Hervir no es solo para calentar la cena. También sirve para enfriar las cosas. Convertir el líquido en gas elimina la energía de las superficies calientes, y evita que todo, desde plantas de energía nuclear hasta potentes chips de computadora, se sobrecalienten. Pero cuando las superficies se calientan demasiado, pueden experimentar lo que se llama una crisis de ebullición.

En una crisis hirviente las burbujas se forman rápidamente, y antes de que se desprendan de la superficie calentada, se aferran juntos, estableciendo una capa de vapor que aísla la superficie del fluido refrigerante de arriba. Las temperaturas aumentan aún más rápido y pueden causar una catástrofe. A los operadores les gustaría predecir tales fallas, y una nueva investigación ofrece información sobre el fenómeno mediante el uso de cámaras infrarrojas de alta velocidad y aprendizaje automático.

Matteo Bucci, el profesor adjunto Norman C. Rasmussen de ciencia e ingeniería nucleares en el MIT, dirigió el nuevo trabajo, publicado el 23 de junio en Letras de física aplicada . En investigaciones anteriores, su equipo pasó casi cinco años desarrollando una técnica en la que el aprendizaje automático podría agilizar el procesamiento de imágenes relevantes. En la configuración experimental de ambos proyectos, un calentador transparente de 2 centímetros de ancho se encuentra debajo de un baño de agua. Una cámara de infrarrojos se encuentra debajo del calentador, apuntando hacia arriba y grabando a las 2, 500 fotogramas por segundo con una resolución de aproximadamente 0,1 milímetros. Previamente, las personas que estudian los videos tendrían que contar manualmente las burbujas y medir sus características, pero Bucci entrenó una red neuronal para hacer la tarea, reduciendo un proceso de tres semanas a unos cinco segundos. "Entonces dijimos, "Veamos si, además de procesar los datos, podemos aprender algo de una inteligencia artificial, '", Dice Bucci.

El objetivo era estimar qué tan cerca estaba el agua de una crisis de ebullición. El sistema analizó 17 factores proporcionados por la IA de procesamiento de imágenes:la "densidad del sitio de nucleación" (el número de sitios por unidad de área donde las burbujas crecen regularmente en la superficie calentada), al igual que, para cada fotograma de video, la radiación infrarroja media en esos sitios y otras 15 estadísticas sobre la distribución de la radiación alrededor de esos sitios, incluyendo cómo están cambiando con el tiempo. Encontrar manualmente una fórmula que sopese correctamente todos esos factores presentaría un desafío abrumador. Pero "la inteligencia artificial no está limitada por la velocidad o la capacidad de manejo de datos de nuestro cerebro, "Dice Bucci. Además, "El aprendizaje automático no está sesgado" por nuestras hipótesis preconcebidas sobre la ebullición.

Para recopilar datos, Hirvieron agua sobre una superficie de óxido de indio y estaño, solo o con uno de los tres recubrimientos:nanohojas de óxido de cobre, nanocables de óxido de zinc, o capas de nanopartículas de dióxido de silicio. Entrenaron una red neuronal en el 85 por ciento de los datos de las tres primeras superficies, luego lo probé en el 15 por ciento de los datos de esas condiciones más los datos de la cuarta superficie, para ver qué tan bien podría generalizarse a nuevas condiciones. Según una métrica, tenía una precisión del 96 por ciento, a pesar de que no había sido entrenado en todas las superficies. "Nuestro modelo no solo memorizaba funciones, "Dice Bucci." Ese es un problema típico en el aprendizaje automático. Somos capaces de extrapolar predicciones a una superficie diferente ".

El equipo también descubrió que los 17 factores contribuyeron significativamente a la precisión de la predicción (aunque algunos más que otros). Más lejos, en lugar de tratar el modelo como una caja negra que utilizó 17 factores de formas desconocidas, identificaron tres factores intermedios que explicaban el fenómeno:densidad del sitio de nucleación, tamaño de la burbuja (que se calculó a partir de ocho de los 17 factores), y el producto del tiempo de crecimiento y la frecuencia de salida de las burbujas (que se calculó a partir de 12 de los 17 factores). Bucci dice que los modelos en la literatura a menudo usan un solo factor, pero este trabajo muestra que debemos considerar muchos, y sus interacciones. "Este es un gran problema."

"Esto es genial, "dice Rishi Raj, profesor asociado en el Instituto Indio de Tecnología de Patna, que no estuvo involucrado en el trabajo. "Hervir tiene una física tan complicada". Implica al menos dos fases de la materia, y muchos factores que contribuyen a un sistema caótico. "Ha sido casi imposible, a pesar de al menos 50 años de investigación exhaustiva sobre este tema, para desarrollar un modelo predictivo, Raj dice. "Tiene mucho sentido para nosotros las nuevas herramientas de aprendizaje automático".

Los investigadores han debatido los mecanismos detrás de la crisis de ebullición. ¿Es el resultado únicamente de fenómenos en la superficie de calentamiento, ¿O también de dinámica de fluidos distante? Este trabajo sugiere que los fenómenos superficiales son suficientes para pronosticar el evento.

Predecir la proximidad a la crisis de ebullición no solo aumenta la seguridad. También mejora la eficiencia. Monitoreando las condiciones en tiempo real, un sistema podría llevar chips o reactores a sus límites sin estrangularlos o construir hardware de enfriamiento innecesario. Es como un Ferrari en una pista Bucci dice:"Quieres dar rienda suelta a la potencia del motor".

Mientras tanto, Bucci espera integrar su sistema de diagnóstico en un circuito de retroalimentación que pueda controlar la transferencia de calor, automatizando así experimentos futuros, permitiendo que el sistema pruebe hipótesis y recopile nuevos datos. "La idea es realmente presionar el botón y volver al laboratorio una vez finalizado el experimento". ¿Le preocupa perder su trabajo a causa de una máquina? "Pasaremos más tiempo pensando, no realizar operaciones que se puedan automatizar, ", dice. En cualquier caso:" Se trata de subir el listón. No se trata de perder el trabajo ".

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre la investigación del MIT, innovación y docencia.