气泡、干燥区域以及接触线动力学：这些因素共同导致了液滴撞击热表面时薄液膜中的沸腾危机

《International Journal of Multiphase Flow》：Bubbles, dry patches, and contact line dynamics leading to the boiling crisis in thin liquid film at droplet impact onto hot surfaces

　　•分析了液滴撞击时沸腾薄液膜中气泡、干斑和接触线长度的动态特性。
•开发了一种基于机器学习的卷积神经网络（CNN）算法，显著提高了分割性能。
•提出了薄液膜沸腾危机的新判据。
•干斑显著增加了总接触线长度，决定了热通量和沸腾危机。
•最大接触线长度决定了从核化沸腾到过渡沸腾的转变，并是临界热流密度（CHF）的指标。

引言
沸腾是最有效的热移除过程之一，对于许多系统至关重要，例如火箭发动机、电力电子设备、冰箱、空调、用于发电的反应堆以及灭菌。因为这一过程需要能量将液体转化为蒸汽并形成气泡，而这种能量大于将液体从环境温度加热到沸点所需的能量。尽管池沸腾过程已经得到了广泛研究（Kutateladze, 1948, Kim, 2009, Labuntsov and Yagov, 2007, Surtaev et al., 2017, Zhang et al., 2023），但薄液膜的沸腾（Tolubinskii et al., 1977, Gatapova and Gatapova, 2020, Shvetsov et al., 2025）仍然是一个相对未开发的领域。这一方面在密闭空间中的工业应用中具有巨大潜力。识别由沸腾危机引起的许多系统的关键操作限制至关重要。沸腾危机在液膜沸腾模式转变时突然发生，此时加热表面被稳定的蒸汽膜覆盖。在薄液膜沸腾的背景下，一系列过程（包括气泡聚合、膜破裂和不可逆的干斑形成）先于沸腾危机发生（Nukiyama, 1966）。这些现象应该通过高速观察和先进的数据处理工具进行严格分析。
液滴撞击固体表面的动态特性一直是广泛研究的焦点，特别是在撞击后阶段，包括液滴的扩散、飞溅和反弹现象。这些过程由惯性力、粘性力和毛细力的相互作用决定（Amani and Abdi-Sij, 2024, Asai et al., 2022, Dai et al., 2025, Song et al., 2025, Zhang et al., 2026）。相互作用的方式不仅取决于韦伯数和液体的性质，还取决于表面的几何形状、润湿性和结构（Asai et al., 2022, Hu et al., 2026, Dai et al., 2025）。对于疏水性和微结构表面，观察到了多种模式，包括喷射、指状扩散、部分反弹和飞溅（Amani and Abdi-Sij, 2024, Asai et al., 2022, Hu et al., 2026, Song et al., 2025, Dai et al., 2025, Zhang et al., 2026）。已经证明微结构对液滴的最大扩散范围、液膜破坏机制以及二次液滴的形成有影响（Asai et al., 2022, Dai et al., 2025）。多项研究表明，膜破裂是由于瑞利-泰勒不稳定性和瑞利-普拉托不稳定性引起的（Hu et al., 2026, Zhang et al., 2026）。另一项研究方向关注撞击后形成的二次液滴的分析。系统地描述了二次液滴的大小、速度和质量分数的统计分析，并研究了它们的分布和随时间的演变规律（Song et al., 2025, Song et al., 2026）。
在液滴撞击热表面领域取得了重大进展。这种发展归因于该领域在众多工业应用中的重要性，包括用于微电子和LED的喷雾冷却系统（Kim, 2007, Khandekar et al., 2021, Liang and Mudawar, 2017b, Liang and Mudawar, 2017c）。关于液滴与加热表面相互作用的文献综述（Breitenbach et al., 2018, Liang and Mudawar, 2017a, Roisman et al., 2018, Lee et al., 2020）表明，人们对接近莱顿弗罗斯特点的温度下发生的情况给予了大量关注，这发生在膜沸腾模式下（van Limbeek et al., 2016, van Limbeek et al., 2017）。特别感兴趣的是研究在低于莱顿弗罗斯特温度的基底温度下运行的薄蒸汽层的动态特性。Yamamoto等人（2025）的工作表明，蒸汽层内部会出现微扰，导致液体与表面之间形成局部接触。进行了大量研究来探讨液滴撞击加热表面的特性并开发了状态图（Breitenbach et al., 2018, Tran et al., 2012, Staat et al., 2015, Gatapova and Sitnikov, 2024）。液滴与过热表面相互作用中的一个关键过程是气泡的形成和发展。这些气泡的核化、生长和相互作用决定了传热特性以及沸腾模式之间的转变。最新研究结果表明，当单个液滴扩散到高于其沸点的表面时，液膜的破裂（由于气泡的塌陷）与两个物理过程有关：相邻气泡的聚合和气泡与波的相互作用（Gatapova and Gatapova, 2020）。这些过程发生的时间尺度为1-5毫秒或更短，至今尚未得到充分研究。已经确定这些过程是高热负荷下薄层热传递危机的前兆。高速可视化和图像处理方法的出现使得机器学习方法成为研究这些过程的有效工具（Suh et al., 2024a）。
近年来，深度学习作为人工智能（AI）领域的革命性范式出现，从根本上改变了机器处理和解释复杂数据的方式。通过模仿人脑的复杂结构和功能，深度学习算法在图像识别、自然语言处理和预测分析等任务中展示了前所未有的能力。卷积神经网络（CNN）是深度学习架构的一个关键子集，在处理包含空间信息的多维数据集方面表现出显著的优势。这种处理空间信息的能力在参数优化方面比传统的前馈神经网络具有明显优势。在目标检测领域，研究人员主要使用两种不同的方法：单阶段方法和双阶段方法。这两种方法的基本区别在于它们的操作顺序。单阶段方法，以YOLO为例，同时确定物体的位置和类别。相比之下，双阶段方法，如He等人（2017）所阐述的，首先定位物体，然后对其进行分类。近年来，提出了多种利用卷积神经网络（CNN）进行不同两相流的分割和分析的方法。这些方法包括评估两相流的特性（Poletaev et al., 2020, Passoni et al., 2024）、池沸腾过程中气泡的分析（Soibam et al., 2023, Seong et al., 2023, Malakhov et al., 2023）以及液滴和气泡的识别（Zhao et al., 2024, Vulf et al., 2025, Shahdhaar et al., 2024, Suh et al., 2024b）。这些研究表明了自动分类的高精度以及大规模实验数据可扩展分析的可能性。
神经网络算法的实施有助于更深入地理解在强烈加热条件下液滴破裂、气泡动态和热传递过程的机制。我们提出了一种研究液滴撞击热表面复杂动态的方法论框架，包括核化沸腾阶段发生的过程，如气泡聚合和液膜破裂。机器学习基于大量关于水滴和HFE-7100液滴撞击过热表面的实验数据（Gatapova and Sitnikov, 2024）。研究工程流体HFE-7100的动机在于其较低的蒸发潜热（111.6 kJ/kg）和较低的沸点（61°C），因为在微电子冷却系统中，考虑到最大允许的结温为120°C，使用介电挥发性液体通过蒸发和沸腾实现高效冷却是必要的。本研究优先采用单阶段检测方法。这一战略选择有几个优点，最显著的是快速推断能力和系统在实时场景中保持高预测精度的能力。这种效率的实现得益于将不同的目标检测组件无缝集成到统一的网络架构中。在这项研究中，我们提出了一种新的CNN算法应用，用于分析强烈加热条件下的撞击热表面液滴破裂、气泡动态和热传递过程。最后，通过分析干斑和接触线的动态来预测从接触沸腾到沸腾危机的转变。
本研究的目的是开发并应用CNN算法来处理热表面上薄液膜整体过程中的复杂大数据。特别关注气泡动态、膜破裂、干斑和接触线动态。因此，我们得到了薄液膜沸腾危机的判据。本文的结构如下：第2节概述了实验装置、数据处理方法和卷积神经网络算法的描述。第3节介绍了通过CNN算法进行的液滴扩散检测及其动态分析。第4节报告了不同韦伯数和基底温度下气泡的动态、聚合过程和统计分析。根据韦伯数和基底温度的不同，气泡会发生破裂，这可能导致不可逆的干斑形成（Gatapova and Gatapova, 2020）。第5节研究了薄液膜中的干斑形成及其演变统计分析。接下来的第6节和第7节讨论了接触线长度和密度的数据及其分析，以及这些数据与沸腾曲线和沸腾危机确定的联系。最后，在最后一节总结了主要研究成果。
本研究的主要创新之处在于实施了CNN算法YOLOv8n和UNet以及软件流程，以便对整个沸腾过程进行端到端的分析，包括液滴在加热表面的扩散动态，如气泡动态、聚合、破裂、液膜破坏、干斑形成以及接触线的演变。这种分析基于接触线长度分析来预测沸腾模式和危机，这是一种以前未采用的方法。

实验装置和数据
我们使用了高速记录数据，记录了HFE-7100和水滴与热蓝宝石板之间的相互作用。蓝宝石表面的温度范围为50至160°C，HFE-7100的韦伯数变化范围为24至345。对于水滴，基底温度范围为120至240°C，韦伯数变化范围为20至83。实验装置的示意图如图1所示。液滴从内径为0.35毫米的吸管尖端释放。

液滴扩散直径检测及其动态分析
在图像中检测到液滴后，可以确定液滴的平均扩散直径。提出了两种计算直径的方法。最初的直径计算方法包括计算检测区域的面积，如图6a（左图）所示。所得的红色区域被视为一个圆形。图像的面积由红色像素的数量和分辨率决定。气泡检测及其动态分析的标准公式
通过创建算法并随后训练卷积神经网络（CNN），已经实现了有效检测和分析加热表面上薄液膜中气泡动态的能力（见图8、图9）。气泡检测是在靠近液滴中心的位置进行的（见图8），从而避免了追踪边缘和毛细边缘（图8中的粉红色区域）的气泡。这种方法确保了液滴表面的最佳均匀性和平整性。

干斑的形成与动态分析
液滴撞击加热表面后，液膜中干斑（即破裂、干燥点或断裂）的形成和演变不仅取决于动态参数（如韦伯数和撞击速度），还取决于热状态和液体的物理性质（如表面张力和粘度）（Gatapova和Sitnikov，2024年）。使用训练有素的神经网络可以显著简化薄膜的分析。

接触线动态
在传热增强领域，最重要的挑战之一是接触线长度的分析，其长度与热流直接成正比（Jung等人，2014年；Gatapova等人，2014年；Gibbons等人，2018年）。接触线是一个高热流的关键区域，因为液-气-固界面处有强烈的蒸发现象。延长接触线长度（通常称为接触线增强）是一种提高传热效率的策略。

沸腾状态、危机与接触线长度之间的关系
接触线动态的观察行为是由两种主要机制共同影响的：液滴的惯性扩散及其沸腾过程。在单相冷却状态下（参见图25a），接触线的动态主要由流体动力学过程控制。在初始扩散阶段之后，会形成相对稳定的液膜，从而导致Ltotal和CLD的暂时稳定。

结论
开发了一种基于卷积神经网络（CNN）的算法，该算法应用了YOLOv8n和UNet模型，并通过实验数据进行了训练，用于分析三种过程：液滴在热表面上的扩散动态、沸腾过程中薄液膜中的气泡动态以及干斑的形成和扩展。干斑边缘形成的接触线密度和长度也得到了自动分析。所提出的训练有素的CNN算法在分割性能上比之前使用的CRediT算法有了显著提升。

作者贡献声明
Vadim O. Sitnikov：可视化、验证、数据整理。
Egor O. Nekrut：软件开发、数据整理。
Elizaveta Ya. Gatapova：撰写——审稿与编辑、初稿撰写、可视化、验证、方法论指导、调查、形式分析、概念化。

利益冲突声明
作者声明他们没有已知的可能影响本文工作的财务利益或个人关系。

致谢
本研究得到了俄罗斯科学基金会的支持（项目编号22-19-00581），网址：https://rscf.ru/en/project/22-19-00581/。

作者列表：
Vadim O. Sitnikov
Egor O. Nekrut
Elizaveta Ya. Gatapova