تعزيز السلامة البحرية من خلال تحليل الذكاء الاصطناعي التنبؤي للأمواج الشبحية

This week marks a major milestone in oceanic studies and maritime safety after a team of engineers published a study demonstrating how AI neural networks could help to forecast and warn about rogue waves. Notably, these massive events were once seen as unpredictable and have led to major losses for centuries. Here’s what you need to know.

الأمواج الشبحية

الأمواج الشبحية تُعرف بأسماء متعددة بما في ذلك الموج القاتل، الوحش، والموجات المتطرفة. تمتلك هذه الأمواج ارتفاعًا يضاعف الظروف البحرية العادية وقد تظهر من العدم، مما يضع من يعترض طريقها في خطر كبير. عبر التاريخ، كانت الأمواج الشبحية جزءًا من الفولكلور البحري للمسافرين، الذين سمعوا بلا شك أساطير عن هذه الأمواج الضخمة التي تحمل زملائهم إلى الأعماق. اليوم، لا تزال هذه الأمواج تشكل تهديدًا كبيرًا.

ومن الجدير بالذكر أن هذه الظواهر النادرة في المحيط تشبه في حجمها وقوتها التسونامي. ومع ذلك، وعلى عكس نظيراتها المفهومة جيدًا، يمكن أن تظهر الأمواج الشبحية دون أي حدث ملحوظ كبير مثل الزلزال. وبالتالي، تشكل هذه الأمواج الكبيرة وغير المتوقعة خطرًا كبيرًا على البنية التحتية البحرية، والمسافرين، والمعدات الأخرى.

كيف تتشكل الأمواج الشبحية

حتى وقت قريب، لم تكن هناك بيانات كافية ولا قدرة حوسبة كافية لإنشاء آليات موثوقة لتشكيل الأمواج الشبحية. وبالتالي، كان معظم العلم المتعلق بتكوين هذه الظواهر المراوغة يعتمد على جمع البيانات الرصدية بعد حدوثها. أدت هذه المعلومات إلى تحديد الباحثين لأكثر ثلاث طرق شائعة لتشكل الأمواج الشبحية.

التراكم البطيء

من المثير للاهتمام أن الموج الشبحية يمكن أن تبدأ في التكوّن والتراكم دون الحاجة إلى الجمع مع أمواج أخرى. التيارات القوية مثل التيار الغلفي يمكن أن تتردد وتتمدد لتخلق شذوذًا بحريًا هائلًا. غالبًا ما يستخدم العلماء الذين يدرسون هذه الظاهرة طريقة تسمى عدم استقرار بنجامين-فير لتفسير توسع قطار الموجة الواحدة. وهذا أحد أندر أشكال الأمواج الشبحية التي تم التقاطها من قبل الباحثين.

تداخل أمواج متعددة

أكثر تكوين للأمواج الشبحية يُفهم على نطاق واسع يحدث نتيجة لتداخل أمواج متعددة تلتقي في الوقت المثالي لتضخم الحجم. عندما تتراكم الأمواج وتتنافر، يمكنها تضخيم وتكثيف التيار وشدة الموجة. يمكنك التفكير في ذلك كأثر كرة الثلج حيث يتم امتصاص كل موجة في الزخم الأكبر مكونة جدارًا هائلًا جاهزًا لتدمير أي شيء في مساره.

الطرق الحالية لتحديد الأمواج الشبحية

لا توجد أنظمة تنبؤ موثوقة للأمواج الشبحية على مستوى العالم، على الرغم من أن لهذه الأحداث القدرة على إحداث أضرار بمليارات الدولارات سنويًا. تعتمد الطرق الأكثر شيوعًا لتحديد هذه الأحداث على بيانات محيطية في الوقت الفعلي لا يمكن التنبؤ بها إلا عندما يحدث الحدث، مما يُخطر العلماء بارتفاع مستوى البحر. هذه الاستراتيجية تترك الكثير مما هو مرغوب فيه من حيث الإنذار المبكر وإجراءات السلامة.

دراسة الأمواج الشبحية

الدراسة “تنبؤ الأمواج الشبحية من قياسات العوامات” تهدف إلى إلقاء الضوء على هذه الظواهر البحرية الفريدة. سعى الباحثون إلى إنشاء شبكة عصبية اصطناعية قادرة على التنبؤ باحتمالية حدوث موجة شبحية بناءً على حالة المحيط الحالية. كجزء من هذا النهج، سعى الباحثون لتحديد العوامل المسبقة التي تحدث قبل تكوين الأمواج الشبحية.

كان الهدف من هذا النهج إظهار العلاقة الوظيفية بين الأمواج السابقة والحدث الشبح النهائي باستخدام أجهزة قياس ميدانية وشبكات عصبية متقدمة. والأهم من ذلك، أراد الفريق توثيق ومراقبة مراحل التزامن بين الأمواج الفردية اللازمة لتكوين الأمواج الشبحية.

مرحلة الاختبار

بدأ الاختبار بإنشاء شبكة عصبية. قرر الفريق استخدام خوارزمية ذكاء اصطناعي من نوع الذاكرة طويلة المدى (LSTM). تم إنشاء هذه الأنظمة الذكائية لتبسيط العلاقة الوظيفية بين بيانات الإدخال وبيانات الإخراج. وبالتالي، فهي مثالية لإنشاء توقعات مستندة إلى البيانات لأنظمة معقدة.

عوامات المحيط

جمع الباحثون بيانات من 172 عائمة تقع على الساحل الشرقي للولايات المتحدة وجزر المحيط الهادئ بعمق يتراوح بين 20 مترًا إلى أكثر من 4000 متر. تم استخدام نوعين من العوامات في الاختبار. عائمة Datawell directional wave rider MkIII بمعدل أخذ عينات 1.28 هرتز وعائمة Datawell directional wave rider MkIII بمعدل 2.56 هرتز. هذه الوحدات مختبرة جيدًا وتوفر بيانات موثوقة، بما في ذلك مسرعات تراقب الإزاحة العمودية.

المصدر – MATLAB

مجموعة البيانات

تم برمجة الشبكة العصبية باستخدام حجم عينة يعادل 880 سنة من البيانات المتتالية المتعلقة بظروف ما قبل الأمواج الشبحية. على وجه الخصوص، تم دمج 14 مليون قياس لارتفاع سطح البحر كل 30 دقيقة مع 40,000 قياس لارتفاع سطح البحر من نفس العوامات. ثم تم فحص هذه البيانات للبحث عن شذوذ. بعد ذلك، عادت البيانات إلى الخوارزمية لتدريبها بشكل أفضل على اكتشاف هذه العوامل.

ملاءمة لظروف المحيط

كان الباحثون حريصين على جعل عينات الأمواج الشبحية قليلة ومتباعدة في مرحلة الاختبار لضمان أن تكون البيانات أقرب إلى السيناريوهات الواقعية. ثم تم تقسيم العينات إلى فئتي الأمواج غير الشبحية والشبحية التي تم تعزيزها. ومن الجدير بالذكر أن البيانات الأولية تم الحصول عليها عبر برنامج معلومات بيانات السواحل (CDIP) بالتعاون مع معهد سكريبس لعلوم المحيطات.

تم فحصها للعثور على أمواج شبحية

قام الباحثون بفحص بيانات عينات الأمواج باستخدام موارد الحوسبة الفائقة في جامعة ماريلاند. أتاح لهم هذا الوصول الاستفادة من وحدة معالجة رسومية NVIDIA (NVDA ) A100 بالتعاون مع وحدة NVIDIA Quadro P1000 محلية لتعزيز أداء الذكاء الاصطناعي، وتقليل أوقات التدريب، وزيادة الدقة.

النتائج

يمكن أن يكون لنتائج هذه الدراسة تأثير صادم على طريقة نظر المهندسين والباحثين إلى الأمواج الشبحية مستقبلاً. هذه الأحداث التي كانت شبه مستحيلة التحديد أصبحت الآن يمكن تمييزها بدقة 75% باستخدام أنظمة الذكاء الاصطناعي. على وجه التحديد، تم توقع 75% من الأمواج الشبحية خلال دقيقة واحدة من ظهورها. انخفض المعدل إلى 73% فقط عندما تم تمديد فترة التحذير إلى 5 دقائق.

في المجموع، نجح الذكاء الاصطناعي في توقع ما يقرب من 3 آلاف موجة شبحية بدقة. فقط 855 حدثًا تمكنت من التفلت من كشف الذكاء الاصطناعي، مما ترك النظام بدقة 23%. بالنظر إلى أن العديد من الباحثين كانوا يعتقدون أنه من المستحيل تحديد هذه الأحداث، فتحت هذه النتائج الباب أمام أنظمة تنبؤ جديدة وأكثر فعالية لتُطرح.

الفوائد

يمكن أن تجلب هذه الدراسة العديد من الفوائد إلى السوق. أولاً، إنها أول مفهوم موثوق لنظام تنبؤ بالأمواج الشبحية. إنها تأخذ فكرة أن هذه الأحداث معقدة جدًا للتنبؤ وتقدم بدلاً من ذلك حلاً موثوقًا وفعّالًا من حيث التكلفة يمكنه توفير إنذار متقدم قيم للسفن والمنصات البحرية عند الحاجة.

استخدام بيانات العوامات الحالية

فائدة رئيسية أخرى لهذا النهج لتحديد احتمال حدوث أمواج شبحية هي عدم الحاجة إلى تركيب حساسات أو أنظمة جديدة. فقد تم نشر واختبار العوامات لعدة عقود. وبالتالي، فهي توفر مصدر بيانات موثوق ومثبت له تاريخ يمكن تتبعه. هذا التحديث التنبؤي للذكاء الاصطناعي هو برنامج. وبالتالي، يمكنه الاستفادة من ملايين الساعات من البيانات التي توفرها هذه الأجهزة لتحسين وتعزيز الأداء المستقبلي.

تطبيق عالمي

أحد أكثر الجوانب إثارة في تدريبهم للذكاء الاصطناعي هو أن النموذج كان قادرًا على تطبيقه على مواقع خارج مجموعة بيانات العوامات الأصلية بنجاح. تمكن الفريق من توقع خطر الأمواج الشبحية باحتمالية عالية لعوامتين خارج الموقع. اختبروا نظريتهم على العوامة 132، الواقعة قرب جاكسونفيل، فلوريدا، والعوامة 067 قرب جزيرة سان نيكولاس قبالة ساحل لوس أنجلوس. أظهرت النتائج أن الخوارزمية يمكن تطبيقها على مواقع أخرى بنجاح.

تحسين ذاتي

إحدى أكبر فوائد هذا النوع من خوارزمية الذكاء الاصطناعي هي أنها يمكن أن تحسن مجموعة بياناتها باستمرار، معززةً فهمها وتحسين أدائها. ستتحسن هذه الأنظمة مع تحسين البيانات. وبالتالي، يوفر هذا الأسلوب طريقة منخفضة التكلفة وفعّالة لتعزيز العمليات.

الباحثون

كان توماس بروننج وبالاكومار بالاتشاندران هما الباحثان الرئيسيان في الدراسة. حققا هدفهما في إظهار طريقة لتحديد الأمواج الشبحية بدقة عالية على مستوى العالم. ومن الجدير بالذكر أن جامعة ماريلاند وفرت موارد الحوسبة الفائقة والدعم للفريق، الذي يسعى الآن لتحسين نتائجه بإدخال المزيد من البيانات إلى نموذجه بما في ذلك سرعة الرياح، الموقع، والعمق. كل هذه العوامل يمكن أن تساعد في تحسين أوقات الكشف وحتى توفير طريقة لتحديد ارتفاع الحدث.

الشركات التي يمكنها دمج هذه التقنية اليوم

يمكن للعديد من الشركات الاستفادة الفورية من هذه الدراسة. هناك الآن مليارات الدولارات في البنية التحتية البحرية والسفن التجارية التي تعبر المحيط. من المؤكد أن هذه الشركات ستستثمر في أي تقنية يمكن أن تساعد في منع الخسائر الكارثية والوفيات.

1. Diamond Offshore Drilling Inc.

Diamond Offshore Drilling Inc. هي شركة حفر نفط وغاز رئيسية تقع في كاتي، تكساس. دخلت الشركة السوق في عام 1987 كشركة Diamond M Drilling قبل أن تخضع للعديد من عمليات إعادة العلامة التجارية. حاليًا، لديها 44 منصة حفر بحرية تشمل 32 منصة شبه غاطسة و5 سفن حفر.

لدى Diamond Offshore Drilling Inc. عقود مع العديد من أكبر شركات النفط والغاز في العالم، بما في ذلك Hess Corporation وPetrobras وBP وOccidental Petroleum (OXY ). إن موقعها والطلب على الوقود الأحفوري يجعل من هذه السهم “احتفاظًا” قويًا. ومن الجدير بالذكر أنها شهدت بعض الانخفاضات بسبب تدفق الطاقة الخضراء إلى السوق، لكن المحللين يتوقعون مكاسب مستقبلية مع ارتفاع أسعار الغاز نتيجة للصراعات وعوامل أخرى.

2. Sable Offshore Corp

SOC مخطط السعر

Sable Offshore Corp (SOC ) هي شركة حفر أخرى يمكنها الاستفادة من نظام تنبؤ الأمواج الشبحية لحماية أسطولها من المنصات البحرية ومحطات الحفر. تأسست الشركة في عام 2020 كشركة Flame Acquisition Corp قبل أن تغير اسمها إلى Sable. تمتلك Sable عمليات بحرية تقع قبالة ساحل كاليفورنيا في المياه الفدرالية. كما تمتلك 76 ألف فدان من عقود الإيجار تحت البحر التي تمكنها من نقل النفط الخام والغاز الطبيعي.

لدى الشركة العديد من الشراكات الاستراتيجية مع رواد الصناعة بما في ذلك ExxonMobil (XOM ) وCanada Ltd وImperial Oil (IMO ) Resources Limited وPengrowth Energy Corporation، على سبيل المثال لا الحصر. شهد سهم الشركة تراجعًا مؤخرًا بسبب تقلبات السوق. ومع ذلك، فإن الطلب المتزايد في كاليفورنيا على هذه الخدمات يضع Sable Offshore Corp كمزود طاقة محلي متميز.

مستقبل التنبؤ بالأمواج الشبحية

تسلط هذه الدراسة الضوء على عالم الأمواج الشبحية المراوغ. لم تعد هذه الأحداث مجرد حكايات بحارة بل أصبحت الآن أحداثًا يمكن التنبؤ بها. في المستقبل، سيتم دمج هذه الأنظمة عبر الاقتصاد البحري لتقليل المخاطر وتحسين الكفاءة. ومن الجدير بالذكر أن هذه الأنظمة ستصبح أكثر دقة وتحسنًا مع حصولها على بيانات معززة إضافية.

يمكنك توقع رؤية هذا النمط من التنبؤ مقترنًا بأنظمة مثل شبكات البلوك تشين التي توفر مراقبة في الوقت الفعلي للبيانات الضخمة عبر العالم قريبًا. سيمكن هذا التحسين هذه الأنظمة من تسجيل وتتبع الوقائع في الوقت الفعلي عبر المحيط بطريقة غير قابلة للتغيير. يمكن بعد ذلك استخدام هذه البيانات لتحسين فهم العلماء لهذه الظواهر المراوغة.

الأمواج الشبحية مشكلة يمكن للكشف حلها

لا توجد طريقة لإيقاف تكوين الأمواج الشبحية حتى الآن. ومع ذلك، فإن الخطوة الأولى لمنع الخسائر الكبيرة هي تحديد متى وما الذي يجعل هذه الأحداث تحدث. لقد اتخذ هؤلاء المهندسون الخطوات الأولى ووضعوا الأساس لأبحاث مستقبلية قد تنقذ أرواحًا. في الوقت الحالي، جهودهم تُحدث “موجات” عبر صناعات متعددة.

Learn about other cool AI projects now.