Automated model selection for pool boiling heat transfer estimation on multiple surfaces

Abstract

A ebulição em piscina nucleada é um dos processos de transferência de energia mais eficientes encontrados na indústria. Entretanto, a ebulição requer monitoramento e controle rigorosos para evitar a crise de ebulição. Técnicas de medição comumente empregadas são caras e requerem manutenção frequente, enquanto modelos numéricos têm incertezas elevadas associadas. Recentemente, algoritmos de aprendizado de máquina foram aplicados para estimar o fluxo de calor na ebulição em piscina a partir de imagens de baixa resolução. No entanto, a generalização desses modelos para diferentes superfícies de ebulição e a otimização de sua arquitetura ainda são questões em aberto. Este estudo explora esses aspectos, investigando o desempenho de modelos treinados e avaliados com diferentes superfícies aquecedoras. Uma nova metodologia baseada em aprendizado de máquina automatizado foi proposta para encontrar arquiteturas performáticas de forma eficiente. Uma bancada de ebulição em piscina foi adaptada para gerar dados de treinamento utilizando fios e fitas como superfícies aquecedoras. Medidas do fluxo de calor e imagens do processo de ebulição foram coletadas durante cada experimento. Quatro conjuntos de dados foram gerados empregando dois fios de diâmetros distintos e duas fitas em posições diferentes. As fases de pré-processamento de dados e de treinamento foram implementadas em Python com a biblioteca TensorFlow, e foram validadas treinando-se modelos com uma arquitetura de base e comparando-se o seu desempenho com estudos de referência. O aprendizado de máquina automatizado utilizou o algoritmo guloso disponível na biblioteca AutoKeras para buscar arquiteturas de redes neurais convolucionais e hiperparâmetros de treinamento que minimizassem o erro de predição sem aumentar o tamanho do modelo. O primeiro grupo de resultados consistiu na validação e na otimização da sequência de pré-processamento. Observou-se que a padronização das imagens melhora o desempenho dos modelos em até 47%. Posteriormente, o desempenho de modelos treinados e avaliados com diferentes superfícies foi investigado. Os resultados mostraram que os modelos foram incapazes de generalizar corretamente para superfícies não vistas no seu conjunto de treinamento. Por isso, o conjunto de treinamento deve conter exemplos de todas as superfícies de interesse para alcançar um desempenho aceitável. Modelos treinados e avaliados nas quatro superfícies de ebulição obtiveram resultado superior à maioria das correlações numéricas da literatura. Por fim, um último grupo de resultados empregou o aprendizado de máquina automatizado para encontrar arquiteturas mais performáticas e minimizar o erro de predição. Os modelos encontrados tiveram desempenho significativamente superior aos modelos de base, reduzindo o erro de validação em até 80%. Além disso, os modelos encontrados são até 30 vezes menores que os modelos de base, uma característica essencial para aplicações em tempo real. Quando treinados e avaliados sobre uma mesma superfície, os modelos tiveram performance superior à melhor correlação numérica encontrada na literatura.

Abstract: Nucleate pool boiling is one of the most efficient energy transfer processes found in the industry. However, it requires close monitoring and control to avoid a boiling crisis. Commonly employed measurement techniques are expensive and require frequent maintenance, whereas numerical models have high associated uncertainties. Machine learning algorithms have recently been applied to estimate the heat flux in boiling pools from low-resolution images. However, the generalization of these models for different boiling surfaces and the optimization of their architecture are still open questions. This study explores these aspects, investigating the performance of models trained and evaluated with different heating surfaces. A new methodology based on automated machine learning was proposed to find performing architectures efficiently. A pool boiling bench was adapted to generate training data using wires and ribbons as heating surfaces. Heat flow measurements and images of the boiling process were collected during each experiment. Four datasets were generated using two wires of different diameters and two ribbons in different positions. The data preprocessing and training pipelines were implemented in Python with the TensorFlow library. They were validated by training models with a baseline architecture and comparing their performance with reference studies. The automated machine learning pipeline used the greedy algorithm from the AutoKeras library to search for convolutional neural network architectures and training hyperparameters that minimized the prediction error without increasing the model size. The first group of results consisted of validating and optimizing the preprocessing pipeline. It was observed that image standardization improves the models? performance by up to 47%. Subsequently, the performance of models trained and evaluated with different heater surfaces was investigated. The results showed that the models could not generalize correctly to surfaces not seen in their training set. Therefore, the training set must contain examples of all surfaces of interest to achieve acceptable performance. Models trained and evaluated on all four boiling surfaces obtained better results than most numerical correlations in the literature. Finally, a last group of results employed automated machine learning to find more performant architectures and minimize prediction error. The models performed significantly better than the baseline models, reducing the validation error by up to 80%. Furthermore, the models found by automated machine learning are up to 30 times smaller than the baseline models, an essential characteristic for real-time applications. When trained and evaluated on the same surface, the models performed better than the best numerical correlation found in the literature.