Bollire non serve solo per riscaldare la cena. È anche per raffreddare le cose. Trasformare il liquido in gas rimuove energia dalle superfici calde, e mantiene tutto, dalle centrali nucleari ai potenti chip per computer dal surriscaldamento. Ma quando le superfici diventano troppo calde, potrebbero sperimentare quella che viene chiamata una crisi bollente.

In una crisi bollente, le bolle si formano rapidamente, e prima che si stacchino dalla superficie riscaldata, si aggrappano insieme, stabilendo uno strato di vapore che isola la superficie dal fluido di raffreddamento sovrastante. Le temperature salgono ancora più velocemente e possono causare catastrofi. Gli operatori vorrebbero prevedere tali guasti, e una nuova ricerca offre informazioni sul fenomeno utilizzando telecamere a infrarossi ad alta velocità e apprendimento automatico.

Matteo Bucci, il Norman C. Rasmussen Assistant Professor di Scienza e Ingegneria Nucleare al MIT, ha condotto il nuovo lavoro, pubblicato il 23 giugno in Lettere di fisica applicata . In precedenti ricerche, il suo team ha trascorso quasi cinque anni a sviluppare una tecnica in cui l'apprendimento automatico potrebbe semplificare l'elaborazione delle immagini rilevanti. Nella configurazione sperimentale per entrambi i progetti, un riscaldatore trasparente di 2 centimetri di diametro si trova sotto un bagno d'acqua. Una telecamera a infrarossi si trova sotto il riscaldatore, puntato verso l'alto e registrando alle 2, 500 fotogrammi al secondo con una risoluzione di circa 0,1 millimetri. In precedenza, le persone che studiano i video dovrebbero contare manualmente le bolle e misurarne le caratteristiche, ma Bucci ha addestrato una rete neurale per fare il lavoro, tagliando un processo di tre settimane a circa cinque secondi. "Allora abbiamo detto, "Vediamo se oltre all'elaborazione dei dati possiamo effettivamente imparare qualcosa da un'intelligenza artificiale, '", dice Bucci.

L'obiettivo era stimare quanto l'acqua fosse vicina a una crisi bollente. Il sistema ha esaminato 17 fattori forniti dall'IA di elaborazione delle immagini:la "densità del sito di nucleazione" (il numero di siti per unità di area in cui le bolle crescono regolarmente sulla superficie riscaldata), così come, per ogni fotogramma video, la radiazione infrarossa media in quei siti e altre 15 statistiche sulla distribuzione della radiazione intorno a quei siti, compreso il modo in cui cambiano nel tempo. Trovare manualmente una formula che pesi correttamente tutti questi fattori rappresenterebbe una sfida scoraggiante. Ma "l'intelligenza artificiale non è limitata dalla velocità o dalla capacità di gestione dei dati del nostro cervello, " dice Bucci. Inoltre, "l'apprendimento automatico non è influenzato" dalle nostre ipotesi preconcette sull'ebollizione.

Per raccogliere dati, hanno fatto bollire l'acqua su una superficie di ossido di indio e stagno, da solo o con uno dei tre rivestimenti:nanofoglie di ossido di rame, nanofili di ossido di zinco, o strati di nanoparticelle di biossido di silicio. Hanno addestrato una rete neurale sull'85 percento dei dati delle prime tre superfici, poi l'ho testato sul 15 percento dei dati di quelle condizioni più i dati della quarta superficie, per vedere come potrebbe generalizzarsi a nuove condizioni. Secondo una metrica, era accurato al 96 percento, anche se non era stato addestrato su tutte le superfici. "Il nostro modello non consisteva solo nel memorizzare le caratteristiche, " dice Bucci. "Questo è un problema tipico dell'apprendimento automatico. Siamo in grado di estrapolare le previsioni su una superficie diversa".

Il team ha anche scoperto che tutti i 17 fattori hanno contribuito in modo significativo all'accuratezza della previsione (anche se alcuni più di altri). Ulteriore, invece di trattare il modello come una scatola nera che utilizzava 17 fattori in modi sconosciuti, hanno identificato tre fattori intermedi che spiegavano il fenomeno:densità del sito di nucleazione, dimensione della bolla (che è stata calcolata da otto dei 17 fattori), e il prodotto del tempo di crescita e della frequenza di partenza delle bolle (calcolato da 12 dei 17 fattori). Bucci dice che i modelli in letteratura usano spesso un solo fattore, ma questo lavoro mostra che dobbiamo considerare molti, e le loro interazioni. "Questo è un grosso problema."

"Questo è fantastico, "dice Rishi Raj, professore associato presso l'Indian Institute of Technology di Patna, chi non era coinvolto nell'opera. "L'ebollizione ha una fisica così complicata." Implica almeno due fasi della materia, e molti fattori che contribuiscono a un sistema caotico. "È stato quasi impossibile, nonostante almeno 50 anni di ricerche approfondite su questo argomento, sviluppare un modello predittivo, " Raj dice. "Ha molto senso per noi i nuovi strumenti di machine learning".

I ricercatori hanno discusso i meccanismi alla base della crisi bollente. Deriva unicamente da fenomeni sulla superficie riscaldante, o anche da fluidodinamica lontana? Questo lavoro suggerisce che i fenomeni di superficie siano sufficienti per prevedere l'evento.

Prevedere la vicinanza alla crisi bollente non aumenta solo la sicurezza. Migliora anche l'efficienza. Monitorando le condizioni in tempo reale, un sistema potrebbe spingere i chip oi reattori ai loro limiti senza strozzarli o costruire hardware di raffreddamento non necessario. È come una Ferrari in pista, Bucci dice:"Vuoi scatenare la potenza del motore".

Intanto, Bucci spera di integrare il suo sistema diagnostico in un circuito di feedback in grado di controllare il trasferimento di calore, automatizzando così futuri esperimenti, consentendo al sistema di testare ipotesi e raccogliere nuovi dati. "L'idea è davvero quella di premere il pulsante e tornare in laboratorio una volta terminato l'esperimento". È preoccupato di perdere il lavoro a causa di una macchina? "Passeremo solo più tempo a pensare, non eseguire operazioni che possono essere automatizzate, dice. In ogni caso:«Si tratta di alzare l'asticella. Non si tratta di perdere il lavoro".

Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca del MIT, innovazione e didattica.