北京中科白癜风医院有治好的吗 http://m.39.net/pf/bdfyy/bjzkbdfyy/

我们在生活中常常跟沸腾打交道，我们煮沸水杀死可能存在的细菌使其能饮用，用于烹饪煮沸各种食物，给肉类或家禽做长时间慢炖或蒸煮以烹饪出营养丰富的食品等，更不必说在蒸汽机、汽轮机、锅炉、核电等方面的工业应用了。

沸腾是指液体受热超过其饱和温度时，在液体内部和表面同时发生剧烈汽化的现象。不同液体的沸点不同。即使同一液体，它的沸点也要随外界的大气压强的改变而改变。

沸腾看起来是一种很简单的物理现象，但实际上具有复杂的物理学。它至少涉及物质的两个阶段，以及导致混沌系统的许多因素。多少年来人们对沸腾进行了广泛的研究，但认清沸腾的物理学并开发出预测模型仍然是个问题。

煮沸不仅仅是用于加热，它也用于冷却事物，将液体转化为气体可以从热表面去除能量，如防止从核电站到强大的计算机芯片的过热。但是当表面变得太热时，它们可能会经历所谓的“沸腾危机”。

在沸腾危机中，气泡会迅速形成，在它们从受热表面分离之前，它们会粘在一起，形成一个蒸汽层，使表面与上方的冷却流体绝缘。温度上升得更快，可能导致灾难。人们希望预测此类故障。

发表在《应用物理快报》上的论文中，麻省理工学院核科学与工程系的科学家们报告说，通过运用红外摄像和人工智能技术揭示沸腾的物理学。

论文题为：“通过高分辨率红外测温测量的数据驱动探索以解密沸腾危机”。在之前的研究中，研究团队花了将近五年的时间开发了一种技术，机器学习可以简化相关的图像处理。在这两个项目的实验装置中，一个2厘米宽的透明加热器位于水浴下方。红外摄像机位于加热器下方，指向上方并以每秒2,帧的速度记录，分辨率约为0.1毫米。

00:43

以前，研究视频的人必须手动计算气泡并测量它们的特征，研究人员训练了一个神经网络来完成这项繁琐的工作，将为期三周的过程缩短到大约5秒。研究人员表示，“让我们看看除了处理数据之外，我们是否还能从人工智能中学到一些东西。”

目标是估计水离沸腾危机有多近。该系统查看了人工智能图像处理提供的17个因素：“成核点密度”，即每单位面积上气泡在加热表面上规律生长的点数，还有每个视频帧的平均红外线这些站点的辐射，以及有关这些站点周围辐射分布的其他15项统计数据，包括它们随时间的变化情况。手动找到一个正确权衡所有这些因素的公式将是一项艰巨的挑战。研究人员表示，但是“人工智能不受我们大脑的速度或数据处理能力的限制，此外，机器学习对我们关于沸腾的先入为主的假设‘没有偏见’。”

为了收集数据，研究人员在氧化铟锡表面煮沸水，单独或带有以下三种涂层之一：氧化铜纳米叶、氧化锌纳米线或二氧化硅纳米颗粒层。如图所示使用扫描电子显微镜拍摄的沸腾表面照片：氧化铟锡（左上）、氧化铜纳米叶（右上）、氧化锌纳米线（左下）和通过逐层获得的二氧化硅纳米粒子的多孔涂层沉积（右下）。

他们用来自前三个表面的85%的数据训练了一个神经网络，然后在这些条件的15%的数据加上来自第四个表面的数据上对其进行了测试，以查看它对新条件的概括能力。根据一项指标，它的准确率为96%，即使它没有在所有表面上进行过训练。研究人员表示，“我们的模型不仅仅是记住特征，”“这是机器学习中的一个典型问题。我们能够将预测外推到不同的表面。”

该团队还发现，所有17个因素都对预测准确性做出了重大贡献。此外，他们没有将模型视为以未知方式使用17个因素的黑匣子，而是确定了三个解释这一现象的中间因素：成核点密度、气泡大小和乘积增长时间和泡沫离开频率。研究人员说，文献中的模型通常只使用一个因素，但这项工作表明我们需要考虑许多因素，以及它们之间的相互作用。“这是一个大问题。”

过去科学家一直在争论沸腾危机背后的机制：它完全是由加热表面的现象引起的呢，还是来自看似关系不大的流体动力学？这项工作表明，加热表面的现象足以预测该事件。

预测接近沸腾的危机不仅会增加安全性，它还提高效率。通过实时监控条件，系统可以将如加热的芯片或反应堆推到极限，而无需对其进行节流或构建不必要的冷却硬件。

与此同时，研究人员希望将这样的诊断系统集成到一个可以控制热传递的反馈回路中，从而使未来的实验自动化，使系统能够测试假设并收集新数据。“这个想法实际上就是按下按钮并在实验完成后再返回实验室。”这样是否担心会因为机器而失去工作？研究人员表示说，“我们只会花更多时间思考，而不是做可以自动化的操作。”无论如何：“这是为了提高标准。而不是关于丢掉工作。”

研究人员在论文中写道：

“我们开发了一种神经网络模型，该模型能够从具有不同形态和润湿性（或吸湿性）的表面上的气泡动力学的高分辨率红外测量中，预测沸腾危机的余量，即偏离核沸腾比。

我们使用特征排序算法，即最小冗余最大相关性，阐明基本沸腾参数，即成核位点密度、气泡离开频率、生长时间和足迹半径在预测沸腾危机中的重要性。我们得出结论，这些参数都是必要的并且同样重要。

这一结果具有深远的意义，因为它与许多观察和机械模型的普遍有效性不符合，这些模型试图通过描述单个沸腾参数如何随热通量或从一个表面到另一个表面的变化来预测临界热通量。值得注意的是，神经网络模型可以在不使用任何与表面特性相关的输入信息的情况下预测不同芯吸性的临界热通量增强表面上的偏离核沸腾比。

该结果表明，至少在所考虑的表面上，表面芯吸性通过修改上述沸腾参数的气泡动力学，而不是作为额外的散热机制来增强临界热通量。神经网络模型可以在不使用任何与表面特性相关的输入信息的情况下，预测不同芯吸性的临界热通量增强表面上的偏离核沸腾比。”

参考：

转载请注明:http://www.aideyishus.com/lkcf/2766.html