Fluid Intelligence: AI omdefinerer, hvordan vi simulerer havet

Kunstig intelligens (AI) transformerer hurtigt vores verden. Ved at automatisere gentagne opgaver, optimere arbejdsgange og forbedre beslutningstagning lover denne teknologi betydelige gevinster i effektivitet og produktivitet på tværs af brancher. 

Med dette løft i produktivitet og effektivitet forventes AI at bidrage med billioner til økonomisk vækst og udvikling på verdensplan. 

AI har også viste et enormt potentiale i at tackle komplekse udfordringer som sygdom og klimaændringer og drive innovation i forskellige sektorer for at muliggøre skabelsen af ​​nye produkter, tjenester og forretningsmodeller. 

En interessant anvendelse af AI er også set i væskeanalyse. I maskiner udføres test af væsker som smøremidler, kølemidler og brændstoffer for at identificere problemer, der kan indikere potentielle problemer eller fejl.

Dette giver mulighed for rettidig vedligeholdelse og reparationer, som så kan hjælpe med at forhindre dyre nedbrud og nedetid. Det minimerer også behovet for større reparationer og udskiftninger og sikrer, at maskineriet fungerer optimalt.

I mange år har væskeanalyse været ret lang og besværlig. Men fremkomsten af ​​AI har gjort hele processen mere forenklet, effektiv og præcis. 

AI og maskinlæringsteknikker bruger trods alt enorme datasæt, lærer af dem og laver derefter forudsigelser. Teknologien kan tage højde for et aktivs fulde datasæt over dets levetid, bruge flere signaler på én gang og lære at tilpasse sig gennem feedback. 

Væskeanalyse går dog langt ud over olie i maskiner. I kyst- og havteknik spiller væskeadfærd en afgørende rolle i design af maritime strukturer, modellering af kystlinjeændringer og endda udnyttelse af bølge- og tidevandsenergi. 

Fremme kyst- og havintelligens med kunstig intelligens

Inden for kystteknik har kunstig intelligens foretaget mange forbedringer ved at løse problemer som sedimenttransport, kystdynamik, designoptimering, kystovervågning og klimaresiliens.

Et eksempel på dette blev set i slutningen af ​​sidste år, da forskere fra City University of Hong Kong brugte maskinlæring til at øge nøjagtigheden af ​​modellering af grænselagets vindfelt for tropiske cykloner.

"Vi mennesker lever i dette grænselag, så forståelse og nøjagtig modellering af det er afgørende for stormprognoser og fareberedskab."

– Forfatter Qiusheng Li

Fordi luften i dette lag interagerer med land, havet og alt andet på overfladeniveau, har modellering været ret udfordrende. På trods af traditionelle tilgange, der bruger tonsvis af data og kører store numeriske simuleringer på supercomputere, resulterer de stadig ofte i unøjagtige eller ufuldstændige forudsigelser.

Den seneste undersøgelse brugte en avanceret fysik-informeret ML-ramme Det kræver en lille mængde reelle data for at indfange den komplekse opførsel af tropiske cykloner' vindfelter, som indeholder information om stormens struktur, intensitet og potentielle påvirkning. Forfatteren Feng Hu sagde:

"Med hyppigere og mere intense orkaner på grund af klimaændringer kan vores model forbedre nøjagtigheden af ​​vindfeltsforudsigelser markant. Denne fremgang kan hjælpe med at forfine vejrudsigter og risikovurderinger, give rettidige advarsler og forbedre modstandsdygtigheden af ​​kystsamfund og infrastruktur."

Omtrent på samme tid, separat forskning introducerede et AI-surrogat¹ at simulere udbredelsen af ​​kystnære flodbølger i en flodmunding til hindcast og prognoseformål. Denne tilgang accelererer simuleringer og inkorporerer en fysik-baseret begrænsning for at opdage og korrigere unøjagtige resultater.

Ved at reducere tidsomkostningerne ved 12-dages prognose af traditionelle ROMS-simuleringer til kun 22 sekunder, bidrager forskningen til oceanografisk modellering ved at tilbyde et hurtigt, præcist og fysisk konsistent alternativ til traditionelle simuleringsmodeller, især til realtidsprognoser i hurtig katastroferespons.

Tidligere sidste år, et team af forskere også arbejdet på at forbedre den neurale modellering² af lagrangisk væskedynamik.

Baseret på det forbedrede forskerne både træning og udrulningsslutning af GNN-baserede simulatorer med forskellige komponenter fra standard SPH-løsere, herunder tyktflydende, tryk- og eksterne kraftkomponenter. De neurale SPH-forbedrede simulatorer opnåede derefter bedre ydeevne end basislinje-GNN'erne, hvilket, det bemærkede, giver mulighed for betydeligt længere udrulninger og bedre fysikmodellering.

Udvikling af ML-baserede surrogatmodeller i væskesimulering

Når det kommer til væskesimulering, er en almindelig tilgang partikelteknikken, hvor partikler simulerer væskestrømmens adfærd. Nogle udbredte eksempler omfatter udjævnet partikelhydrodynamik (SPH), bevægelig partikel semi-implicit (MPS) eller inkompressibel SPH.

Disse teknikker kræver imidlertid omfattende beregningsressourcer, herunder processorkraft, tid og omkostninger. I de senere år er behovet for at simulere væsker fra den virkelige verden i alle faser af konstruktionen, fra design, fremstilling og udvikling til verifikation, drift og visualisering, vokset, så beregningstiden skal også reduceres. 

I løbet af de sidste par år er flere ML-baserede surrogatmodeller blevet introduceret for at estimere væskedynamik med en mindre beregningsomkostning.

Dette inkluderer brug af maskinlæring til at erstatte partikelmetoder og hurtig beregning af lagrangiske væskesimuleringer, som involverer sporing af individuelle væskepartikler og fokus på deres baner og egenskaber.

Mens ML kan fremskynde lagrangiske væskesimuleringer, har tidligere undersøgelser ikke været i stand til at validere generaliseringsydelsen af ​​sådanne surrogatmodeller på tværs af forskellig væskeadfærd. 

Så er der det faktum, at de fleste af disse modeller er blevet valideret under CFL-tilstanden, ligesom traditionelle Computational fluid dynamics (CFD) metoder, som begrænser deres evne til at reducere beregningstiden betydeligt.

Desuden var fokus for sådanne indledende undersøgelser ikke på nøjagtighed, men snarere på at replikere væskelignende adfærd i simuleringsmiljøer.

Så efterfølgende undersøgelser gjorde fremskridt med surrogatmodeller for SPH, som så en gradvis forbedring af nøjagtigheden. Forskere brugte forskellige metoder til dette, såsom at bruge SPH-resultater som træningsdata til at udføre lagrangisk væskeanalyse med dybe neurale netværk (DNN) og introducere grafiske neurale netværk (GNN) for at lære bevægelsen af ​​væskepartikler fra SPH-data, blandt andre.

Disse havde dog ikke til formål at estimere tryk, en af ​​de væsentlige faktorer i forståelsen af ​​​​væskemekanik og dens interaktion med strukturer.

Så udviklingen derfra førte til den seneste tendens til at fokusere på tryk på inkompressible væsker. Til dette fremskyndede forskere løsningen af ​​PPE i MPS ved at bruge DNN. De introducerede FGN eller fluid graph netværk (som udnytter GNN'er til at simulere væskedynamik) ved at bruge MPS som træningsdata. De bekræftede dog ikke, om det estimerede tryk gengav de faktiske fænomener.

De fleste af disse undersøgelser har heller ikke klarlagt effekten af ​​forskellige funktionsindstillinger på resultaterne. Men fordi resultaterne sandsynligvis afhænger af funktionsindstillingerne, er det vigtigt at afsløre, hvilken funktion der er afgørende for, at surrogatmodeller kan reproducere væsker.

Så en ny undersøgelse, offentliggjort i Applied Ocean Research³, har præsenteret en partikelbaseret surrogatmodel, der kan anvendes på større tidstrinstørrelser og forskellige væskefænomener.

Undersøgelsen præsenterede tre forbedrede grafnetværksbaserede simulatorversioner (GNS), som fik GNN til at lære væskepartiklernes bevægelse fra SPH-data. Dette inkluderer GNS med trykestimering (GNS-P), GNS med wall boundary noder (GNS-W) og GNS med en kombination af begge (GNS-WP). 

I deres undersøgelse påviste forskerne, at trykestimering er vigtig for nøjagtigt at forudsige væsker og verificerede, at væggrænseknuderne er afgørende for styring af de bevægelige væggrænseforhold. De viste også, at GNS-WP var i stand til at replikere slibningen ret præcist, selv når simuleringshastigheden (tidstrinstørrelsen) var 10 gange større end træningsdataens.

Den foreslåede metode (GNS-WP), der er trænet i det skvulpende scenarie, ifølge undersøgelsen, kan anvendes på tre forskellige problemer - hydrostatiske, dæmningsbrud og frie oscillationstests.

Klik her for at lære, hvordan Venus Flower Basket genskaber aero- og væskedynamik.

Hurtigere, smartere og skalerbar GNN-drevet surrogatmodel

Den nye ML-baserede væskesimuleringsmodel, der reducerer beregningstiden betydeligt uden at påvirke nøjagtigheden, er blevet skabt af forskere fra Osaka Metropolitan University. Denne hurtige og højpræcisionsmetode kan bruges til havovervågning i realtid, skibsdesign og offshore-strømproduktion.

De AI-drevne modeller vinder meget trækkraft i væskedynamikken takket være at gøre væskesimuleringer enkle og hurtigere. Denne teknologi har dog sine egne problemer. 

Som hovedforfatteren bemærkede Takefumi Higaki, som er assisterende professor ved Osaka Metropolitan Universitys Graduate School of Engineering:

"AI kan levere enestående resultater for specifikke problemer, men kæmper ofte, når det anvendes til forskellige forhold."

Så teamet byggede den nye model ved hjælp af grafiske neurale netværk (GNN'er), en deep learning-teknologi, for at levere et værktøj, der er konsekvent hurtigt og præcist.

GNN'er er en type neural netværksarkitektur, der behandler og lærer af grafstrukturerede data. Grafer er datastrukturer, der består af noder, som er enheder som produkter og mennesker, og kanter, som repræsenterer relationer mellem dem. GNN'er analyserer store og komplekse sammenhænge i grafen.

Dette neurale netværk bruges i sociale netværksanalyser til at forstå mønstre, forudsige brugerpræferencer baseret på interaktioner, modellere og forudsige materialers egenskaber og identificere potentielle lægemiddelkandidater og forudsige lægemiddeleffektivitet.

I den seneste undersøgelse er en knude en flydende partikel, mens kanten er interaktionen mellem disse partikler. 

Forskerholdet fastslog først, hvilke faktorer der er vigtige for væskeberegninger med høj præcision. De sammenlignede forskellige træningsforhold og vurderede derefter, hvor effektivt deres model kunne tilpasse sig forskellige simuleringshastigheder og varierede flydende bevægelser.

Holdet fandt, at resultaterne viste stærke generaliseringsevner på tværs af forskellige væskeadfærd, hvilket øgede hastigheden betydeligt og reducerede den tid, der kræves til behandling. 

Deres teknik er blevet rapporteret at opnå en nøjagtighed på samme niveau eller endda bedre end MPS, med 10x hastigheden på CPU og mere end 200x hurtigere på GPU. Undersøgelsen bemærkede også, at på trods af, at man kun trænede ved hjælp af et kraftigt skvulpende flow, var GNS-WP i stand til med succes at gengive både rolige og statiske strømme med en anden væggrænse.

"Vores model bevarer det samme niveau af nøjagtighed som traditionelle partikelbaserede simuleringer gennem forskellige flydende scenarier, mens den reducerer beregningstiden fra cirka 45 minutter til kun tre minutter."

– Higaki

Med denne præstation tilbyder forskningen en skalerbar og generaliserbar løsning til højtydende væskesimulering, der balancerer effektivitet med nøjagtighed. Endnu vigtigere er disse forbedringer ikke begrænset til laboratoriet.

Higaki sagde:

"Hurtigere og mere præcise væskesimuleringer kan betyde en betydelig acceleration i designprocessen for skibe og offshore-energisystemer. De muliggør også væskeadfærdsanalyse i realtid, som kan maksimere effektiviteten af ​​havenergisystemer."

I modsætning til andre undersøgelser beskrev denne en trin-for-trin forbedring af de partikelbaserede surrogatmodeller, hvilket hjælper med deres videre udvikling. 

I det fremtidige arbejde planlægger forskerne også at tage fat på udfordringerne med utilstrækkelig fysisk konsistens, håndtering af ukendt tryk og udvidelse af modellens anvendelse til komplekse og 3D-problemer. 

I betragtning af den foreslåede metodes potentiale til at lære af eksperimentelle data i den virkelige verden, sigter holdet yderligere på at bruge denne undersøgelse som et grundlag for at genskabe kompleks væskeadfærd, hvis styrende ligninger ikke er kendt, som flerfasestrømme med diskontinuerlige materialer.

Innovativ virksomhed

Huntington Ingalls Industries, Inc. (HII )

Huntington Ingalls Industries, en stor skibsbygger for den amerikanske flåde, udforsker konstant forbedringer i væskedynamiksimuleringer for at strømline fartøjsdesign og ydeevnetest.

Virksomheden bygger den næste generation af smarte forsvars- og intelligenssystemer og udnytter kunstig intelligens (AI) til at gøre det. Ved at kombinere kraften fra cloud computing og edge-enheder med skræddersyet software håber HII at gøre sømløse human-AI-hold til standarden i fremtidige operationer.

Hos HII udvikles, testes og integreres førende AI- og maskinlæringsalgoritmer for at optimere og accelerere missionskritiske systemer og platforme.

Virksomhedens avancerede ML-applikationer understøtter en bred vifte af forsvarsbehov, herunder radiofrekvensspektrum, automatiseret analyse af billeder, cyberdata, akustisk miljø og naturligt sprog til intelligensproduktion.

HII bruger også sin dybe domæne- og dataviden til at opbygge ML til missionsresiliens, operationel parathed og flådevedligeholdelse under omstridt logistik. Som en forlængelse af sin simulatorbaserede træning er den involveret i udviklingen af ​​ML-baserede operationelle beslutningshjælpemidler.

Derudover har den autonome maritime platformudvikler implementeret deep learning (DL) AI med transformer-baserede arkitekturer til præcis signalsøgning i enorme mængder af meget rodet data.

HII udnytter og fusionerer data på tværs af forskellige modaliteter, herunder RF-spektrale signaler, geospatiale billeder og naturlige sprogmedier for at forbedre nøjagtigheden. Den anvender også avanceret NLP-teknologi baseret på DL og ML til at hjælpe med informationssortering og forbindelse til globale missioner.

HIIs AI-drevne digitale tvillinger muliggør i mellemtiden test, validering og besparelse af ressourcer fra skibsbygning til vedligeholdelse af flåden. Dens avancerede autonomisuite, Odyssey, forvandler ethvert køretøj til en intelligent robotplatform, der muliggør kollaborativ autonomi med flere køretøjer, sundhedsovervågning, sensorfusion og AI-aktiveret perception. 

Så virksomheden gør i vid udstrækning brug af den nyeste teknologi til at øge sin produktivitet og optimere sine processer. HII anerkender dog, at AI's iboende usikkerheder kan føre til operationel ineffektivitet og konkurrenceskade, især hvis deres værktøjer viser sig at være utilstrækkelige.

Økonomisk set har all-domain-forsvarsudbyderen en markedsværdi på 7.25 milliarder dollars med sine aktier, som i skrivende stund handles til 184.95 dollar, hvilket er et fald på 2.13% indtil videre i år. Med det er dens EPS (TTM) 13.96, P/E (TTM)-forholdet er 13.25, og ROE (TTM) er 12.56%. Hvad angår udbytteafkastet, er det pæne 2.92 %.

Når det kommer til virksomhedens økonomi, for Q4 af 2024, virksomheden rapporteret en omsætning på $3 milliarder sammenlignet med $3.2 milliarder fra samme kvartal året før. Dette fald skyldtes lavere volumen i alle segmenter. Non-GAAP driftsindtægter faldt også fra $330 millioner i 4Q23 til $103 millioner, hvilket var drevet af lavere præstationer hos Newport News Shipbuilding. 

Udvandet indtjening pr. aktie i løbet af kvartalet var $3.15, mens den havde et efterslæb på $48.7 milliarder ved udgangen af ​​året.

For hele året var HIIs omsætning $11.5 milliarder, en lille stigning (mindre end 1%) fra 2023 på grund af højere volumener hos Ingalls Shipbuilding and Mission Technologies. Udvandet indtjening pr. aktie var $13.96. 

Nettolikviditet fra driftsaktiviteter var $393 millioner, mens frit cash flow var $40 millioner, et stort fald fra henholdsvis $970 millioner og $692 millioner i det foregående år.

I 2024 rapporterede selskabet også at have opnået kritiske skibsbygningsmilepæle, som inkluderede levering af amfibisk transportdok Richard M. McCool Jr. (LPD 29) og Virginia-klassens ubåd New Jersey (SSN 796). HIIs Mission Technologies-segment sikrede sig i mellemtiden priser med en samlet kontraktværdi på over $12 milliarder.

"Vi fortsætter med at gøre fremskridt på skibe, der er sat under kontrakt før COVID-50, og arbejder flittigt sammen med vores kunder for at sætte over $2025 milliarder nyt arbejde under kontrakt. Mission Technologies fortsatte sin stærke track record med toplinjevækst og marginudvidelse. Vi går ind i XNUMX med fokus på vores mission om at levere verdens mest magtfulde skibe og løsninger på alle domæner i nationens tjeneste."

– CEO og præsident Chris Kastner

Konklusion

AI-drevne væskesimuleringsmodeller har været med til at fremme feltet for væskedynamik i nogen tid nu. Den seneste AI-model, der bruger grafiske neurale netværk, har dog vist imponerende resultater. Det viser ikke kun et højt potentiale til at bygge bro mellem nøjagtighed og effektivitet, men muliggør også hurtigere realtidsapplikationer i maritime industrier.

Denne teknologi kan vise sig lovende til at accelerere design og test af skibe og offshore-infrastruktur og optimere vedvarende havenergisystemer. Den AI-baserede væskesimuleringsmodel kan bidrage til renere og smartere havteknik, hvilket fører til en blomstrende fremtid!