基于机器学习的高速度视频饱和池沸腾在垂直管表面的换热通量估计

用更聪明的“眼睛”让核冷却更安全

当核电站在紧急情况下关停时，它仍会产生必须安全移除的热量。许多新型反应堆设计依赖于放置在大型水池中的简单金属管来完成这项工作。当水在这些管上沸腾时，气泡的模式反映了带走热量的程度。但精确测量这一热量既困难又昂贵，而且往往速度较慢。本研究表明，高速视频和人工智能（AI）可以实时观察这些气泡并以令人印象深刻的精度估算热流，提供了一种监测和保护关键冷却系统的新途径。

位于安全核心的沸腾管

在现代核电厂，被动安全系统被设计为在无泵或外部电源的情况下工作。一个关键部件是一组浸没在大型水箱中的垂直管子。来自反应堆的热量通过这些管子传递，使周围的水沸腾。气泡的形成、增长、合并与离开表面的方式与热量被移走的效率密切相关。如果换热通量过高，表面可能会突然过热，从而威胁系统完整性。传统上，工程师依赖复杂的实验和数学公式来估算这种“换热通量”，但这些方法劳动强度大，并且在沸腾高度湍流时会遇到困难。

从沸腾气泡到数字指纹

为了解决这一挑战，研究人员搭建了一个专门的实验装置，模拟反应堆冷却系统中垂直管上的沸腾条件。一根加热的不锈钢管置于透明注水容器内，周围布置传感器精确记录温度和电功率。与此同时，高速相机以每秒数千帧的速率记录沸腾过程，随后降采样到标准视频速率进行分析。团队验证了他们的沸腾行为和换热数据与其他研究小组的既有实验相匹配，确保影像与测量真实地代表了实际工况。

教会AI“读懂”沸腾

工作的核心是一个将原始视频转换为热量估计的计算机视觉流程。每段视频被切成16帧的短片段，捕捉气泡在毫秒级时间尺度上的变化。研究人员使用一种称为光流的技术强调运动最强的区域，把AI的注意力集中在最动态的部分。这些片段随后输入到一个强大的视频分析网络I3D中，该网络最初在日常人类动作上训练，这里被调整以识别不同的沸腾强度。网络不是通过人工测量气泡尺寸或计数成核点来工作，而是学习与特定热通量相关的视觉模式。

智能系统的表现如何

数据集覆盖七个不同的热等级，从温和沸腾到非常剧烈的起泡。作者将视频片段划分为训练、验证和测试集，以避免过拟合并公正评估性能。经过微调后，I3D模型对约88%的测试片段正确分类热等级，换热通量的平均预测误差约为6%。在较低和中等热等级时其表现尤为出色——那时的沸腾模式更为规整；即便在气泡发生强烈相互作用和重叠的较高热等级时，模型仍保持相当准确。当与其他常见的三维神经网络比较时，I3D始终在准确性和稳健性之间提供了最佳平衡。

该方法为何重要

这种由AI引导的方法并非要取代详细的物理模型，而是提供了一种新的非侵入式实时监测沸腾的手段，只需“观察”水面的影像。由于它依赖视频而非额外探针或复杂的大型试验装置，能使安全评估更快速、成本更低且更易适应不同设计。在核电站中，理解热量移除可能决定一次受控关停与严重事故之间的差异，此类工具可帮助操作员更密切地跟踪安全裕度，尤其在全功率丧失等罕见事件中。除了核能，使用智能视频分析从气泡模式中读取换热信息的相同思路，也可用于设计更安全、更高效的热交换器、制冷系统以及其他依赖沸腾的技术。

引用: 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

关键词: 池沸腾, 换热通量估计, 核安全, 高速成像, 深度学习