A Agência Internacional de Energia Atômica (IAEA - "International Atomic Energy Agency") vem incentivando o desenvolvimento de sistemas passivos de refrigeração em plantas nucleares visando a simplificação e o incremento da confiabilidade em funções essenciais de segurança nos projetos de uma próxima geração de reatores nucleares refrigerados a água. O principal fundamento desses sistemas é o emprego da circulação natural como sistema de segurança aplicável em operações de desligamento do reator para manutenção ou na ocorrência de acidentes. A circulação natural é um fenômeno que surge em virtude do gradiente de temperatura em pontos diferentes do circuito de refrigeração. Em condições extremas de estabilidade têm-se o estabelecimento do escoamento bifásico gás/líquido podendo configurar-se segundo diferentes regimes. A fração de vazio é reconhecida como um dos parâmetros chave na predição da ocorrência de instabilidades do escoamento bifásico. Apresenta-se neste trabalho uma inovadora metodologia para estimativa da fração de vazio a partir de imagens digitais capturadas diretamente de circuitos experimentais que geram o escoamento bifásico. O método é baseado na aquisição de imagens, com controle da profundidade de campo, de uma seção do Circuito de Circulação Natural (CCN) presente no IPEN/CNEN-SP. A imagem é segmentada com base na inferência fuzzy de diferentes parâmetros de segmentação e ajustada ao foco utilizado na sua aquisição. Ela é varrida de um modo inédito e iterativo, utilizando máscaras de diferentes tamanhos integrando um conjunto de redes neurais com a Transformada Randomizada de Hough. Cada diferente tamanho de máscara é escolhido de acordo com os tamanhos das bolhas que são os objetos de interesse. O volume da bolha é estimado baseado em sua projeção plana capturada nas imagens digitais. O cálculo da fração de vazio considera o volume da seção geométrica do escoamento no tubo de vidro cilíndrico e a profundidade de campo utilizada e nos parâmetros geométricos inferidos para cada bolha detectada. Os resultados mostraram que a integração entre o conjunto de redes neurais e a Transformada Randomizada de Hough aumentaram a robustez das estimativas do sistema.

The International Atomic Energy Agency (IAEA) has been encouraging the use of passive cooling systems in new designs of nuclear power plants. Next nuclear reactor generations are intended to possess simpler and robust safety functions. Natural circulation based systems hold an undoubtedly prominent position among these. Natural circulation phenomenon occurrence depends only on the existence of refrigerant liquid temperature gradient in different sections of the plant refrigerator circuit. The study of limit conditions for these systems has led to instability behavior analysis where many different two-phase flow patterns are present. Void fraction is a key parameter in thermal transfer analysis of theses flow instability conditions. This works presents a new method to estimate void fraction from digital images captured at an experimental two-phase flow circuit. The method is primarily based on depth-of-field controlled image acquisition of a section of a closed loop of natural circulating water through cylindrical glass tubes. This loop is called Natural Circulation Facility (NCF) and is located at Nuclear and Engineering Research Institute in Brazil (IPEN/CNEN-SP). Image is segmented based on fuzzy inference of different segmentation parameters and adjusted to image acquisition focus. The image is then scanned in an inedited way using different-sized masks integrating a set of different artificial neural networks with a modified Randomized Hough Transform. Each different mask size is chosen in accordance to bubble sizes which are objects of interest. The bubble volume is estimated based on two-dimensional projection sizing based on digitally acquired images. Void fraction calculation takes into account the volume of the geometrical section of flow inside cylindrical glass tube considering used depth-of-field. It is also based on the summed bubble geometrical parameters inferred for each detected bubble. The results have shown that integration between artificial-neural-net sets and Randomized Hough Transforms increase system estimations robustness.