Fluidintelligenz: KI definiert neu, wie wir das Meer simulieren

Künstliche Intelligenz (KI) transformiert unsere Welt rasant. Durch die Automatisierung repetitiver Aufgaben, die Optimierung von Arbeitsabläufen und die Verbesserung von Entscheidungsprozessen verspricht diese Technologie erhebliche Effizienz- und Produktivitätsgewinne in allen Branchen. 

Mit diesem Schub an Produktivität und Effizienz wird prognostiziert, dass KI weltweit Billionen zum Wirtschaftswachstum und zur Entwicklung beitragen wird. 

KI hat zudem ein enormes Potenzial gezeigt bei der Bewältigung komplexer Herausforderungen wie Krankheiten und Klimawandel und treibt Innovationen in verschiedenen Sektoren voran, um die Schaffung neuer Produkte, Dienstleistungen und Geschäftsmodelle zu ermöglichen. 

Eine interessante Anwendung von KI ist ebenfalls in der Fluidanalyse zu beobachten. In Maschinen wird die Prüfung von Flüssigkeiten wie Schmierstoffen, Kühlmitteln und Kraftstoffen durchgeführt, um Probleme zu identifizieren, die auf potenzielle Störungen oder Ausfälle hinweisen können.

Dies ermöglicht rechtzeitige Wartung und Reparaturen, was wiederum kostspielige Ausfälle und Stillstandszeiten verhindern kann. Es reduziert zudem den Bedarf an umfangreichen Reparaturen und Ersatzteilen und stellt sicher, dass die Maschinen mit maximaler Leistung arbeiten.

Jahrelang war die Fluidanalyse recht langwierig und umständlich. Doch das Aufkommen von KI hat den gesamten Prozess vereinfacht, effizienter und präziser gemacht. 

Schließlich nutzen KI- und Machine-Learning-Methoden massive Datensätze, lernen daraus und treffen anschließend Vorhersagen. Die Technologie kann den vollständigen Datensatz eines Assets über dessen Lebensdauer berücksichtigen, mehrere Signale gleichzeitig verwenden und durch Feedback lernen, sich anzupassen. 

Fluidanalyse geht jedoch weit über Öl in Maschinen hinaus. Im Küsten- und Ozeaningenieurwesen spielt das Verhalten von Flüssigkeiten eine entscheidende Rolle bei der Gestaltung maritimer Strukturen, der Modellierung von Küstenveränderungen und sogar bei der Nutzung von Wellen- und Gezeitenenergie. 

Fortschrittliche Küsten- und Meeresintelligenz mit KI

Im Küsteningenieurwesen hat KI zahlreiche Verbesserungen erzielt, indem sie Probleme wie Sedimenttransport, Küstendynamik, Designoptimierung, Küstenüberwachung und Klimawiderstandsfähigkeit angeht.

Ein Beispiel dafür wurde Ende letzten Jahres gesehen, als Forscher der City University of Hong Kong maschinelles Lernen einsetzten, um die Genauigkeit der Modellierung des Windfeldes der Grenzschicht tropischer Wirbelstürme zu verbessern.

„Wir Menschen leben in dieser Grenzschicht, daher ist das Verständnis und die genaue Modellierung von entscheidender Bedeutung für die Sturmvorhersage und die Gefahrenvorsorge.“

– Autor Qiusheng Li

Da die Luft in dieser Schicht mit Land, Ozean und allem anderen an der Oberfläche interagiert, war die Modellierung recht herausfordernd. Trotz traditioneller Ansätze, die riesige Datenmengen nutzen und große numerische Simulationen auf Supercomputern ausführen, führen sie häufig zu ungenauen oder unvollständigen Vorhersagen.

Die neueste Studie nutzte ein fortschrittliches physik-informiertes ML‑Framework, das nur eine geringe Menge realer Daten benötigt, um das komplexe Verhalten der Windfelder tropischer Wirbelstürme zu erfassen, die Informationen über die Struktur, Intensität und potenzielle Auswirkungen des Sturms enthalten. Der Autor Feng Hu sagte:

„Mit häufigeren und intensiveren Hurrikans infolge des Klimawandels könnte unser Modell die Genauigkeit von Windfeldvorhersagen erheblich verbessern. Dieser Fortschritt kann Wettervorhersagen und Risikobewertungen verfeinern, rechtzeitige Warnungen liefern und die Widerstandsfähigkeit von Küstengemeinden und Infrastruktur stärken.“

Zur gleichen Zeit stellte separate Forschung ein KI‑Surrogat vor¹ zur Simulation der Ausbreitung von Küsten‑Tidenwellen in einem Ästuar für Rück‑ und Vorhersagezwecke. Dieser Ansatz beschleunigt Simulationen und integriert eine physikbasierte Einschränkung, um ungenaue Ergebnisse zu erkennen und zu korrigieren.

Durch die Reduzierung der Zeitkosten einer 12‑tägigen Vorhersage traditioneller ROMS‑Simulationen auf nur 22 Sekunden leistet die Forschung einen Beitrag zur ozeanographischen Modellierung, indem sie eine schnelle, genaue und physikalisch konsistente Alternative zu herkömmlichen Simulationsmodellen bietet, insbesondere für Echtzeitvorhersagen im Rahmen schneller Katastrophenreaktionen.

Anfang des letzten Jahres arbeitete ein Forscherteam ebenfalls an der Verbesserung der neuronalen Modellierung² der lagrangischen Fluiddynamik.

Auf dieser Grundlage verbesserten die Forscher sowohl das Training als auch die Rollout‑Inference von GNN‑basierten Simulatoren mit variierenden Komponenten von Standard‑SPH‑Lösern, einschließlich viskoser, Druck‑ und externer Kraftkomponenten. Die neuronalen, SPH‑verbesserten Simulatoren erzielten dann eine bessere Leistung als die Basis‑GNNs, was, wie festgestellt wurde, deutlich längere Rollouts und eine bessere physikalische Modellierung ermöglicht.

Entwicklung von ML‑basierten Surrogatmodellen in der Fluidsimulation

Bei der Fluidsimulation ist ein gängiger Ansatz die Partikeltechnik, bei der Partikel das Verhalten des Fluidflusses simulieren. Zu den weit verbreiteten Beispielen gehören Smoothed Particle Hydrodynamics (SPH), Moving Particle Semi‑Implicit (MPS) oder Incompressible SPH.

Allerdings benötigen diese Techniken umfangreiche Rechenressourcen, einschließlich Rechenleistung, Zeit und Kosten. In den letzten Jahren ist das Bedürfnis gewachsen, reale Flüssigkeiten in allen Phasen des Engineerings – von Design, Fertigung und Entwicklung bis hin zu Verifikation, Betrieb und Visualisierung – zu simulieren, sodass die Rechenzeit ebenfalls reduziert werden muss.

In den letzten Jahren wurden mehrere ML‑basierte Surrogatmodelle eingeführt, um die Fluiddynamik mit geringeren Rechenkosten abzuschätzen.

Dazu gehört der Einsatz von Machine Learning, um Partikelmethoden zu ersetzen und die schnelle Berechnung lagrangischer Fluidsimulationen zu ermöglichen, bei denen einzelne Fluidpartikel verfolgt und deren Bahnen und Eigenschaften fokussiert werden.

Obwohl ML lagrangische Fluidsimulationen beschleunigen kann, konnten frühere Studien die Generalisierungsleistung solcher Surrogatmodelle über unterschiedliche Fluidverhalten hinweg nicht validieren.

Hinzu kommt, dass die meisten dieser Modelle unter der CFL‑Bedingung validiert wurden, ähnlich wie traditionelle Computational Fluid Dynamics (CFD)-Methoden, was ihre Fähigkeit, die Rechenzeit erheblich zu reduzieren, einschränkt.

Zudem lag der Fokus dieser frühen Studien nicht auf Genauigkeit, sondern darauf, flüssigkeitsähnliches Verhalten in Simulationsumgebungen zu replizieren.

So machten nachfolgende Studien Fortschritte bei Surrogatmodellen für SPH, die eine schrittweise Verbesserung der Genauigkeit zeigten. Forscher nutzten verschiedene Methoden, etwa die Verwendung von SPH‑Ergebnissen als Trainingsdaten für lagrangische Fluidanalysen mit Deep Neural Networks (DNN) und die Einführung von Graph Neural Networks (GNN), um die Bewegung von Fluidpartikeln aus SPH‑Daten zu erlernen, unter anderem.

Allerdings zielten diese nicht darauf ab, den Druck zu schätzen, einen der wesentlichen Faktoren zum Verständnis der Fluidmechanik und ihrer Wechselwirkung mit Strukturen.

Daraus entwickelte sich der aktuelle Trend, sich auf den Druck inkompressibler Flüssigkeiten zu konzentrieren. Dafür beschleunigten Wissenschaftler die Lösung der Druck‑Poisson‑Gleichung (PPE) in MPS mittels DNN. Sie stellten FGN oder Fluid Graph Networks vor (die GNNs nutzen, um Fluiddynamik zu simulieren) und verwendeten MPS als Trainingsdaten. Sie bestätigten jedoch nicht, ob der geschätzte Druck die tatsächlichen Phänomene reproduzierte.

Die meisten dieser Studien haben zudem nicht geklärt, welchen Einfluss unterschiedliche Feature‑Einstellungen auf die Ergebnisse haben. Da die Resultate wahrscheinlich von den Feature‑Einstellungen abhängen, ist es wichtig, zu ermitteln, welches Feature für Surrogatmodelle entscheidend ist, um Flüssigkeiten zu reproduzieren.

So präsentierte eine neue Studie, veröffentlicht in Applied Ocean Research³, ein partikelbasiertes Surrogatmodell, das auf größere Zeitschrittgrößen und verschiedene Fluidphänomene anwendbar ist.

Die Studie stellte drei verbesserte, graph‑netzwerkbasierte Simulator‑Versionen (GNS) vor, bei denen GNN die Bewegung von Fluidpartikeln aus SPH‑Daten erlernte. Dazu gehören GNS mit Druckschätzung (GNS‑P), GNS mit Wand‑Grenzknoten (GNS‑W) und GNS mit einer Kombination aus beidem (GNS‑WP).

In ihrer Studie zeigten die Forscher, dass die Druckschätzung wichtig für die genaue Vorhersage von Fluiden ist und bestätigten, dass die Wand‑Grenzknoten entscheidend für die Handhabung der beweglichen Wand‑Randbedingungen sind. Sie zeigten zudem, dass GNS‑WP das Schlingern (sloshing) recht genau replizieren konnte, selbst wenn die Simulationsgeschwindigkeit (die Zeitschrittgröße) zehnmal größer war als die der Trainingsdaten.

Die vorgeschlagene Methode (GNS‑WP), die im Schlingern‑Szenario trainiert wurde, kann laut Studie auf drei verschiedene Probleme angewendet werden – hydrostatische, Dam‑Break‑ und freie Schwingungstests.

Klicken Sie hier, um zu erfahren, wie der Venusblumenkorb die Aero‑ und Fluiddynamik neu gestaltet.

Schneller, intelligenter & skalierbares GNN‑basiertes Surrogatmodell

Das neue ML‑basierte Fluid‑Simulationsmodell, das die Rechenzeit erheblich reduziert, ohne die Genauigkeit zu beeinträchtigen, wurde von Forschern der Osaka Metropolitan University entwickelt. Diese schnelle und hochpräzise Methode hat Potenzial für den Einsatz in der Echtzeit‑Ozeanüberwachung, dem Schiffdesign und der Offshore‑Stromerzeugung.

KI‑gestützte Modelle gewinnen im Bereich der Fluiddynamik stark an Bedeutung, da sie Fluid‑Simulationen vereinfachen und beschleunigen. Diese Technologie bringt jedoch auch eigene Herausforderungen mit sich.

Wie der Hauptautor Takefumi Higaki, Assistenzprofessor an der Graduate School of Engineering der Osaka Metropolitan University, bemerkte:

„KI kann außergewöhnliche Ergebnisse für spezifische Probleme liefern, hat jedoch oft Schwierigkeiten, wenn sie auf unterschiedliche Bedingungen angewendet wird.“

Daher entwickelte das Team das neue Modell mithilfe von Graph Neural Networks (GNNs), einer Deep‑Learning‑Technologie, um ein Werkzeug zu schaffen, das durchgehend schnell und genau ist.

GNNs sind eine Art von neuronaler Netzwerkarchitektur, die Graph‑strukturierte Daten verarbeitet und aus ihnen lernt. Graphen sind Datenstrukturen, die aus Knoten bestehen – Entitäten wie Produkte und Personen – und Kanten, die die Beziehungen zwischen ihnen darstellen. GNNs analysieren große und komplexe Beziehungen innerhalb des Graphen.

Dieses neuronale Netzwerk wird in der Analyse sozialer Netzwerke eingesetzt, um Muster zu verstehen, Nutzerpräferenzen basierend auf Interaktionen vorherzusagen, die Eigenschaften von Materialien zu modellieren und potenzielle Wirkstoffkandidaten zu identifizieren sowie deren Wirksamkeit vorherzusagen.

In der neuesten Studie ist ein Knoten ein Fluidpartikel, während die Kante die Interaktion zwischen diesen Partikeln darstellt. 

Das Forschungsteam ermittelte zunächst, welche Faktoren für hochpräzise Fluidberechnungen wichtig sind. Sie verglichen verschiedene Trainingsbedingungen und bewerteten anschließend, wie effektiv ihr Modell sich an unterschiedliche Simulationsgeschwindigkeiten und variierende Fluidbewegungen anpassen konnte.

Das Team stellte fest, dass die Ergebnisse eine starke Generalisierungsfähigkeit über verschiedene Fluidverhalten hinweg zeigten, die Geschwindigkeit erheblich steigerten und die benötigte Verarbeitungszeit deutlich verringerten.

Ihre Technik soll eine Genauigkeit erreichen, die dem Niveau von MPS entspricht oder sogar besser ist, mit dem 10‑fachen Tempo auf CPU und über 200‑fach schneller auf GPU. Die Studie stellte zudem fest, dass GNS‑WP trotz des Trainings ausschließlich mit einem intensiven Schlingern‑Fluss sowohl ruhige als auch statische Strömungen mit einer anderen Wand‑Grenze erfolgreich reproduzieren konnte.

„Unser Modell behält das gleiche Genauigkeitsniveau wie traditionelle, partikelbasierte Simulationen bei, über verschiedene Fluid‑Szenarien hinweg, während die Rechenzeit von etwa 45 Minuten auf nur drei Minuten reduziert wird.“

– Higaki

Mit diesem Erfolg bietet die Forschung eine skalierbare und generalisierbare Lösung für Hochleistungs‑Fluidsimulationen, die Effizienz und Genauigkeit ausbalanciert. Noch wichtiger ist, dass diese Verbesserungen nicht auf das Labor beschränkt sind.

Higaki sagte:

„Schnellere und präzisere Fluidsimulationen können zu einer erheblichen Beschleunigung des Designprozesses für Schiffe und Offshore‑Energiesysteme führen. Sie ermöglichen zudem die Echtzeitanalyse des Fluidverhaltens, was die Effizienz von Ozeanenergiesystemen maximieren könnte.“

Im Gegensatz zu anderen Studien beschreibt diese eine schrittweise Verbesserung der partikelbasierten Surrogatmodelle, was deren Weiterentwicklung unterstützt. 

In zukünftigen Arbeiten planen die Forscher, die Herausforderungen unzureichender physikalischer Konsistenz, das Management unbekannten Drucks und die Erweiterung der Modellanwendung auf komplexe und 3‑D‑Probleme anzugehen. 

Angesichts des Potenzials der vorgeschlagenen Methode, aus experimentellen Daten in der realen Welt zu lernen, beabsichtigt das Team, diese Studie als Grundlage zu nutzen, um komplexe Fluidverhalten zu rekonstruieren, deren Grundgleichungen unbekannt sind, wie mehrphasige Strömungen mit diskontinuierlichen Materialien.

Innovatives Unternehmen

Huntington Ingalls Industries, Inc.

Als bedeutender Schiffbauer für die US‑Marine erkundet Huntington Ingalls Industries (HII ) ständig Verbesserungen in Fluiddynamik‑Simulationen, um die Schiffskonstruktion und Leistungstests zu optimieren.

Das Unternehmen entwickelt die nächste Generation intelligenter Verteidigungs‑ und Intelligenzsysteme und nutzt dafür künstliche Intelligenz (KI). Durch die Kombination von Cloud‑Computing und Edge‑Geräten mit maßgeschneiderter Software hofft HII, nahtlose Mensch‑KI‑Teams zum Standard zukünftiger Operationen zu machen.

Bei HII werden hochmoderne KI‑ und Machine‑Learning‑Algorithmen entwickelt, getestet und integriert, um missionskritische Systeme und Plattformen zu optimieren und zu beschleunigen.

Die fortschrittlichen ML‑Anwendungen des Unternehmens unterstützen ein breites Spektrum von Verteidigungsbedürfnissen, darunter das Funkspektrum, automatisierte Bildanalyse, Cyber‑Daten, akustische Umgebung und natürliche Sprache für die Informationsgewinnung.

HII nutzt zudem sein tiefes Fach- und Datenwissen, um ML für Missionsresilienz, operative Einsatzbereitschaft und Flottenunterhalt unter umkämpften Logistikbedingungen zu entwickeln. Als Erweiterung seines simulatorbasierten Trainings ist es an der Entwicklung von ML‑basierten operativen Entscheidungsunterstützungen beteiligt.

Zusätzlich hat der Entwickler autonomer maritimer Plattformen Deep Learning (DL) KI mit transformer‑basierten Architekturen für die präzise Signalsuche in riesigen Mengen stark verrauschter Daten eingesetzt.

HII nutzt und kombiniert Daten aus verschiedenen Modalitäten, einschließlich RF‑Spektralsignale, geospatiale Bilddaten und natürliche Sprachmedien, um die Genauigkeit zu verbessern. Es setzt zudem fortschrittliche NLP‑Technologie auf Basis von DL und ML ein, um bei der Informationssortierung und -verknüpfung für globale Missionen zu unterstützen.

Die KI‑gestützten digitalen Zwillinge von HII ermöglichen gleichzeitig Tests, Validierungen und Ressourceneinsparungen vom Schiffbau bis zum Flottenunterhalt. Die fortschrittliche Autonomie‑Suite Odyssey verwandelt jedes Fahrzeug in eine intelligente Roboterplattform, die kollaborative Autonomie mehrerer Fahrzeuge, Gesundheitsüberwachung, Sensorfusion und KI‑gestützte Wahrnehmung ermöglicht.

So nutzt das Unternehmen umfangreich die neueste Technologie, um seine Produktivität zu steigern und Prozesse zu optimieren. Allerdings erkennt HII an, dass die inhärenten Unsicherheiten von KI zu betrieblichen Ineffizienzen und Wettbewerbsnachteilen führen können, insbesondere wenn ihre Werkzeuge unzureichend sind.

Finanziell gesehen hat der All‑Domain‑Verteidigungsanbieter eine Marktkapitalisierung von 7,25 Milliarden USD, wobei die Aktien zum Zeitpunkt der Erstellung bei 184,95 USD gehandelt wurden, ein Rückgang von 2,13 % im bisherigen Jahresverlauf. Damit beträgt das EPS (TTM) 13,96, das KGV (TTM) 13,25 und die Eigenkapitalrendite (ROE, TTM) 12,56 %. Die Dividendenrendite liegt bei ansehnlichen 2,92 %.

Bezogen auf die Unternehmensfinanzen meldete das Unternehmen für das 4. Quartal 2024 einen Umsatz von 3 Milliarden USD im Vergleich zu 3,2 Milliarden USD im selben Quartal des Vorjahres. Dieser Rückgang war auf ein geringeres Volumen in allen Segmenten zurückzuführen. Der Non‑GAAP‑Betriebsgewinn sank ebenfalls von 330 Millionen USD im 4Q23 auf 103 Millionen USD, bedingt durch eine schwächere Leistung bei 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.

Für das Gesamtjahr betrug der Umsatz von HII 11,5 Milliarden USD, ein leichter Anstieg (weniger als 1 %) gegenüber 2023, bedingt durch höhere Volumina bei Ingalls Shipbuilding und Mission Technologies. Der verwässerte Gewinn pro Aktie lag bei 13,96 USD. 

Der Netto‑Cashflow aus operativen Tätigkeiten betrug 393 Millionen USD, während der freie Cashflow 40 Millionen USD ausmachte, ein starker Rückgang gegenüber 970 Millionen USD bzw. 692 Millionen USD im Vorjahr.

Im Jahr 2024 meldete das Unternehmen zudem das Erreichen kritischer Schiffbaumeilensteine, darunter die Auslieferung des amphibischen Transportschiffs Richard M. McCool Jr. (LPD 29) und der Virginia‑Klasse‑U‑Boot New Jersey (SSN 796). Der Geschäftsbereich Mission Technologies sicherte zudem Aufträge mit einem Gesamtnutzen von über 12 Milliarden USD.

„Wir setzen unseren Fortschritt bei vor COVID abgeschlossenen Schiffsaufträgen fort und arbeiten intensiv mit unseren Kunden zusammen, um über 50 Milliarden USD an neuen Aufträgen zu sichern. Mission Technologies setzte seine starke Erfolgsbilanz bei Umsatzwachstum und Margenerweiterung fort. Wir gehen 2025 mit dem Fokus auf unsere Mission, die leistungsstärksten Schiffe und All‑Domain‑Lösungen im Dienst der Nation zu liefern, an.“

– CEO und Präsident Chris Kastner

Fazit

KI‑gestützte Fluid‑Simulationsmodelle tragen seit einiger Zeit zur Weiterentwicklung des Feldes der Fluiddynamik bei. Das neueste KI‑Modell, das Graph Neural Networks verwendet, hat beeindruckende Ergebnisse erzielt. Es zeigt ein hohes Potenzial, die Lücke zwischen Genauigkeit und Effizienz zu schließen, und ermöglicht schnellere Echtzeitanwendungen in der maritimen Industrie.

Diese Technologie kann vielversprechend sein, um das Design und die Prüfung von Schiffen und Offshore‑Infrastrukturen zu beschleunigen und erneuerbare Ozeanenergiesysteme zu optimieren. Das KI‑basierte Fluid‑Simulationsmodell kann zu saubererem und intelligenterem Ozeaningénieurwesen beitragen und eine florierende Zukunft ermöglichen!