Faire bouillir n'est pas seulement pour réchauffer le dîner. C'est aussi pour refroidir les choses. La transformation du liquide en gaz élimine l'énergie des surfaces chaudes, et empêche tout, des centrales nucléaires aux puces informatiques puissantes, de surchauffer. Mais lorsque les surfaces deviennent trop chaudes, ils pourraient connaître ce qu'on appelle une crise bouillante.

Dans une crise bouillante, des bulles se forment rapidement, et avant qu'ils ne se détachent de la surface chauffée, ils s'accrochent, établir une couche de vapeur qui isole la surface du fluide de refroidissement ci-dessus. Les températures montent encore plus vite et peuvent provoquer des catastrophes. Les opérateurs souhaitent prévoir de telles défaillances, et de nouvelles recherches offrent un aperçu du phénomène à l'aide de caméras infrarouges à grande vitesse et de l'apprentissage automatique.

Mattéo Bucci, le professeur assistant Norman C. Rasmussen de sciences et d'ingénierie nucléaires au MIT, a dirigé le nouveau travail, publié le 23 juin dans Lettres de physique appliquée . Dans des recherches antérieures, son équipe a passé près de cinq ans à développer une technique dans laquelle l'apprentissage automatique pourrait rationaliser le traitement d'images pertinent. Dans la configuration expérimentale des deux projets, un radiateur transparent de 2 centimètres de diamètre se trouve sous un bain d'eau. Une caméra infrarouge se trouve sous le radiateur, pointé vers le haut et enregistrant à 2, 500 images par seconde avec une résolution d'environ 0,1 millimètre. Précédemment, les personnes étudiant les vidéos devraient compter manuellement les bulles et mesurer leurs caractéristiques, mais Bucci a formé un réseau de neurones pour faire la corvée, couper un processus de trois semaines à environ cinq secondes. "Puis nous avons dit, "Voyons si, en plus du simple traitement des données, nous pouvons réellement apprendre quelque chose d'une intelligence artificielle, '", dit Bucci.

L'objectif était d'estimer à quel point l'eau était proche d'une crise d'ébullition. Le système a examiné 17 facteurs fournis par l'IA de traitement d'images :la « densité de sites de nucléation » (le nombre de sites par unité de surface où des bulles se développent régulièrement sur la surface chauffée), aussi bien que, pour chaque image vidéo, le rayonnement infrarouge moyen sur ces sites et 15 autres statistiques sur la répartition du rayonnement autour de ces sites, y compris comment ils changent au fil du temps. Trouver manuellement une formule qui pèse correctement tous ces facteurs présenterait un défi de taille. Mais "l'intelligence artificielle n'est pas limitée par la vitesse ou la capacité de traitement des données de notre cerveau, " dit Bucci. De plus, « le machine learning n'est pas biaisé » par nos hypothèses préconçues sur l'ébullition.

Pour collecter des données, ils ont fait bouillir de l'eau sur une surface d'oxyde d'indium et d'étain, seul ou avec l'un des trois revêtements :nanofeuilles d'oxyde de cuivre, nanofils d'oxyde de zinc, ou des couches de nanoparticules de dioxyde de silicium. Ils ont formé un réseau de neurones sur 85 % des données des trois premières surfaces, puis l'a testé sur 15 % des données de ces conditions plus les données de la quatrième surface, pour voir à quel point il pourrait se généraliser à de nouvelles conditions. Selon une métrique, il était précis à 96 %, même s'il n'avait pas été entraîné sur toutes les surfaces. "Notre modèle ne se contentait pas de mémoriser des fonctionnalités, " dit Bucci. " C'est un problème typique de l'apprentissage automatique. Nous sommes capables d'extrapoler les prédictions à une surface différente."

L'équipe a également constaté que les 17 facteurs contribuaient de manière significative à la précision des prédictions (bien que certains plus que d'autres). Plus loin, au lieu de traiter le modèle comme une boîte noire qui utilise 17 facteurs de manière inconnue, ils ont identifié trois facteurs intermédiaires expliquant le phénomène :la densité des sites de nucléation, la taille des bulles (qui a été calculée à partir de huit des 17 facteurs), et le produit du temps de croissance et de la fréquence de départ des bulles (qui a été calculé à partir de 12 des 17 facteurs). Bucci dit que les modèles de la littérature utilisent souvent un seul facteur, mais ce travail montre qu'il faut en considérer plusieurs, et leurs interactions. "Ceci est une grosse affaire."

"C'est bien, " dit Rishi Raj, professeur associé à l'Indian Institute of Technology de Patna, qui n'a pas participé aux travaux. "L'ébullition a une physique si compliquée." Il implique au moins deux phases de la matière, et de nombreux facteurs contribuant à un système chaotique. « Cela a été presque impossible, malgré au moins 50 ans de recherches approfondies sur ce sujet, développer un modèle prédictif, ", dit Raj. "Cela a beaucoup de sens pour nous les nouveaux outils d'apprentissage automatique."

Les chercheurs ont débattu des mécanismes derrière la crise bouillante. Résulte-t-il uniquement de phénomènes à la surface chauffante, ou aussi de la dynamique des fluides distante ? Ce travail suggère que les phénomènes de surface sont suffisants pour prévoir l'événement.

Prévoir la proximité de la crise d'ébullition n'augmente pas seulement la sécurité. Il améliore également l'efficacité. En surveillant les conditions en temps réel, un système pourrait pousser les puces ou les réacteurs à leurs limites sans les étrangler ou construire du matériel de refroidissement inutile. C'est comme une Ferrari sur une piste, Bucci dit:"Vous voulez libérer la puissance du moteur."

En attendant, Bucci espère intégrer son système de diagnostic dans une boucle de rétroaction qui peut contrôler le transfert de chaleur, automatisant ainsi les futures expériences, permettant au système de tester des hypothèses et de collecter de nouvelles données. "L'idée est vraiment d'appuyer sur le bouton et de revenir au labo une fois l'expérience terminée." A-t-il peur de perdre son emploi à cause d'une machine ? "Nous allons juste passer plus de temps à penser, ne pas faire d'opérations automatisables, » dit-il. En tout cas :« Il s'agit de hausser la barre. Il ne s'agit pas de perdre son emploi."

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.