الذكاء الاصطناعي
الذكاء السائل: الذكاء الاصطناعي يعيد تعريف طريقة محاكاة البحر
أضف Securities.io إلى مصادرك المفضلة على Google
الذكاء الاصطناعي (AI) يغيّر عالمنا بسرعة. من خلال أتمتة المهام المتكررة، وتحسين سير العمل، وتحسين اتخاذ القرار، تعد هذه التقنية بتحقيق مكاسب كبيرة في الكفاءة والإنتاجية عبر الصناعات.
مع هذا الارتفاع في الإنتاجية والكفاءة، من المتوقع أن يساهم الذكاء الاصطناعي بمليارات الدولارات في النمو الاقتصادي والتنمية على مستوى العالم.
كما أن الذكاء الاصطناعي أظهر إمكانات هائلة في معالجة تحديات معقدة مثل الأمراض وتغير المناخ، ودفع الابتكار في مختلف القطاعات لتمكين إنشاء منتجات وخدمات ونماذج أعمال جديدة.
تطبيق مثير للاهتمام للذكاء الاصطناعي ظهر أيضاً في تحليل السوائل. في الآلات، يتم اختبار سوائل مثل الزيوت التشحيمية، وسائل التبريد، والوقود لتحديد المشكلات التي قد تشير إلى مشاكل أو فشل محتمل.
هذا يسمح بالصيانة والإصلاحات في الوقت المناسب، مما يساعد على منع الأعطال المكلفة وتوقف العمل. كما يقلل الحاجة إلى إصلاحات واستبدالات كبيرة ويضمن أن الآلات تعمل بأعلى أداء لها.
لعدة سنوات، كان تحليل السوائل عملية طويلة ومزعجة. لكن ظهور الذكاء الاصطناعي جعل العملية بأكملها أكثر تبسيطاً، وكفاءة، ودقة.
في النهاية، تستخدم تقنيات الذكاء الاصطناعي وتعلم الآلة مجموعات بيانات ضخمة، تتعلم منها، ثم تُجري توقعات. يمكن للتقنية أن تأخذ مجموعة البيانات الكاملة للأصل طوال عمره في الاعتبار، وتستخدم إشارات متعددة في آن واحد، وتتعلم التكيف من خلال التغذية الراجعة.
مع ذلك، يتجاوز تحليل السوائل مجرد الزيت في الآلات. في الهندسة الساحلية والبحرية، يلعب سلوك السوائل دوراً حاسماً في تصميم الهياكل البحرية، ونمذجة تغيرات الشواطئ، وحتى استغلال طاقة الأمواج والمد والجزر.
تقدم الذكاء الساحلي والبحري باستخدام الذكاء الاصطناعي
في الهندسة الساحلية، أحرز الذكاء الاصطناعي تحسينات عديدة من خلال معالجة مشكلات مثل نقل الرواسب، ديناميكيات الشاطئ، تحسين التصميم، المراقبة الساحلية، والمرونة المناخية.
ظهر مثال على ذلك في أواخر العام الماضي، عندما استخدم باحثون من جامعة مدينة هونغ كونغ تعلم الآلة لتعزيز دقة نمذجة حقل الرياح الطبقي للدوامات الاستوائية.
“نحن البشر نعيش في هذا الطبقة الحدودية، لذا فإن فهمها ونمذجتها بدقة أمر أساسي لتوقع العواصف والاستعداد للمخاطر.”
– المؤلف تشيوشينغ لي
نظرًا لتفاعل الهواء في هذه الطبقة مع الأرض، والمحيط، وكل شيء على مستوى السطح، كان نمذجتها تحديًا كبيرًا. رغم أن الأساليب التقليدية تستخدم كميات هائلة من البيانات وتشغل محاكيات عددية ضخمة على الحواسيب الفائقة، إلا أنها لا تزال غالبًا ما تُنتج توقعات غير دقيقة أو غير مكتملة.
استخدمت الدراسة الأخيرة إطار عمل متقدم قائم على التعلم الآلي الموجه بالفيزياء يتطلب كمية قليلة من البيانات الحقيقية لالتقاط السلوك المعقد لحقول رياح الدوامات الاستوائية، والتي تحتوي على معلومات حول بنية العاصفة، شدتها، وتأثيرها المحتمل. قال المؤلف فنغ هو:
“مع تزايد تواتر وشدة الأعاصير بسبب تغير المناخ، يمكن لنموذجنا تحسين دقة توقعات حقول الرياح بشكل كبير. هذا التقدم يمكن أن يساعد في تحسين توقعات الطقس وتقييم المخاطر، وتوفير إنذارات في الوقت المناسب وتعزيز صمود المجتمعات والبنية التحتية الساحلية.”
في الوقت نفسه، قدم بحث منفصل نموذجًا بديلًا قائمًا على الذكاء الاصطناعي1 لمحاكاة انتشار الأمواج المدية الساحلية في مصب نهري لأغراض التنبؤ والاسترجاع. يسرّع هذا النهج المحاكاة ويضم قيدًا قائمًا على الفيزياء لاكتشاف وتصحيح النتائج غير الدقيقة.
من خلال تقليل تكلفة الوقت لتنبؤ 12 يومًا في محاكيات ROMS التقليدية إلى 22 ثانية فقط، يساهم البحث في نمذجة المحيطات من خلال تقديم بديل سريع، دقيق، ومتسق فيزيائيًا للنماذج التقليدية، خاصةً للتنبؤ في الوقت الفعلي أثناء الاستجابة السريعة للكوارث.
في أوائل العام الماضي، عمل فريق من الباحثين أيضًا على تحسين النمذجة العصبية2 لديناميكيات السوائل اللاغرانجية.
استنادًا إلى ذلك، عزز الباحثون كلًا من التدريب والاستدلال أثناء التنفيذ لمحاكيات تعتمد على GNN مع مكونات متغيرة من حلول SPH القياسية، بما في ذلك مكونات اللزوجة، الضغط، والقوى الخارجية. حققت المحاكيات المعززة بـ SPH العصبي أداءً أفضل من شبكات GNN الأساسية، مما يسمح بتمديدات زمنية أطول بكثير ونمذجة فيزيائية محسنة.
تطور نماذج البدائل القائمة على التعلم الآلي في محاكاة السوائل
عند الحديث عن محاكاة السوائل، يُتّبع نهج شائع وهو تقنية الجسيمات، حيث تحاكي الجسيمات سلوك تدفق السوائل. تشمل الأمثلة الشائعة السائلية الهيدروديناميكية الملساء (SPH)، الجسيم المتحرك شبه الضمني (MPS)، أو SPH غير القابل للضغط.
مع ذلك، تتطلب هذه التقنيات موارد حسابية هائلة، بما في ذلك القدرة المعالجة، الوقت، والتكلفة. في السنوات الأخيرة، زاد الطلب على محاكاة السوائل الواقعية في جميع مراحل الهندسة، من التصميم، التصنيع، والتطوير إلى التحقق، التشغيل، والتصوير، لذا يجب تقليل وقت الحوسبة.
خلال السنوات القليلة الماضية، تم تقديم عدة نماذج بديلة قائمة على التعلم الآلي لتقدير ديناميكيات السوائل بتكلفة حسابية أقل.
يشمل ذلك استخدام التعلم الآلي لاستبدال طرق الجسيمات والحساب السريع لمحاكاة السوائل اللاغرانجية، التي تتضمن تتبع جسيمات السوائل الفردية والتركيز على مساراتها وخصائصها.
في حين يمكن للتعلم الآلي تسريع محاكاة السوائل اللاغرانجية، لم تتمكن الدراسات السابقة من التحقق من أداء التعميم لهذه النماذج البديلة عبر سلوكيات سوائل متنوعة.
ثم هناك حقيقة أن معظم هذه النماذج تم التحقق منها تحت شرط CFL، كما هو الحال في طرق الديناميكا الحرارية العددية التقليدية (CFD)، مما يحد من قدرتها على تقليل وقت الحوسبة بشكل كبير.
علاوة على ذلك، لم يركز معظم هذه الدراسات الأولية على الدقة بل على تكرار سلوك السوائل في بيئات المحاكاة.
لذلك، أحرزت الدراسات اللاحقة تقدمًا في نماذج البدائل لـ SPH، التي شهدت تحسنًا تدريجيًا في الدقة. استخدم الباحثون طرقًا مختلفة لذلك، مثل استخدام نتائج SPH كبيانات تدريب لإجراء تحليل سوائل لاغرانجي باستخدام الشبكات العصبية العميقة (DNN) وتقديم شبكات عصبية بيانية (GNN) لتعلم حركة جسيمات السوائل من بيانات SPH، وغيرها.
ومع ذلك، لم تهدف هذه إلى تقدير الضغط، وهو أحد العوامل الأساسية لفهم ميكانيكا السوائل وتفاعلها مع الهياكل.
لذا، أدى التطور من هناك إلى الاتجاه الحديث للتركيز على ضغط السوائل غير القابلة للضغط. لهذا، سرّع العلماء حل معادلة الضغط (PPE) في MPS باستخدام DNN. قدموا شبكات رسومية للسوائل (FGN) (التي تستفيد من GNN لمحاكاة ديناميكيات السوائل) باستخدام MPS كبيانات تدريب. ومع ذلك، لم يؤكدوا ما إذا كان الضغط المقدر يعيد الظواهر الفعلية.
لم توضح معظم هذه الدراسات تأثير إعدادات المميزات المختلفة على النتائج أيضًا. ولكن نظرًا لأن النتائج ربما تعتمد على إعدادات المميزات، فمن المهم كشف أي ميزة أساسية لنماذج البدائل لإعادة تمثيل السوائل.
لذلك، قدمت دراسة جديدة، نشرت في مجلة Applied Ocean Research3، نموذجًا بديلًا قائمًا على الجسيمات يمكن تطبيقه على أحجام خطوة زمنية أكبر وظواهر سوائل مختلفة.
قدمت الدراسة ثلاثة إصدارات محسّنة من المحاكي القائم على الشبكة الرسومية (GNS)، حيث تعلمت GNN حركة جسيمات السوائل من بيانات SPH. تشمل هذه: GNS مع تقدير الضغط (GNS-P)، GNS مع عقد حدود جدار (GNS-W)، وGNS مع مزيج من الاثنين (GNS-WP).
في دراستهم، أظهر الباحثون أن تقدير الضغط مهم لتوقع السوائل بدقة، وأكدوا أن عقد حدود الجدار ضرورية لإدارة ظروف حدود الجدار المتحركة. كما أظهروا أن GNS-WP كان قادرًا على تكرار ظاهرة الانزلاق بدقة حتى عندما كان حجم خطوة الزمن في المحاكاة أكبر بـ 10 أضعاف من بيانات التدريب.
يمكن تطبيق الطريقة المقترحة (GNS-WP) التي تم تدريبها في سيناريو الانزلاق، وفقًا للدراسة، على ثلاث مشاكل مختلفة — اختبارات هيدروستاتيكية، كسر السد، واختبارات التذبذب الحر.
انقر هنا لتتعرف على كيفية إعادة تصور سلة زهرة فينوس للهواء وديناميكيات السوائل.
نموذج بديل أسرع، أذكى، وقابل للتوسع يعتمد على GNN
أنشأ باحثون من جامعة أوساكا المتروبوليتان نموذج محاكاة سوائل قائم على التعلم الآلي يقلل وقت الحوسبة بشكل كبير دون التأثير على الدقة. هذه الطريقة السريعة وعالية الدقة لديها إمكانات للاستخدام في مراقبة المحيطات في الوقت الفعلي، وتصميم السفن، وتوليد الطاقة البحرية.
تحظى النماذج المدعومة بالذكاء الاصطناعي باهتمام كبير في مجال ديناميكيات السوائل بفضل تبسيطها وتسريعها للمحاكاة. ومع ذلك، تواجه هذه التقنية بعض المشكلات.
كما أشار المؤلف الرئيسي، تاكفومي هيغاكي، أستاذ مساعد في كلية الهندسة بجامعة أوساكا المتروبوليتان:
“يمكن للذكاء الاصطناعي تقديم نتائج استثنائية لمشكلات محددة لكنه غالبًا ما يواجه صعوبات عند تطبيقه على ظروف مختلفة.”
لذلك، بنى الفريق النموذج الجديد باستخدام شبكات عصبية بيانية (GNNs)، وهي تقنية تعلم عميق، لتوفير أداة سريعة ودقيقة باستمرار.
تُعد شبكات GNN نوعًا من بنية الشبكات العصبية التي تعالج وتتعلم من البيانات المهيكلة على شكل رسم بياني. الرسوم البيانية هي هياكل بيانات تتكون من عقد، وهي كيانات مثل المنتجات والأشخاص، وحواف تمثل العلاقات بينها. تحلل شبكات GNN العلاقات الكبيرة والمعقدة داخل الرسم البياني.
تُستخدم هذه الشبكات العصبية في تحليل الشبكات الاجتماعية لفهم الأنماط، توقع تفضيلات المستخدمين بناءً على التفاعلات، نمذجة وتوقع خصائص المواد، وتحديد المرشحين المحتملين للأدوية وتوقع فعاليتها.
في الدراسة الأخيرة، تُعد العقدة جسيم سائل، بينما تمثل الحافة التفاعل بين تلك الجسيمات.
حدد فريق البحث أولاً العوامل المهمة لحسابات السوائل عالية الدقة. قارنوا بين ظروف تدريب مختلفة ثم قيموا مدى قدرة نموذجهم على التكيف مع سرعات محاكاة مختلفة وحركات سوائل متباينة.
وجد الفريق أن النتائج تُظهر قدرات تعميم قوية عبر سلوكيات سوائل مختلفة، مما يزيد السرعة بشكل كبير ويقلل الوقت المطلوب للمعالجة.
أُبلغ عن أن تقنيتهم تحقق دقة مماثلة أو حتى أفضل من MPS، مع سرعة أعلى بـ 10 أضعاف على وحدة المعالجة المركزية وأكثر من 200 مرة أسرع على وحدة معالجة الرسوميات. كما أشارت الدراسة إلى أنه على الرغم من التدريب باستخدام تدفق انزلاق قوي فقط، فإن GNS-WP تمكن من إعادة إنتاج تدفقات هادئة وثابتة مع حدود جدار مختلفة.
“يحافظ نموذجنا على نفس مستوى الدقة كما في المحاكيات القائمة على الجسيمات التقليدية، عبر سيناريوهات سوائل متعددة، مع تقليل وقت الحوسبة من حوالي 45 دقيقة إلى ثلاث دقائق فقط.”
– هيغاكي
مع هذا الإنجاز، يقدم البحث حلاً قابلاً للتوسع وعاملاً لتقليص وقت محاكاة السوائل عالية الأداء مع موازنة الكفاءة والدقة. والأهم من ذلك، أن هذه التحسينات لا تقتصر على المختبر.
قال هيغاكي:
“يمكن أن تعني محاكيات السوائل الأسرع والأكثر دقة تسريعًا كبيرًا في عملية تصميم السفن وأنظمة الطاقة البحرية. كما أنها تمكّن من تحليل سلوك السوائل في الوقت الفعلي، مما قد يزيد من كفاءة أنظمة طاقة المحيط.”
على عكس الدراسات الأخرى، تفصل هذه الدراسة تحسينًا خطوة بخطوة لنماذج البدائل القائمة على الجسيمات، مما يساعد على تطويرها المستقبلي.
في الأعمال المستقبلية، يخطط الباحثون أيضًا لمعالجة تحديات عدم التوافق الفيزيائي الكافي، إدارة الضغط غير المعروف، وتوسيع استخدام النموذج إلى مشكلات معقدة وثلاثية الأبعاد.
نظرًا لإمكانات الطريقة المقترحة في التعلم من بيانات تجريبية في العالم الحقيقي، يهدف الفريق أيضًا إلى استخدام هذه الدراسة كأساس لإعادة إنشاء سلوكيات سوائل معقدة لا تُعرف معادلاتها الحاكمة، مثل تدفقات متعددة المراحل ذات المواد المتقطعة.
شركة مبتكرة
Huntington Ingalls Industries, Inc.
كمصنع سفن رئيسي للبحرية الأمريكية، تستكشف Huntington Ingalls Industries (HII ) باستمرار تحسينات في محاكاة ديناميكيات السوائل لتبسيط تصميم السفن واختبار الأداء.
تبني الشركة الجيل القادم من أنظمة الدفاع والاستخبارات الذكية وتستفيد من الذكاء الاصطناعي (AI) لتحقيق ذلك. من خلال الجمع بين قوة الحوسبة السحابية والأجهزة الطرفية مع برمجيات مخصصة، تأمل HII في جعل الفرق البشرية‑الذكاء الاصطناعي السلسة هي المعيار في العمليات المستقبلية.
في HII، يتم تطوير واختبار وتكامل خوارزميات الذكاء الاصطناعي وتعلم الآلة المتقدمة لتحسين وتسريع الأنظمة والمنصات الحرجة للمهام.
تدعم تطبيقات ML المتقدمة للشركة مجموعة واسعة من الاحتياجات الدفاعية، بما في ذلك طيف الترددات الراديوية، التحليل الآلي للصور، البيانات السيبرانية، البيئة الصوتية، واللغة الطبيعية لإنتاج الاستخبارات.
تستفيد HII أيضًا من معرفتها العميقة بالمجال والبيانات لبناء ML من أجل مرونة المهمة، الجاهزية التشغيلية، وصيانة الأسطول تحت لوجستيات متنازع عليها. كامتداد لتدريبها القائم على المحاكيات، تشارك في تطوير مساعدات اتخاذ القرار التشغيلي القائمة على ML.
بالإضافة إلى ذلك، قامت مطورة المنصات البحرية الذاتية بنشر الذكاء الاصطناعي العميق (DL) مع بنى معتمدة على المحولات للبحث الدقيق عن الإشارات في كميات هائلة من البيانات المزدحمة.
تستغل HII وتدمج البيانات عبر وسائط مختلفة، بما في ذلك إشارات الطيف الراديوي، الصور الجغرافية، والوسائط اللغوية الطبيعية لتحسين الدقة. كما تستخدم تقنية معالجة اللغة الطبيعية المتقدمة القائمة على DL وML للمساعدة في فرز المعلومات وربطها للمهام العالمية.
في الوقت نفسه، تمكّن التوائم الرقمية المدعومة بالذكاء الاصطناعي من HII من اختبار، التحقق، وتوفير الموارد من بناء السفن إلى صيانة الأسطول. تُحوِّل مجموعة الاستقلالية المتقدمة، Odyssey، أي مركبة إلى منصة روبوتية ذكية تتيح التعاون التلقائي بين مركبات متعددة، مراقبة الصحة، دمج المستشعرات، وإدراك مدعوم بالذكاء الاصطناعي.
لذلك، تستخدم الشركة أحدث التقنيات على نطاق واسع لتعزيز إنتاجيتها وتحسين عملياتها. ومع ذلك، تعترف HII بأن عدم اليقين المتأصل في الذكاء الاصطناعي قد يؤدي إلى عدم كفاءة تشغيلية وأضرار تنافسية، خاصةً إذا ثبت أن أدواتها غير كافية.
HII مخطط السعر
من الناحية المالية، يمتلك مزود الدفاع متعدد المجالات قيمة سوقية تبلغ 7.25 مليار دولار، وأسهمه، في وقت كتابة هذا المقال، تتداول عند 184.95 دولار، بانخفاض قدره 2.13% حتى الآن هذا العام. وبذلك، فإن ربح السهم (TTM) هو 13.96، ونسبة السعر إلى الأرباح (TTM) هي 13.25، وعائد حقوق الملكية (TTM) هو 12.56%. أما نسبة العائد على الأرباح، فهي 2.92%.
فيما يتعلق بالبيانات المالية للشركة، للربع الرابع من عام 2024، قامت الشركة بالإبلاغ عن إيرادات قدرها 3 مليارات دولار مقارنةً بـ 3.2 مليارات دولار في نفس الربع من العام السابق. جاء هذا الانخفاض نتيجة انخفاض الحجم في جميع القطاعات. كما انخفض الدخل التشغيلي غير المتوافق مع مبادئ المحاسبة العامة من 330 مليون دولار في الربع الرابع من 2023 إلى 103 مليون دولار، نتيجة انخفاض الأداء في Newport News Shipbuilding.
Diluted earnings per share during the quarter were $3.15, while it had a backlog of $48.7 billion at the end of the year.
للسنة الكاملة، بلغت إيرادات HII 11.5 مليار دولار، بزيادة طفيفة (أقل من 1%) عن 2023 نتيجة ارتفاع الأحجام في Ingalls Shipbuilding وMission Technologies. كان ربح السهم المخفف 13.96 دولار.
كان صافي النقد من الأنشطة التشغيلية 393 مليون دولار بينما كان التدفق النقدي الحر 40 مليون دولار، بانخفاض كبير عن 970 مليون دولار و692 مليون دولار على التوالي في العام السابق.
في عام 2024، أبلغت الشركة أيضًا عن تحقيق معالم حاسمة في بناء السفن، بما في ذلك تسليم سفينة النقل البرمائي القتالية ريتشارد م. مكول جونيور (LPD 29) وغواصة الفئة فيرجينيا نيو جيرسي (SSN 796). وفي الوقت نفسه، حصل قسم Mission Technologies على عقود بقيمة إجمالية تزيد عن 12 مليار دولار.
“نستمر في تحقيق التقدم في السفن التي تم التعاقد عليها قبل جائحة كوفيد، ونعمل بجد مع عملائنا لتأمين أكثر من 50 مليار دولار من الأعمال الجديدة تحت التعاقد. استمر Mission Technologies في سجل قوي من النمو في الإيرادات وتوسيع الهوامش. ندخل عام 2025 مع تركيزنا على مهمتنا لتسليم أقوى السفن في العالم وحلول متعددة المجالات في خدمة الأمة.”
– الرئيس التنفيذي والرئيس كريس كاستنر
الخلاصة
لقد ساعدت نماذج محاكاة السوائل المدفوعة بالذكاء الاصطناعي في تقدم مجال ديناميكيات السوائل لفترة من الوقت. ومع ذلك، أظهر أحدث نموذج ذكاء اصطناعي، الذي يستخدم شبكات عصبية بيانية، نتائج مثيرة للإعجاب. فهو لا يُظهر فقط إمكانات عالية لسد الفجوة بين الدقة والكفاءة، بل يتيح تطبيقات أسرع وفي الوقت الحقيقي في الصناعات البحرية.
يمكن لهذه التقنية أن تكون واعدة في تسريع تصميم واختبار السفن والبنية التحتية البحرية، وتحسين أنظمة الطاقة المتجددة في المحيطات. يمكن لنموذج محاكاة السوائل القائم على الذكاء الاصطناعي أن يساهم في هندسة محيطية أنظف وأكثر ذكاءً، مما يؤدي إلى مستقبل مزدهر!
الدراسات المشار إليها:
1. Xu, Z., Ren, J., Zhang, Y., Gonzalez Ondina, J. M., Olabarrieta, M., Xiao, T., He, W., Liu, Z., Chen, S., Smith, K., & Jiang, Z. (2024). A fast AI surrogate for coastal ocean circulation models. arXiv. https://doi.org/10.48550/arXiv.2410.14952
2. Toshev, A. P., Erbesdobler, J. A., Adams, N. A., & Brandstetter, J. (2024). Neural SPH: Improved neural modeling of Lagrangian fluid dynamics. arXiv. https://doi.org/10.48550/arXiv.2402.06275
