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 vist et enormt potentiale i at tackle komplekse udfordringer såsom sygdomme 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 blevet set inden for fluidanalyse. I maskiner udføres test af væsker som smøremidler, kølevæsker og brændstoffer for at identificere problemer, der kan indikere potentielle fejl eller svigt.

Dette muliggør rettidig vedligeholdelse og reparationer, som kan hjælpe med at forhindre dyre nedbrud og driftsstop. Det minimerer også behovet for store reparationer og udskiftninger og sikrer, at maskineriet fungerer på sit optimale niveau.

I mange år har fluidanalyse været temmelig langvarig og besværlig. Men AI’s fremkomst har gjort hele processen mere forenklet, effektiv og præcis. 

Efter alt er AI- og maskinlæringsteknikker baseret på enorme datasæt, lærer af dem og foretager derefter forudsigelser. Teknologien kan tage et aktivs fulde datasæt over dets levetid i betragtning, bruge flere signaler samtidigt og lære at tilpasse sig gennem feedback. 

Fluidanalyse går dog langt ud over olie i maskiner. I kyst- og oceaningeniørkunst spiller fluidadfærd en kritisk rolle i design af maritime strukturer, modellering af kystlinjeforandringer og endda udnyttelse af bølge- og tidevandsenergi. 

Fremskridt inden for kyst- og marine intelligens med AI

Inden for kystingeniørkunst har AI gjort mange forbedringer ved at tackle problemer som sedimenttransport, kystlinjedynamik, designoptimering, kystovervågning og klimaresiliens.

Et eksempel på dette blev set sent sidste år, da forskere fra City University of Hong Kong anvendte maskinlæring til at forbedre nøjagtigheden af modelleringen af grænselagets vindfelt i tropiske cykloner.

“Vi mennesker lever i dette grænselag, så forståelse og præcis modellering er afgørende for stormforudsigelser og beredskab mod farer.”

– Forfatter Qiusheng Li

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

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

“Med hyppigere og mere intense orkaner på grund af klimaændringer kunne vores model betydeligt forbedre nøjagtigheden af vindfeltforudsigelser. Denne fremgang kan hjælpe med at forfine vejrudsigter og risikovurderinger, give rettidige advarsler og styrke modstandsdygtigheden i kystsamfund og infrastruktur.”

Omkring samme tid introducerede separat forskning en AI-surrogat¹ til at simulere udbredelsen af kysttidebølger i en estuar for hindcast- og forecast-formål. Denne tilgang accelererer simuleringer og indarbejder en fysikbaseret begrænsning for at opdage og korrigere unøjagtige resultater.

Ved at reducere tidsomkostningen for 12-dages forudsigelse med 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 realtidsforudsigelser i hurtig katastrofehåndtering.

Tidligere sidste år arbejdede et forskerteam ogsåarbejdede på at forbedre den neurale modellering² af Lagrange-fluiddynamik.

Baseret på dette forbedrede forskerne både træning og rollout-inferens af GNN-baserede simulatorer med varierende komponenter fra standard SPH-løsere, herunder viskøse, tryk- og eksterne kraftkomponenter. De neurale SPH-forbedrede simulatorer opnåede derefter bedre ydeevne end baseline GNN’erne, hvilket, som bemærket, muliggør betydeligt længere rollouts og bedre fysikmodellering.

Udvikling af ML-baserede surrogatmodeller i fluidssimulering

Når det gælder fluidssimulering, er en almindelig tilgang partikelteknikken, hvor partikler simulerer fluidstrømmens adfærd. Nogle bredt anvendte eksempler inkluderer glat partikelhydrodynamik (SPH), bevægende partikel semi-implicit (MPS) eller inkompressibel SPH.

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

I løbet af de sidste par år er flere ML-baserede surrogatmodeller blevet introduceret for at estimere fluiddynamik med lavere beregningsomkostninger.

Dette inkluderer brug af maskinlæring til at erstatte partikelmetoder og hurtig beregning af Lagrange-fluidssimuleringer, som involverer sporing af individuelle fluidpartikler og fokus på deres baner og egenskaber.

Selvom ML kan fremskynde Lagrange-fluidssimuleringer, har tidligere studier ikke kunnet validere generaliseringspræstationen af sådanne surrogatmodeller på tværs af forskellige fluidadfærd.

Derudover er de fleste af disse modeller blevet valideret under CFL-betingelsen, ligesom traditionelle Computational Fluid Dynamics (CFD)-metoder, hvilket begrænser deres evne til at reducere beregningstiden væsentligt.

Desuden var fokus i sådanne indledende studier ikke på nøjagtighed, men snarere på at efterligne fluidlignende adfærd i simuleringsmiljøer.

Så gjorde efterfølgende studier fremskridt med surrogatmodeller for SPH, som så en gradvis forbedring i nøjagtighed. Forskere brugte forskellige metoder til dette, såsom at anvende SPH-resultater som træningsdata til at udføre Lagrange-fluidanalyse med dybe neurale netværk (DNN) og introducere grafneuronale netværk (GNN) for at lære bevægelsen af fluidpartikler fra SPH-data, blandt andre.

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

Så førte udviklingen derfra til den nyere tendens med fokus på tryk i inkompressible væsker. Til dette accelererede forskere løsningen af PPE i MPS ved brug af DNN. De introducerede FGN eller fluidgrafnetværk (som udnytter GNN’er til at simulere fluiddynamik) ved at bruge MPS som træningsdata. De bekræftede dog ikke, om det estimerede tryk gengav de faktiske fænomener.

De fleste af disse studier har heller ikke afklaret effekten af forskellige funktionindstillinger på resultaterne. Men da resultaterne sandsynligvis afhænger af funktionindstillingerne, er det vigtigt at afsløre, hvilken funktion der er essentiel for surrogatmodeller til at reproducere væsker.

Så har en ny undersøgelse, publiceret i Applied Ocean Research³, præsenteret en partikelbaseret surrogatmodel, der kan anvendes på større tidsstegstørrelser og forskellige fluidfænomener.

Undersøgelsen præsenterede tre forbedrede grafnetværksbaserede simulatorer (GNS) versioner, hvor GNN lærte bevægelsen af fluidpartikler fra SPH-data. Dette inkluderer GNS med trykestimering (GNS-P), GNS med væggrænse-noder (GNS-W) og GNS med en kombination af begge (GNS-WP). 

I deres undersøgelse demonstrerede forskerne, at trykestimering er vigtig for præcis forudsigelse af væsker og bekræftede, at væggrænse-noder er afgørende for håndtering af de bevægelige væggrænsebetingelser. De viste også, at GNS-WP kunne gengive sloshing ret præcist, selv når simuleringshastigheden (tidsstegstørrelsen) var 10 gange større end træningsdataene.

Den foreslåede metode (GNS-WP), trænet i sloshing-scenariet, kan ifølge undersøgelsen anvendes på tre forskellige problemer — hydrostatisk, dæmbrud og frie oscillationstest.

Klik her for at lære, hvordan Venus Flower Basket genopfinder aero- og fluiddynamik.

Hurtigere, smartere og skalerbar GNN-drevet surrogatmodel

Den nye ML-baserede fluidssimuleringsmodel, der reducerer beregningstiden betydeligt uden at påvirke nøjagtigheden, er blevet skabt af forskere fra Osaka Metropolitan University. Denne hurtige og højpræcise metode har potentiel anvendelse i realtids oceanovervågning, skibsdesign og offshore energiproduktion.

De AI-drevne modeller får stor opmærksomhed inden for fluiddynamik takket være at gøre fluidssimuleringer simple og hurtigere. Dog har denne teknologi sine egne udfordringer. 

Som hovedforfatter, Takefumi Higaki, som er lektor ved Osaka Metropolitan University’s Graduate School of Engineering, bemærkede:

“AI kan levere fremragende resultater for specifikke problemer, men har ofte vanskeligheder, når den anvendes under forskellige betingelser.”

Så byggede teamet den nye model ved brug af grafneuronale netværk (GNN’er), en dyb læringsteknologi, for at levere et værktøj, der er konsekvent hurtigt og præcist.

GNN’er er en type neuralt netværksarkitektur, der behandler og lærer fra grafstrukturerede data. Grafer er datastrukturer bestående af noder, som er enheder som produkter og personer, og kanter, som repræsenterer relationer mellem dem. GNN’er analyserer store og komplekse relationer inden for grafen.

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

I den seneste undersøgelse er en node en fluidpartikel, mens kanten er interaktionen mellem disse partikler. 

Forskningsholdet fastslog først, hvilke faktorer der er vigtige for højpræcise fluidberegninger. De sammenlignede forskellige træningsbetingelser og vurderede derefter, hvor effektivt deres model kunne tilpasse sig forskellige simuleringshastigheder og varierende fluidbevægelser.

Teamet fandt, at resultaterne viste stærke generaliseringsevner på tværs af forskellige fluidadfærd, hvilket markant øgede hastigheden og reducerede den nødvendige behandlingstid. 

Deres teknik er blevet rapporteret at opnå en nøjagtighed på samme niveau eller endda bedre end MPS, med 10 gange hastigheden på CPU og mere end 200 gange hurtigere på GPU. Undersøgelsen bemærkede også, at selvom træningen kun brugte en kraftig sloshing-strøm, var GNS-WP i stand til at reproducere både rolige og statiske strømme med en anden væggrænse.

“Vores model bevarer samme nøjagtighedsniveau som traditionelle partikelbaserede simuleringer på tværs af forskellige fluidscenarier, samtidig med at beregningstiden reduceres fra cirka 45 minutter til kun tre minutter.”

– Higaki

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

Higaki sagde:

“Hurtigere og mere præcise fluidssimuleringer kan betyde en betydelig acceleration i designprocessen for skibe og offshore energisystemer. De muliggør også realtidsanalyse af fluidadfærd, hvilket kan maksimere effektiviteten af oceanenergisystemer.”

I modsætning til andre studier detaljerer dette en trin-for-trin forbedring af de partikelbaserede surrogatmodeller, hvilket hjælper med deres videre udvikling. 

I fremtidigt arbejde planlægger forskerne også at tackle udfordringerne med utilstrækkelig fysisk konsistens, håndtering af ukendt tryk og udvidelse af modellens anvendelse til komplekse og 3D-problemer. 

Givet metodens potentiale til at lære fra eksperimentelle data i den virkelige verden, har teamet yderligere til hensigt at bruge denne undersøgelse som grundlag for at genskabe komplekse fluidadfærd, hvis styrende ligninger ikke er kendt, såsom flerfaset strømninger med diskontinuerlige materialer.

Innovativ virksomhed

Huntington Ingalls Industries, Inc.

En stor skibsbygger for den amerikanske flåde, Huntington Ingalls Industries (HII ), udforsker konstant forbedringer i fluiddynamik-simuleringer for at strømline skibsdesign og præstationstest.

Virksomheden bygger den næste generation af smarte forsvars- og intelligenssystemer og udnytter kunstig intelligens (AI) til dette formål. Ved at kombinere kraften fra cloud computing og edge-enheder med skræddersyet software håber HII at gøre problemfri menneske-AI-teams til standard 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 et bredt udvalg af forsvarsbehov, herunder radiofrekvensspektrum, automatiseret analyse af billedmateriale, cyberdata, akustisk miljø og naturligt sprog til efterretningsproduktion.

HII udnytter også sin dybe domæne- og datakendskab til at bygge ML for missionsresiliens, operationel beredskab og flådestøtte under udfordret logistik. Som en udvidelse af deres simulatorbaserede træning er de involveret i udviklingen af ML-baserede operationelle beslutningshjælpemidler.

Derudover har den autonome maritime platformudvikler implementeret dyb læring (DL) AI med transformer-baserede arkitekturer til præcis signal-søgning i massive mængder af stærkt rodet data.

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

HII’s AI-drevne digitale tvillinger muliggør derimod test, validering og besparelse af ressourcer fra skibsbygning til flådestøtte. Dets avancerede autonomisuite, Odyssey, omdanner ethvert køretøj til en intelligent robotplatform, der muliggør multi-køretøjs samarbejdende autonomi, sundhedsovervågning, sensorfusion og AI-drevet perception. 

Så bruger virksomheden i vid udstrækning den nyeste teknologi til at øge sin produktivitet og optimere sine processer. Dog anerkender HII, at de iboende usikkerheder ved AI kan føre til operationelle ineffektiviteter og konkurrenceulemper, især hvis deres værktøjer viser sig utilstrækkelige.

Finansielt set har den tværgående forsvarsleverandør en markedsværdi på 7,25 milliarder dollars, og dens aktier handles på tidspunktet for skrivning til 184,95 dollars, ned 2,13 % indtil videre i år. Med dette er dens EPS (TTM) 13,96, P/E (TTM)-forholdet 13,25, og ROE (TTM) 12,56 %. Hvad angår udbytteafkastet, er det en fin 2,92 %.

Når det gælder virksomhedens økonomi, rapporterede selskabet rapporterede en omsætning på 3 milliarder dollars sammenlignet med 3,2 milliarder dollars i samme kvartal året før. Dette fald skyldtes lavere volumen i alle segmenter. Non-GAAP driftsindtægt faldt også fra 330 millioner dollars i 4Q23 til 103 millioner dollars, hvilket blev drevet af lavere præstation i 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.

For hele året var HII’s omsætning 11,5 milliarder dollars, en lille stigning (mindre end 1 %) fra 2023 på grund af højere volumener hos Ingalls Shipbuilding og Mission Technologies. Den udvaskede indtjening per aktie var 13,96 dollars. 

Netto kontanter fra driftsaktiviteter var 393 millioner dollars, mens fri pengestrøm var 40 millioner dollars, et stort fald fra henholdsvis 970 millioner og 692 millioner dollars året før.

I 2024 rapporterede virksomheden også, at den nåede kritiske skibsbygningsmilepæle, herunder levering af amfibisk transportdok Richard M. McCool Jr. (LPD 29) og Virginia-klasse ubåd New Jersey (SSN 796). HII’s Mission Technologies-segment sikrede derimod kontrakter med en samlet kontraktværdi på over 12 milliarder dollars.

“Vi fortsætter med at gøre fremskridt med skibe, der er sat under kontrakt før COVID, og arbejder ihærdigt med vores kunder for at placere over 50 milliarder dollars af nyt arbejde under kontrakt. Mission Technologies fortsatte sin stærke historik med top-line vækst og marginudvidelse. Vi går ind i 2025 fokuseret på vores mission om at levere verdens mest kraftfulde skibe og tværgående løsninger i tjeneste for nationen.”

– CEO og præsident Chris Kastner

Konklusion

AI-drevne fluidssimuleringsmodeller har i et stykke tid hjulpet med at fremme feltet fluiddynamik. Den seneste AI-model, som bruger grafneuronale netværk, har dog vist imponerende resultater. Den viser ikke kun et stort potentiale for at bygge bro mellem nøjagtighed og effektivitet, men muliggør også hurtigere, realtidsapplikationer i den maritime industri.

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