食物-水-能源的关系表明这三种必需品之间存在直接联系，强调其中一种会直接影响其他两种必需品的供应。随着人口的增长，人类对能源和食物的需求导致我们的淡水储备慢慢枯竭。发电厂是导致这一问题的罪魁祸首之一，因为它们每年使用数万亿加仑的淡水来防止过热。
由德州农工大学 J. Mike Walker '66 机械工程系教授 Debjyoti Banerjee 博士领导的一个研究小组表明，特定的相变材料 (PCM) 可以冷却发电厂中使用的蒸汽涡轮机，从而避免淡水用法。同时，他们使用机器学习技术来提高各种基于 PCM 的冷却平台的可靠性和储能能力，以开发可按需调度的强大“冷电池”。
他们的出版物“利用机器学习(人工神经网络)提高利用相变材料的热能储存平台的性能和可靠性”发表在美国机械工程师学会能源技术杂志上。
发电厂和加工业在冷却塔中使用淡水来降低成本并提高可靠性。水流过冷却塔，吸收热量并变成蒸汽，然后用于冷凝涡轮机排气中的蒸汽。
由于对淡水的需求很高，使用可通过吸收热能从固态转变为液态的 PCM 等替代方法在冷却发电厂和加工工业方面受到越来越多的关注。
该团队检查的第一种材料是生物衍生的蜡质材料(类似于猪油)：具有低碳足迹且相对便宜的天然产品。尽管有效，但研究人员表明，蜡(石蜡)无法储存尽可能多的能量，也无法提供他们最初假设的冷却能力，因此无法为极端气候提供足够的冷却或在极端天气事件中提供安全。
这导致测试另一种称为盐水合物的 PCM，它对环境也便宜且安全。盐水合物比蜡和猪油具有更多的冲击力，大约含有两到三倍的能量，同时熔化速度更快。然而，这些材料有一个已知的缺陷——它们固化时间太长(因为它们需要“过冷”)。如果没有可靠的熔化和冷冻方法，盐水合物是无效的。
“把这个过程想象成一个电动汽车电池——你希望它只需很少的时间来充电，但它需要运行很长时间，”班纳吉说。“同样的概念可以应用于 PCM。我们需要 PCM 来快速充电(冻结)，但要长时间融化。”
为了提高这些 PCM 的可靠性并加快冻结速度，研究人员转向了机器学习。他们仅使用三个像温度计一样的微型温度传感器的读数，就记录了熔化时间的历史。然后，他们实施机器学习来预测 PCM 何时融化、融化多少以及何时开始冻结，从而最大限度地提高冷却功率和容量。
“使用这种方法，我们发现如果你只融化了 90% 的盐水合物并留下 10% 固化，那么一旦你开始冷却循环，它就会立即开始冻结，”班纳吉说。“这种方法的美妙之处在于，通过三个传感器的基本设备和一个简单的计算机程序，我们创建了一个具有成本效益、可靠和可持续的系统。”
目前，其他机器学习算法需要多年的数据才能实现发电厂的这种精度，而 Banerjee 的新方法只需要几天时间。该算法可以在一小时内(最多三小时)告诉操作员，系统会以 5 到 10 分钟的预测精度达到熔化的峰值百分比。该技术可以在任何过程工业或发电厂的任何现有冷却装置上进行改造。
本出版物的合著者是机械工程系的学生 Aditya Chuttar 和 Ashok Thyagarajan。
