الذكاء الاصطناعي
الذكاء السائل: كيف يعيد الذكاء الاصطناعي تعريف كيفية محاكاة البحر
الذكاء الاصطناعي (AI) يتطور بسرعة ويغير العالم. من خلال توفير المهام المتكررة، وتحسين تدفقات العمل، وتحسين اتخاذ القرارات، وعدم وجود هذه التكنولوجيا يوفر مكاسب كبيرة في الكفاءة والإنتاجية في جميع الصناعات.
مع هذا الارتفاع في الإنتاجية والكفاءة، من المتوقع أن يساهم الذكاء الاصطناعي بملايين الدولارات في النمو الاقتصادي والتنمية في جميع أنحاء العالم.
لقد أظهر الذكاء الاصطناعي أيضًا إمكانيات هائلة في معالجة التحديات المعقدة مثل الأمراض وتغير المناخ وتحفيز الابتكار في مختلف القطاعات لتمكين إنشاء منتجات وخدمات ونماذج أعمال جديدة.
تطبيق مثير للاهتمام للذكاء الاصطناعي تم رؤيته أيضًا في تحليل السوائل. في الآلات، يتم اختبار السوائل مثل مواد التزييت والمبردات والوقود لتحديد المشكلات التي يمكن أن تشير إلى مشاكل أو عيوب محتملة.
هذا يسمح بالصيانة والتصليح في الوقت المناسب، مما يمكن أن يساعد في منع الفشل المكلف والوقت المتوقف. كما يقلل من الحاجة إلى إصلاحات وتركيبات كبيرة ويكفل أن تعمل الآلة ب أفضل أداء.
لمدة طويلة، كان تحليل السوائل معقدًا ومزعجًا. لكن ظهور الذكاء الاصطناعي جعل العملية بأكملها أكثر بساطة وفرصة ودقة.
بعد كل شيء، تقنيات الذكاء الاصطناعي والتعلم الآلي تستخدم مجموعات بيانات ضخمة، وتتعلم منها، ثم تقدم تنبؤات. يمكن للتكنولوجيا أن تأخذ بيانات الأصول الكاملة على مدى عمرها في الاعتبار، وتستخدم إشارات متعددة في نفس الوقت، وتتعلم التكيف من خلال التغذية الراجعة.
然而، يتجاوز تحليل السوائل النفط في الآلات. في هندسة السواحل والمحيطات، تلعب سلوك السوائل دورًا حاسمًا في تصميم الهياكل البحرية، ونمذجة تغييرات الشاطئ، وحتى استغلال الطاقة الموجية والمد والجزر.
تعزيز الذكاء الساحلي والبحري بالذكاء الاصطناعي
في هندسة السواحل، قام الذكاء الاصطناعي بتحسينات كثيرة من خلال معالجة مشاكل مثل نقل الرواسب، وديناميكيات الشاطئ، وتصميم التحسين، ومراقبة السواحل، ومقاومة المناخ.
مثال على ذلك تم رؤيته في نهاية العام الماضي، عندما استخدم باحثون من جامعة مدينة هونغ كونغ التعلم الآلي لتحسين دقة نمذجة حقل الرياح الحدودية للأعاصير الاستوائية.
“نحن البشر نعيش في هذه الطبقة الحدودية، لذلك فهمها ونمذجتها بدقة أمر ضروري للتنبؤ بالعاصفة والاستعداد للخطر.”
– المؤلف Qiusheng Li
نظرًا لأن الهواء في هذه الطبقة يتفاعل مع الأرض والمحيط وكل شيء على مستوى السطح، فإن النمذجة كانت معقدة. على الرغم من النهج التقليدية التي تستخدم كميات كبيرة من البيانات وتنفذ محاكاة عددية كبيرة على أجهزة الكمبيوتر الفائقة، فإنها غالبًا ما تؤدي إلى تنبؤات غير دقيقة أو غير كاملة.
استخدمت الدراسة الأخيرة إطارًا متقدمًا للتعلم الآلي الموجه بالفيزياء الذي يتطلب كمية صغيرة من البيانات الحقيقية لالتقاط السلوك المعقد لحقول الرياح للأعاصير الاستوائية، والتي تحتوي على معلومات حول هيكل العاصفة وشدتها وتأثيرها المحتمل.
قال المؤلف Feng Hu:
“مع زيادة وتيرة العواصف وأشدها بسبب تغير المناخ، يمكن أن يحسن نموذجنا بشكل كبير دقة تنبؤات حقل الرياح. يمكن أن يساهم هذا التطور في تحسين التنبؤات الجوية وتقييمات المخاطر، وتوفير تحذيرات في الوقت المناسب وتعزيز قدرة المجتمعات والبنية التحتية الساحلية على الصمود.”
في نفس الوقت تقريبًا، قدم بحث منفصل بديلًا للذكاء الاصطناعي1 لمحاكاة انتشار موجات المد والجزر الساحلية في مصب نهر لغرض التنبؤ السابق واللاحق. هذا النهج يسرع المحاكاة ويتضمن قيودًا فيزيائية لاكتشاف وتححيح النتائج غير الدقيقة.
من خلال تقليل تكلفة الوقت لتنبؤ 12 يومًا لمحاكاة ROMS التقليدية إلى 22 ثانية فقط، يساهم البحث في نمذجة المحيطات من خلال تقديم بديل سريع ودقيق ومتوافق فيزيائيًا لمحاكاة النماذج التقليدية، خاصةً للتنبؤ في الوقت الفعلي للاستجابة السريعة للكوارث.
في وقت سابق من العام، عمل فريق من الباحثين أيضًا على تحسين نمذجة الديناميكيات السائلة اللاغرانجية2 باستخدام الشبكات العصبية.
استندت الدراسة إلى ذلك، حيث قام الباحثون بتحسين تدريب و استدلال الإدخال للمحاكسات القائمة على الشبكات العصبية مع مكونات مختلفة من محاكسات SPH القياسية، بما في ذلك مكونات اللزوجة والضغط والقوة الخارجية.
تطور نماذج البديل القائمة على التعلم الآلي في محاكاة السوائل
عندما يتعلق الأمر بمحاكاة السوائل، يتم اتخاذ نهج شائع هو تقنية الجسيمات، حيث تمثل الجسيمات سلوك تدفق السوائل.
ومع ذلك، تتطلب هذه التقنيات موارد حسابية مكثفة، بما في ذلك القوة العقلية والوقت والتكلفة.
في السنوات الأخيرة، تم تقديم العديد من نماذج البديل القائمة على التعلم الآلي لتقييم الديناميكيات السائلة بتكلفة حسابية أقل.
هذا يشمل استخدام التعلم الآلي لاستبدال أساليب الجسيمات والحساب السريع لمحاكاة السوائل اللاغرانجية، والتي تتضمن تتبع جسيمات السوائل الفردية والتركيز على مساراتها وخصائصها.
يمكن للتعلم الآلي تسريع محاكاة السوائل اللاغرانجية، لكن الدراسات السابقة لم تتمكن من التحقق من أداء التعميم لنماذج البديل هذه عبر سلوكيات سوائل متنوعة.
نموذج بديل أسرع وأكثر ذكاء وقابل للتوسيع قائم على الشبكات العصبية
تم إنشاء نموذج محاكاة سائل جديد قائم على الذكاء الاصطناعي يقلل من وقت الحوسبة بشكل كبير دون التأثير على الدقة بواسطة باحثين من جامعة أوساكا متروبوليتان.
تمتلك هذه الطريقة السريعة والدقيقة إمكانية استخدامها في رصد المحيط في الوقت الفعلي وتصميم السفن وتوليد الطاقة البحرية.
نماذج محاكاة السوائل القائمة على الذكاء الاصطناعي تكتسب شعبية كبيرة في مجال الديناميكيات السائلة بفضل جعل محاكاة السوائل بسيطة وأسرع.
ومع ذلك، تملك هذه التكنولوجيا مشاكلها الخاصة.
كما لاحظ المؤلف الرئيسي، تاكيفومي هيغاكي، الذي هو أستاذ مساعد في جامعة أوساكا متروبوليتان، قسم الهندسة:
“يمكن للذكاء الاصطناعي تقديم نتائج استثنائية لمشاكل محددة، لكنه غالبًا ما ي đấuع عندما يتم تطبيقه على ظروف مختلفة.”
لذلك، بنى الفريق النموذج الجديد باستخدام الشبكات العصبية، وهي تكنولوجيا التعلم العميق، لتوفير أداة متسقة وسريعة ودقيقة.
تعتبر الشبكات العصبية نوعًا من архيتكتур الشبكات العصبية التي تقوم بمعالجة وتعلم البيانات الهيكلية.
تستخدم هذه الشبكة في تحليل الشبكات الاجتماعية لفهم الأنماط والتنبؤ بالتفضيلات المستخدمة بناءً على التفاعلات ونمذجة وتوقيع خصائص المواد وتحديد المرشحين المحتملين للأدوية وتوقيع فعالية الدواء.
في الدراسة الأخيرة، تمثل العقدة جسيم سائل، بينما تمثل الحافة التفاعل بين تلك الجسيمات.
حدد فريق البحث أولاً العوامل المهمة لحسابات السوائل عالية الدقة.
وقام بتحسين نموذج بديل قائم على الشبكات العصبية، والذي يتعلم حركة جسيمات السوائل من بيانات SPH.
أظهرت النتائج قدرات تعميم قوية عبر سلوكيات سوائل مختلفة، مع زيادة كبيرة في السرعة وتقليل الوقت المطلوب للمعالجة.
الشركات المبتكرة
هانتينغتون إنغولز إنديستريز، إنك.
كونه مصنع سفن رئيسي للبحرية الأمريكية، فإن هانتينغتون إنغولز إنديستريز دائمًا ما يبحث عن تحسينات في محاكاة الديناميكيات السائلة لتبسيط تصميم السفن واختبار الأداء.
تعتمد الشركة على الذكاء الاصطناعي لتحقيق ذلك، من خلال الجمع بين قوة الحوسبة السحابية وأجهزة الحواف مع برامج مخصصة، لتجعل فرق الإنسان والذكاء الاصطناعي المتعاونة معًا معيارًا في العمليات المستقبلية.
تطوير وتجريب وتكامل خوارزميات الذكاء الاصطناعي والتعلم الآلي المتقدمة لتحسين وتسريع الأنظمة والمنصات الحيوية للبعثة.
تدعم التطبيقات المتقدمة للتعلم الآلي لدى الشركة مجموعة واسعة من احتياجات الدفاع، بما في ذلك طيف الراديو وتحليل الصور الآلي وبيانات السيبرانية والبيئة الصوتية واللغة الطبيعية لإنتاج الاستخبارات.
كما تستخدم الشركة معرفتها العميقة بال 领域 والبيانات لإنشاء التعلم الآلي من أجل صلابة البعثة والاستعداد التشغيلي والصيانة للأسطول في ظل hậuاللوجستيات المتنازع عليها.
إضافة إلى ذلك، فإن مطور منصة بحرية مستقلة يُploy خوارزمية التعلم العميق معهندسيه القائم على معمارية التランスفورمر للبحث الدقيق عن الإشارات في كميات هائلة من البيانات المزعجة.
تستغل الشركة وتدمج البيانات عبر مختلف الوضعيات، بما في ذلك إشارات طيف الراديو والصور الجيوس spatiale واللغة الطبيعية لتحسين الدقة.
كما تستخدم الشركة تكنولوجيا معالجة اللغة الطبيعية المتقدمة القائمة على التعلم العميق والتعلم الآلي لمساعدة فرز المعلومات وربطها لبعثات عالمية.
أما النماذج الرقمية المزدوجة القائمة على الذكاء الاصطناعي، فإنها تمكن من اختبار وتصديح ووضع الموارد من بناء السفن إلى صيانة الأسطول.
وما إلى ذلك، فإن مجموعة الاستقلالية المتقدمة، أوديسي، تحول أي مركبة إلى منصة روبوتية ذكية تمكن من التعاون بين المركبات المتعددة ومراقبة الصحة ودمج الحواس والاستعراف القائم على الذكاء الاصطناعي.
لذلك، تستخدم الشركة أحدث التكنولوجيا لتعزيز إنتاجيتها وتنظيم عملياتها. ومع ذلك، تعترف هانتينغتون إنغولز إنديستريز بأن عدم اليقين المتأصل في الذكاء الاصطناعي قد يؤدي إلى عيوب تشغيلية وضرر تنافسي، خاصة إذا أثبتت أدواتها عدم كفاءتها.
(HII )
من الناحية المالية، فإن مزود الدفاع الشامل له سوق رأس المال يبلغ 7.25 مليار دولار مع أسهمه، عند الكتابة، تُباع عند 184.95 دولار، بانخفاض 2.13٪ حتى الآن هذا العام. ومع ذلك، فإن أرباحها لكل سهم (TTM) هي 13.96، ونسبة السعر إلى الأرباح (TTM) هي 13.25، وعودة الأرباح على حقوق المساهمين (TTM) هي 12.56٪. أما بالنسبة للعائد على القسط، فإنه يبلغ 2.92٪.
عندما يتعلق الأمر بالمالية الشركة، فقد أفادت الشركة عن إيرادات بلغت 3 مليارات دولار في الربع الرابع من عام 2024، مقارنة بـ 3.2 مليار دولار في الربع نفسه من العام السابق. كان الانخفاض ناتجًا عن انخفاض الحجم في جميع القطاعات. كما انخفض دخل التشغيل غير GAAP من 330 مليون دولار في الربع الرابع من 2023 إلى 103 مليون دولار، مما كان مدفوعًا بأداء أقل في نيو بورت نيوز شيببيلدينغ.
أرباح السهم المخففة خلال الربع كانت 3.15 دولار، بينما كان لديها قائمة بأوامر قيمتها 48.7 مليار دولار في نهاية العام.
للسنة الكاملة، كانت إيرادات هانتينغتون إنغولز إنديستريز 11.5 مليار دولار، بزيادة طفيفة (أقل من 1٪) عن عام 2023 بسبب زيادة الحجم في إنغولز شيببيلدينغ وتكنولوجيا البعثة. كانت أرباح السهم المخففة 13.96 دولار.
كانت التدفقات النقدية من العمليات التشغيلية 393 مليون دولار، بينما كان التدفق النقدي الحر 40 مليون دولار، بانخفاض كبير من 970 مليون دولار و 692 مليون دولار على التوالي في العام السابق.
في عام 2024، أعلنت الشركة أيضًا عن تحقيقها لأهمية بناء السفن الحاسمة، بما في ذلك تسليم النقل البرمائي ريتشارد إم ماكول جونيور (LPD 29) والغواصة من فئة فيرجينيا نيو جيرسي (SSN 796). كما حصلت وحدة تكنولوجيا البعثة على جوائز بقيمة إجمالية تزيد عن 12 مليار دولار.
“نواصل إحراز تقدم في السفن الموضوعة تحت العقد قبل كوفيد-19، ونعمل بجد مع عملائنا لوضع أكثر من 50 مليار دولار من العمل الجديد تحت العقد. واصل قطاع تكنولوجيا البعثة سجله القوي للنمو في الإيرادات وتوسيع الهامش. نحن ندخل عام 2025 مع التركيز على مهمتنا لتسليم السفن والأدوات الشاملة الأكثر قوة في خدمة الأمة.”
– الرئيس التنفيذي والمدير العام كريس كاستنر
الختام
نماذج محاكاة السوائل القائمة على الذكاء الاصطناعي ساهمت في تقدم مجال الديناميكيات السائلة منذ فترة. ومع ذلك، فإن نموذج الذكاء الاصطناعي الأخير، الذي يستخدم الشبكات العصبية، أظهر نتائج مثيرة.
إنه لا يظهر فقط إمكانية عالية لجسر الفجوة بين الدقة والكفاءة، بل أيضًا يسمح بتطبيقات أسرع في الوقت الفعلي في الصناعات البحرية.
يمكن أن تثبت هذه التكنولوجيا أنها واعدة في تسريع تصميم السفن والبنية التحتية البحرية وتنظيم أنظمة الطاقة المتجددة للمحيط.
يمكن أن يساهم نموذج محاكاة السوائل القائم على الذكاء الاصطناعي في هندسة المحيطات النظيفة والذكية، مما يؤدي إلى مستقبل مزدهر!
الدراسات المذكورة:
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
