在视觉受限环境中使用声学信号与深度学习进行沸腾诊断的非侵入式框架

倾听沸腾以保护设备安全

在许多先进设施中，从医用同位素工厂到粒子加速器，金属零件的冷却依靠在表面发生的水沸腾。如果这种沸腾突变为过强，零件会过热并发生故障。产生这种情况的区域常常被厚重的屏蔽和大量水覆盖，使得用相机直接观察沸腾变得困难或不可能。本研究表明，工程师可以转而监听沸腾所发出的声音，并用人工智能将这些声音转化为实时指标，以判断系统距离不安全加热有多近。

为什么沸腾难以观察

沸腾不仅仅是厨房里的现象；它是从高功率设备中移走大量热量的主要手段。例如在洛斯阿拉莫斯的同位素生产设施中，质子束轰击金属靶以制备医用和研究同位素，冷却水沿狭窄通道流动以带走热量。在热壁附近，微小气泡生成、膨胀并从表面脱落，这一过程称为过冷流动沸腾。如果热负荷超过某一临界值，这种温和的起泡会转变为危急状态，表面被蒸汽覆盖，导致冷却中断并威胁设备安全。由于靶体深埋在水下并置于辐射屏蔽内，工程师无法依赖常规视觉工具来追踪气泡行为或衡量系统接近临界状态的程度。

把声音变成观测沸腾的窗口

作者搭建了一个试验回路，模拟真实设施中狭窄水通道之一，使用加热镍盘代表束窗或靶体。他们在不同距离放置了灵敏的水下麦克风（称为水听器），以捕捉气泡生成和塌陷时产生的微小压力波。同时，高速视频和嵌入式温度计记录了壁面实际发生的情况：热通量、表面温度以及气泡行为，如尺寸、频率和活动位置数量。通过将可视与温度数据与声音记录进行比对，团队构建了一个丰富的训练集，将具体的沸腾模式与特定的声音特征相联系。

教神经网络“读”沸腾声

为了解析复杂的音频，研究人员将每个声信号转换为类似图像的形式，展示不同频率的强度如何随时间变化。他们随后减去了在无沸腾情况下测得的背景噪声，保留主要与气泡活动相关的特征。这些图像输入到卷积神经网络——一种擅长在图像中发现模式的深度学习模型。网络被训练直接从声音预测六个关键量：离开壁面的热流、壁面比水更高的温度差，以及若干描述表面气泡行为的指标。训练完成后，该模型对新数据的重建表现良好，即便在不同热负荷和不同流动条件下测试，仍能成功预测这些值。

测试噪声并与安全模型联动

实际工业场所噪声较多，因此团队检查了当声音被污染时方法的稳健性。他们向录音中加入人工白噪声，逐步降低信噪比，直到沸腾声几乎被埋没。神经网络在声与噪强度相当的情况下仍保持准确，表明方法相当鲁棒。接着，将预测出的气泡统计量输入到数值流体流动模型中，该模型模拟通道内热量和蒸汽的运动，包括危险的临界热流密度的出现。当模型以基于声音的预测替代基于摄像的测量驱动时，生成的沸腾曲线和临界限几乎相同，处于先前视觉基准的不确定带之内。

这对未来高功率系统的意义

研究表明，在所测试的条件下，倾听沸腾可以替代目视观测。将水听器与深度学习结合，工程师可以在不将脆弱相机或传感器置于强辐射区的情况下，估算壁面承受的热负荷、气泡在壁面附近的行为以及系统与沸腾危机的距离。该方法在水温、流速和麦克风位置的中等变化下仍保持可靠，并在存在强背景噪声时继续有效。经过进一步改进和更广泛的测试，这种基于声音的方法有望成为反应堆、加速器及其他直接视觉接入受限的高功率设备中用于实时、非侵入式安全监测的实用工具。

引用: 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

关键词: 沸腾声学, 深度学习, 临界热流密度, 过冷流动沸腾, 热安全