamayı dinleyerek makineleri güvende tutmak

İleri düzey tesislerde, tıbbi izotop fabrikalarından parçacık hızlandırıcılarına kadar, metal parçalar yüzeylerinde su kaynayarak soğutulur. Bu kaynama aniden aşırı şiddetlenirse parçalar aşırı ısınabilir ve arızalanabilir. Bu tür olayların gerçekleştiği bölgeler genellikle kalın kalkanlar ve suyun altında gömülü olduğundan, kaynamayı doğrudan kameralarla izlemek zor veya imkânsızdır. Bu çalışma, mühendislerin kaynamanın çıkardığı sesleri dinleyip yapay zekâyı kullanarak bu sesleri sistemin ne kadar tehlikeli bir ısınmaya yakın olduğuna dair gerçek zamanlı bir göstergede nasıl dönüştürebileceklerini gösteriyor.

Kaynamanın izlenmesinin zor olmasının sebebi

Kaynama sadece mutfak merakı değil; güçlü makinelerden büyük miktarda ısı uzaklaştırmak için kullanılan temel bir mekanizmadır. Örneğin Los Alamos İzotop Üretim Tesisi’nde proton ışını metal hedeflere çarparak tıbbi ve araştırma izotopları üretir ve dar kanallardan geçen soğutma suyu ısıyı uzaklaştırır. Sıcak duvarların yakınında küçük kabarcıklar oluşur, büyür ve yüzeyden ayrılır; bu olaya subsoğutulmuş akış kaynaması denir. Isı yükü kritik bir sınırı aşarsa, bu nazik kabarcıklanma yüzeyin buharla kaplanmasına ve soğutmanın kesilmesine yol açarak donanımı tehlikeye atabilir. Hedefler suyun derininde ve radyasyon kalkanının içinde yer aldığından, mühendisler kabarcık davranışını veya sistemin kritik duruma ne kadar yakın olduğunu takip etmek için normal görsel araçlara güvenemezler.

Sesi kaynamaya açılan bir pencereye dönüştürmek

Yazarlar, gerçek tesisteki dar su geçişlerinden birini taklit eden bir test döngüsü kurdular; ısıtılmış bir nikel disk ışın penceresi veya hedef yerine konuldu. Kaynama bölgesinden çeşitli uzaklıklara hassas sualtı mikrofonları (hidrofonlar) yerleştirerek kabarcıkların doğuşu ve çöküşü sırasında oluşan küçük basınç dalgalarını yakaladılar. Aynı zamanda yüksek hızlı video ve gömülü termometreler duvarda gerçekte neler olduğunu kaydetti: ısı akışı, yüzey sıcaklığı ve kabarcık davranışına dair büyüklük, frekans ve aktif site sayısı gibi bilgiler. Görsel ve sıcaklık verilerini ses kayıtlarıyla karşılaştırarak, belirli kaynama desenlerini belirli ses imzalarına bağlayan zengin bir eğitim seti oluşturdular.

Bir sinir ağını kaynama seslerini okumaya öğretmek

Karmaşık sesi anlamlandırmak için araştırmacılar her ses sinyalini farklı frekansların zaman içinde nasıl değiştiğini gösteren resim-benzeri bir forma dönüştürdüler. Ardından kaynama yokken ölçülen arka plan gürültüsünü çıkartarak çoğunlukla kabarcık faaliyetlerine bağlı özellikleri bıraktılar. Bu görüntüler, resimlerdeki desenleri bulmada çok iyi olan evrişimli sinir ağı (convolutional neural network) adı verilen bir derin öğrenme modeline verildi. Ağ, duvardan çıkan ısıyı, duvarın sudan ne kadar daha sıcak olduğunu ve yüzeydeki kabarcık davranışını tanımlayan birkaç ölçümü olmak üzere sesten doğrudan altı ana niceliği tahmin edecek şekilde eğitildi. Eğitildikten sonra model, yeni veriler için bu değerleri başarıyla yeniden üretti; hatta daha önce görmediği farklı ısı yükleri ve akış koşulları altında bile iyi performans gösterdi.

Gürültüyü test etmek ve güvenlik modellerine bağlamak

Gerçek endüstriyel sahalar gürültülüdür, bu yüzden ekip yöntemin sesin kirlenmesi durumunda nasıl dayandığını kontrol etti. Kayıtlara yapay beyaz gürültü ekleyip işaret-gürültü oranını kademeli olarak düşürdüler; kaynama sesleri neredeyse gömülene kadar. Sinir ağı, ses ve gürültünün güçleri yaklaşık olarak eşit olana kadar doğruluğunu korudu; bu da yöntemin şaşırtıcı derecede dayanıklı olduğunu gösteriyor. Ardından tahmin edilen kabarcık istatistikleri, kanal içindeki ısı ve buhar hareketini, tehlikeli kritik ısı akısı noktasının oluşumunu simüle eden bir akışkan-dinamiği modeline verildi. Görüntüye dayalı ölçümler yerine ses tabanlı tahminlerle çalıştırıldığında bile model neredeyse aynı kaynama eğrilerini ve kritik sınırları üretti; önceki görsel referansların belirsizlik bantları içinde kaldı.

Bu yaklaşımın yüksek güçlü sistemler için faydası

Çalışma, test edilen koşullar dahilinde kaynamayı görmenin yerine sesi dinlemenin geçebileceğini gösteriyor. Hidrofonları derin öğrenme ile birleştirerek mühendisler, kırılgan kameraları veya sensörleri sert radyasyon bölgelerine yerleştirmeden bir yüzeyin ne kadar zorlandığını, kabarcıkların duvar yakınında nasıl davrandığını ve sistemin kaynama krizine ne kadar yakın olduğunu tahmin edebilirler. Yöntem, su sıcaklığı, akış hızı ve mikrofon yerleşimi gibi orta düzey değişiklikler altında güvenilirliğini koruyor ve güçlü arka plan gürültüsü varlığında çalışmaya devam ediyor. Daha fazla iyileştirme ve geniş kapsamlı testlerle, bu ses tabanlı yaklaşım reaktörlerde, hızlandırıcılarda ve doğrudan görsel erişimin sınırlı olduğu diğer yüksek güçlü cihazlarda gerçek zamanlı, müdahalesiz güvenlik izleme için pratik bir araç haline gelebilir.

Atıf: 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

Anahtar kelimeler: kaynama akustiği, derin öğrenme, kritik ısı akısı, subsoğutulmuş akış kaynaması, termal emniyet