Par
Photos des surfaces d’ébullition prises au microscope électronique à balayage : oxyde d’indium et d’étain (en haut à gauche), nanofeuilles d’oxyde de cuivre (en haut à droite), nanofils d’oxyde de zinc (en bas à gauche) et revêtement poreux de nanoparticules de dioxyde de silicium obtenu par couche dépôt (en bas à droite). Crédit : Photos SEM avec l’aimable autorisation des chercheurs.
AVEC les chercheurs entraînent un réseau de neurones pour prédire une « crise d’ébullition », avec des applications potentielles pour le refroidissement des puces informatiques et des réacteurs nucléaires.
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, elles peuvent connaître ce qu’on appelle une crise d’ébullition.
Lors d’une crise d’ébullition, des bulles se forment rapidement et avant de se détacher de la surface chauffée, elles s’accrochent, créant une couche de vapeur qui isole la surface du fluide de refroidissement au-dessus. Les températures montent encore plus vite et peuvent provoquer des catastrophes. Les opérateurs aimeraient prédire de telles défaillances, et de nouvelles recherches offrent un aperçu du phénomène à l’aide de caméras infrarouges à haute vitesse et de l’apprentissage automatique.
Matteo Bucci, le professeur assistant Norman C. Rasmussen de sciences et d’ingénierie nucléaires au MIT, a dirigé le nouveau travail, publié le 23 juin 2021, dans Lettres de physique appliquée. Dans des recherches précédentes, 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, pointée vers le haut et enregistrant à 2 500 images par seconde avec une résolution d’environ 0,1 millimètre. Auparavant, les personnes étudiant les vidéos devaient compter manuellement les bulles et mesurer leurs caractéristiques, mais Bucci a formé un réseau de neurones pour faire la corvée, réduisant un processus de trois semaines à environ cinq secondes. « Ensuite, nous avons dit : « Voyons si, à part le 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), ainsi que, pour chaque image vidéo, l’infrarouge moyen. radiations sur ces sites et 15 autres statistiques sur la répartition des radiations autour de ces sites, y compris leur évolution 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”, explique Bucci. De plus, « l’apprentissage automatique 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 suivants : nanofeuilles d’oxyde de cuivre, nanofils d’oxyde de zinc ou couches de nanoparticules de dioxyde de silicium. Ils ont formé un réseau de neurones sur 85 % des données des trois premières surfaces, puis l’ont testé sur 15 % des données de ces conditions plus les données de la quatrième surface, pour voir dans quelle mesure il pouvait 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 caractéristiques”, explique 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 prédiction précision (bien que certains plus que d’autres). De plus, au lieu de traiter le modèle comme une boîte noire qui utilisait 17 facteurs de manière inconnue, ils ont identifié trois facteurs intermédiaires qui expliquaient le phénomène : la densité du site 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 (calculée à partir de 12 des 17 facteurs). Bucci dit que les modèles de la littérature utilisent souvent un seul facteur, mais ce travail montre que nous devons en considérer plusieurs et leurs interactions. “Ceci est une grosse affaire.”
“C’est formidable”, déclare Rishi Raj, professeur agrégé à l’Institut indien de technologie 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. « Il a été presque impossible, malgré au moins 50 ans de recherches approfondies sur ce sujet, de 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-elle uniquement de phénomènes à la surface chauffante, ou encore de la dynamique des fluides à distance ? 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 ni construire du matériel de refroidissement inutile. C’est comme une Ferrari sur une piste, dit Bucci : « 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 passerons simplement plus de temps à réfléchir, pas à effectuer des opérations pouvant être automatisées », dit-il. En tout cas : « Il s’agit de hausser la barre. Il ne s’agit pas de perdre son emploi.
Référence : « Décrypter la crise d’ébullition grâce à l’exploration axée sur les données des mesures de thermométrie infrarouge à haute résolution » par Madhumitha Ravichandran, Guanyu Su, Chi Wang, Jee Hyun Seong, Artyom Kossolapov, Bren Phillips, Md Mahamudur Rahman et Matteo Bucci, 23 juin 2021 , Lettres de physique appliquée.
DOI : 10.1063/5.0048391
