ALTIN 499,21
DOLAR 8,8689
EURO 10,4740
BIST 1.385
Adana Adıyaman Afyon Ağrı Aksaray Amasya Ankara Antalya Ardahan Artvin Aydın Balıkesir Bartın Batman Bayburt Bilecik Bingöl Bitlis Bolu Burdur Bursa Çanakkale Çankırı Çorum Denizli Diyarbakır Düzce Edirne Elazığ Erzincan Erzurum Eskişehir Gaziantep Giresun Gümüşhane Hakkari Hatay Iğdır Isparta İstanbul İzmir K.Maraş Karabük Karaman Kars Kastamonu Kayseri Kırıkkale Kırklareli Kırşehir Kilis Kocaeli Konya Kütahya Malatya Manisa Mardin Mersin Muğla Muş Nevşehir Niğde Ordu Osmaniye Rize Sakarya Samsun Siirt Sinop Sivas Şanlıurfa Şırnak Tekirdağ Tokat Trabzon Tunceli Uşak Van Yalova Yozgat Zonguldak
İstanbul 26 °C
Az Bulutlu

Bir “Kaynama Krizini” Tahmin Etme – Kızılötesi Kameralar ve Yapay Zeka Kaynama Fiziğine İlişkin İçgörü Sağlar

23.07.2021
48
Bir “Kaynama Krizini” Tahmin Etme – Kızılötesi Kameralar ve Yapay Zeka Kaynama Fiziğine İlişkin İçgörü Sağlar

Tarafından

Kaynayan yüzeylerin taramalı elektron mikroskobu kullanılarak çekilmiş resimleri: İndiyum kalay oksit (sol üst), bakır oksit nanoyapraklar (sağ üst), çinko oksit nanoteller (sol alt) ve katman katman elde edilen silikon dioksit nanoparçacıklarının gözenekli kaplaması biriktirme (sağ alt). Kredi: SEM fotoğrafları araştırmacıların izniyle.

MIT araştırmacıları, bilgisayar çiplerini ve nükleer reaktörleri soğutmak için potansiyel uygulamalarla bir “kaynama krizini” tahmin etmek için bir sinir ağı eğitiyor.

Kaynatma sadece akşam yemeğini ısıtmak için değildir. Aynı zamanda bir şeyleri soğutmak içindir. Sıvıyı gaza dönüştürmek, sıcak yüzeylerden enerjiyi uzaklaştırır ve nükleer santrallerden güçlü bilgisayar çiplerine kadar her şeyi aşırı ısınmadan korur. Ancak yüzeyler çok ısındığında, kaynama krizi denen şeyi yaşayabilirler.

Kaynama krizinde kabarcıklar hızla oluşur ve ısıtılan yüzeyden ayrılmadan önce, yüzeyi yukarıdaki soğutma sıvısından izole eden bir buhar tabakası oluşturarak birbirine yapışırlar. Sıcaklıklar daha da hızlı yükselir ve felakete neden olabilir. Operatörler bu tür arızaları tahmin etmek istiyor ve yeni araştırmalar, yüksek hızlı kızılötesi kameralar ve makine öğrenimi kullanarak bu fenomene dair fikir veriyor.

MIT’de Nükleer Bilim ve Mühendislik Yardımcı Doçenti Norman C. Rasmussen Matteo Bucci, 23 Haziran 2021’de yayınlanan yeni çalışmayı yönetti. Uygulamalı Fizik Harfleri. Önceki araştırmada ekibi, makine öğreniminin ilgili görüntü işlemeyi kolaylaştırabileceği bir teknik geliştirmek için neredeyse beş yıl harcadı. Her iki proje için de deney düzeneğinde, bir su banyosunun altına 2 santimetre çapında şeffaf bir ısıtıcı oturmaktadır. Isıtıcının altına bir kızılötesi kamera oturur, yukarıyı gösterir ve yaklaşık 0.1 milimetre çözünürlükte saniyede 2.500 kare hızında kayıt yapar. Önceden, videoları inceleyen kişilerin baloncukları manuel olarak saymaları ve özelliklerini ölçmeleri gerekiyordu, ancak Bucci bu işi yapmak için bir sinir ağını eğiterek üç haftalık bir süreci yaklaşık beş saniyeye indirdi. Bucci, “Sonra ‘Verileri işlemekten başka bir yapay zekadan gerçekten bir şeyler öğrenebilecek miyiz bakalım’ dedik” dedi.

Amaç, suyun kaynama krizine ne kadar yakın olduğunu tahmin etmekti. Sistem, görüntü işleme AI tarafından sağlanan 17 faktöre baktı: “çekirdeklenme alanı yoğunluğu” (birim alan başına ısıtılan yüzeyde kabarcıkların düzenli olarak büyüdüğü yer sayısı) ve ayrıca her video karesi için ortalama kızılötesi bu bölgelerdeki radyasyon ve zaman içinde nasıl değiştikleri de dahil olmak üzere bu bölgelerdeki radyasyon dağılımı hakkında 15 diğer istatistik. Tüm bu faktörleri doğru bir şekilde tartan bir formülü manuel olarak bulmak göz korkutucu bir zorluk teşkil edecektir. Ancak Bucci, “yapay zeka beynimizin hızı veya veri işleme kapasitesi ile sınırlı değildir” diyor. Ayrıca, kaynamayla ilgili önyargılı hipotezlerimiz tarafından “makine öğrenimi önyargılı değildir”.

Veri toplamak için, suyu indiyum kalay oksit yüzeyinde kendi başına veya üç kaplamadan biriyle kaynattılar: bakır oksit nanoyaprakları, çinko oksit nanotelleri veya silikon dioksit nanoparçacıkları katmanları. İlk üç yüzeyden elde edilen verilerin yüzde 85’i üzerinde bir sinir ağı eğittiler, ardından yeni koşullara ne kadar iyi genellenebileceğini görmek için bu koşulların verilerinin yüzde 15’i ve dördüncü yüzeyden gelen veriler üzerinde test ettiler. Bir ölçüme göre, tüm yüzeylerde eğitilmemiş olmasına rağmen yüzde 96 doğruydu. Bucci, “Modelimiz sadece özellikleri ezberlemek değildi” diyor. “Bu, makine öğreniminde tipik bir sorun. Tahminleri farklı bir yüzeye çıkarma yeteneğine sahibiz.”

Ekip ayrıca, 17 faktörün hepsinin tahmin doğruluğuna önemli ölçüde katkıda bulunduğunu buldu (bazıları diğerlerinden daha fazla olsa da). Ayrıca, modeli bilinmeyen şekillerde 17 faktörü kullanan bir kara kutu olarak ele almak yerine, fenomeni açıklayan üç ara faktör belirlediler: çekirdeklenme bölgesi yoğunluğu, kabarcık boyutu (17 faktörden sekizinden hesaplandı) ve ürün. büyüme süresi ve kabarcık ayrılma sıklığı (17 faktörün 12’sinden hesaplanmıştır). Bucci, literatürdeki modellerin genellikle yalnızca bir faktör kullandığını söylüyor, ancak bu çalışma, birçok faktörü ve bunların etkileşimlerini dikkate almamız gerektiğini gösteriyor. “Bu büyük bir mesele.”

Patna’daki Hindistan Teknoloji Enstitüsü’nde doçent olan ve çalışmaya dahil olmayan Rishi Raj, “Bu harika” diyor. “Kaynamanın çok karmaşık bir fiziği var.” Maddenin en az iki fazını ve kaotik bir sisteme katkıda bulunan birçok faktörü içerir. Raj, “Bu konuyla ilgili en az 50 yıllık kapsamlı araştırmaya rağmen, tahmine dayalı bir model geliştirmek neredeyse imkansızdı” diyor. “Makine öğreniminin yeni araçları bize çok mantıklı geliyor.”

Araştırmacılar kaynama krizinin arkasındaki mekanizmaları tartıştılar. Sadece ısıtma yüzeyindeki olaylardan mı yoksa uzaktaki akışkanlar dinamiğinden mi kaynaklanıyor? Bu çalışma, yüzey olaylarının olayı tahmin etmek için yeterli olduğunu öne sürüyor.

Kaynama krizine yakınlığı tahmin etmek yalnızca güvenliği artırmaz. Aynı zamanda verimliliği artırır. Bir sistem, koşulları gerçek zamanlı olarak izleyerek, çipleri veya reaktörleri, onları kısmadan veya gereksiz soğutma donanımı oluşturmadan sınırlarını zorlayabilir. Pistteki bir Ferrari gibi, diyor Bucci: “Motorun gücünü serbest bırakmak istiyorsunuz.”

Bu arada Bucci, teşhis sistemini ısı transferini kontrol edebilen bir geri besleme döngüsüne entegre etmeyi, böylece gelecekteki deneyleri otomatikleştirmeyi, sistemin hipotezleri test etmesine ve yeni veriler toplamasına izin vermeyi umuyor. “Fikir gerçekten düğmeye basmak ve deney bittiğinde laboratuvara geri dönmek.” İşini bir makineye kaptırmaktan mı korkuyor? “Otomatikleştirilebilecek işlemler yapmamak için düşünmeye daha fazla zaman ayıracağız” diyor. Her durumda: “Çıtayı yükseltmekle ilgili. Bu işi kaybetmekle ilgili değil.”

Referans: Madhumitha Ravichandran, Guanyu Su, Chi Wang, Jee Hyun Seong, Artyom Kossolapov, Bren Phillips, Md Mahamudur Rahman ve Matteo Bucci tarafından “Yüksek çözünürlüklü kızılötesi termometri ölçümlerinin veriye dayalı keşfi yoluyla kaynama krizinin şifresinin çözülmesi”, 23 Haziran 2021 , Uygulamalı Fizik Harfleri.
DOI: 10.1063/5.0048391

.

Gelişmelerden zamanında haberdar olmak için Google News’te Bilim Portal’a ABONE OLUN

ZİYARETÇİ YORUMLARI - 0 YORUM

Henüz yorum yapılmamış.