Ferver não serve apenas para aquecer o jantar. É também para esfriar as coisas. Transformar líquido em gás remove energia de superfícies quentes, e impede o superaquecimento de tudo, desde usinas nucleares a poderosos chips de computador. Mas quando as superfícies ficam muito quentes, eles podem experimentar o que é chamado de crise de ebulição.

Em uma crise fervente, bolhas se formam rapidamente, e antes que se desprendam da superfície aquecida, eles se agarram juntos, estabelecer uma camada de vapor que isola a superfície do fluido de resfriamento acima. As temperaturas sobem ainda mais rápido e podem causar catástrofes. Os operadores gostariam de prever tais falhas, e uma nova pesquisa oferece uma visão sobre o fenômeno usando câmeras infravermelhas de alta velocidade e aprendizado de máquina.

Matteo Bucci, o Norman C. Rasmussen Professor Assistente de Ciência Nuclear e Engenharia do MIT, liderou o novo trabalho, publicado em 23 de junho em Cartas de Física Aplicada . Em pesquisas anteriores, sua equipe passou quase cinco anos desenvolvendo uma técnica na qual o aprendizado de máquina poderia agilizar o processamento de imagens relevantes. Na configuração experimental de ambos os projetos, um aquecedor transparente de 2 centímetros de diâmetro fica abaixo de um banho de água. Uma câmera infravermelha fica abaixo do aquecedor, apontado para cima e registrando em 2, 500 quadros por segundo com uma resolução de cerca de 0,1 milímetro. Anteriormente, pessoas estudando os vídeos teriam que contar manualmente as bolhas e medir suas características, mas Bucci treinou uma rede neural para fazer a tarefa, reduzindo um processo de três semanas para cerca de cinco segundos. "Então nós dissemos, "Vamos ver se, além de apenas processar os dados, podemos realmente aprender algo com uma inteligência artificial, '", Diz Bucci.

O objetivo era estimar o quão perto a água estava de uma crise de ebulição. O sistema analisou 17 fatores fornecidos pelo AI de processamento de imagem:a "densidade do local de nucleação" (o número de locais por unidade de área onde as bolhas crescem regularmente na superfície aquecida), assim como, para cada quadro de vídeo, a radiação infravermelha média nesses locais e 15 outras estatísticas sobre a distribuição da radiação em torno desses locais, incluindo como eles estão mudando ao longo do tempo. Encontrar manualmente uma fórmula que pondere corretamente todos esses fatores seria um desafio assustador. Mas "a inteligência artificial não é limitada pela velocidade ou capacidade de manipulação de dados do nosso cérebro, "Bucci diz. Além disso, "o aprendizado de máquina não é tendencioso" por nossas hipóteses preconcebidas sobre a fervura.

Para coletar dados, eles ferviam água em uma superfície de óxido de índio e estanho, por si só ou com um dos três revestimentos:nanoleaves de óxido de cobre, nanofios de óxido de zinco, ou camadas de nanopartículas de dióxido de silício. Eles treinaram uma rede neural em 85 por cento dos dados das três primeiras superfícies, em seguida, testei em 15 por cento dos dados dessas condições, mais os dados da quarta superfície, para ver o quão bem ele poderia generalizar para novas condições. De acordo com uma métrica, foi 96 por cento preciso, mesmo que não tenha sido treinado em todas as superfícies. "Nosso modelo não era apenas memorizar recursos, "Bucci diz." Esse é um problema típico no aprendizado de máquina. Somos capazes de extrapolar as previsões para uma superfície diferente. "

A equipe também descobriu que todos os 17 fatores contribuíram significativamente para a precisão da previsão (embora alguns mais do que outros). Avançar, em vez de tratar o modelo como uma caixa preta que usava 17 fatores de maneiras desconhecidas, eles identificaram três fatores intermediários que explicaram o fenômeno:densidade do local de nucleação, tamanho da bolha (que foi calculado a partir de oito dos 17 fatores), e o produto do tempo de crescimento e da frequência de saída da bolha (calculada a partir de 12 dos 17 fatores). Bucci diz que os modelos da literatura costumam usar apenas um fator, mas este trabalho mostra que precisamos considerar muitos, e suas interações. "Este é um grande negócio."

"Isso é ótimo, "diz Rishi Raj, professor associado do Instituto Indiano de Tecnologia em Patna, que não estava envolvido no trabalho. "Ferver tem uma física tão complicada." Envolve pelo menos duas fases da matéria, e muitos fatores que contribuem para um sistema caótico. "Tem sido quase impossível, apesar de pelo menos 50 anos de extensa pesquisa sobre este tópico, para desenvolver um modelo preditivo, "Raj diz." Faz muito sentido para nós as novas ferramentas de aprendizado de máquina. "

Os pesquisadores debateram os mecanismos por trás da crise da ebulição. Resulta apenas de fenômenos na superfície de aquecimento, ou também de dinâmicas de fluidos distantes? Este trabalho sugere que fenômenos de superfície são suficientes para prever o evento.

Prever a proximidade da crise fervente não só aumenta a segurança. Também melhora a eficiência. Ao monitorar as condições em tempo real, um sistema pode levar chips ou reatores até seus limites sem estrangulá-los ou construir hardware de resfriamento desnecessário. É como uma Ferrari na pista, Bucci diz:"Você quer liberar a potência do motor."

Enquanto isso, Bucci espera integrar seu sistema de diagnóstico em um ciclo de feedback que pode controlar a transferência de calor, automatizando experimentos futuros, permitindo que o sistema teste hipóteses e colete novos dados. "A ideia é realmente apertar o botão e voltar ao laboratório assim que o experimento terminar." Ele está preocupado em perder o emprego para uma máquina? "Vamos apenas passar mais tempo pensando, não fazer operações que podem ser automatizadas, "diz ele. Em qualquer caso:" Trata-se de elevar a fasquia. Não se trata de perder o emprego. "

Esta história foi republicada por cortesia do MIT News (web.mit.edu/newsoffice/), um site popular que cobre notícias sobre pesquisas do MIT, inovação e ensino.