Nestefysiikka: AI määrittelee uudelleen, miten simuloimme meren

Tekoäly (AI) muuttaa maailmaamme nopeasti. Automatisoimalla toistuvia tehtäviä, optimoimalla työnkulkuja ja parantamalla päätöksentekoa, tämä teknologia lupaa merkittäviä parannuksia tehokkuudessa ja tuottavuudessa eri toimialoilla. 

Tämän tuottavuus- ja tehokkuusparannuksen myötä AI:n odotetaan tuovan biljoonia talouskasvuun ja kehitykseen maailmanlaajuisesti. 

AI on myös näyttänyt valtavaa potentiaalia monimutkaisten haasteiden, kuten tautien ja ilmastonmuutoksen, ratkaisemisessa sekä innovaation edistämisessä eri sektoreilla, mahdollistaen uusien tuotteiden, palveluiden ja liiketoimintamallien luomisen. 

Mielenkiintoinen AI:n sovellus on myös nesteanalyysi. Koneissa nesteiden, kuten voiteluaineiden, jäähdytysnesteiden ja polttoaineiden, testaamista tehdään mahdollisten ongelmien tai vikojen havaitsemiseksi.

Tämä mahdollistaa ajoissa tapahtuvan ylläpidon ja korjaukset, mikä auttaa estämään kalliita rikkoutumisia ja seisokkeja. Se myös vähentää suurten korjausten ja vaihtojen tarvetta ja varmistaa, että laitteet toimivat huippukunnossaan.

Vuosien ajan nesteanalyysi on ollut melko pitkä ja kömpelö prosessi. Mutta AI:n tulo on tehnyt koko prosessista yksinkertaisemman, tehokkaamman ja tarkemman. 

Loppujen lopuksi AI- ja koneoppimistekniikat käyttävät valtavia tietoaineistoja, oppivat niistä ja tekevät sitten ennusteita. Teknologia voi ottaa huomioon omaisuuden koko elinkaaren tietoaineiston, käyttää useita signaaleja samanaikaisesti ja oppia sopeutumaan palautteen kautta. 

Nesteanalyysi kuitenkin ulottuu paljon pidemmälle kuin koneiden öljy. Rannikko- ja meritekniikassa nesteen käyttäytyminen on keskeisessä roolissa merirakenteiden suunnittelussa, rannanmuutosten mallintamisessa ja jopa aalto- ja vuorovesien energian hyödyntämisessä. 

Rannikko- ja meritiedon edistäminen tekoälyn avulla

Rannikkotekniikassa AI on tuonut monia parannuksia käsittelemällä ongelmia, kuten sedimenttien kuljetus, rannan dynamiikka, suunnittelun optimointi, rannikon seuranta ja ilmastonmuutokseen sopeutuminen.

Tämä esimerkki nähtiin viime vuoden lopulla, kun Hongkongin City Universityn tutkijat hyödynsivät koneoppimista parantaakseen trooppisten syklonien raja-kerroksen tuulikentän mallinnuksen tarkkuutta.

“Me ihmiset elämme tässä raja-kerroksessa, joten sen ymmärtäminen ja tarkka mallintaminen on olennaista myrskyennusteissa ja vaaratilanteiden varautumisessa.”

– Tekijä Qiusheng Li

Koska tässä kerroksessa oleva ilma vuorovaikuttaa maaston, meren ja kaiken muun pinnan tasolla, mallintaminen on ollut melko haastavaa. Perinteiset lähestymistavat, jotka käyttävät valtavia määriä dataa ja suorittavat suuria numeerisia simulaatioita supertietokoneilla, johtavat silti usein epätarkkoihin tai puutteellisiin ennusteisiin.

Viimeisin tutkimus käytti edistynyttä fysiikkaan perustuvaa ML-viitekehystä, joka vaatii vain vähän todellista dataa trooppisten syklonien tuulikenttien monimutkaisen käyttäytymisen tallentamiseen, sisältäen tietoa myrskyn rakenteesta, voimakkuudesta ja mahdollisesta vaikutuksesta. Tekijä Feng Hu sanoi:

“Ilmastonmuutoksen myötä yleistyvät ja voimistuvat hurrikaanit antavat mahdollisuuden, että mallimme voi merkittävästi parantaa tuulikenttäennusteiden tarkkuutta. Tämä edistys voi tarkentaa säätietoja ja riskianalyysejä, tarjota ajoissa varoituksia ja vahvistaa rannikkoyhteisöjen ja -infrastruktuurin resilienssiä.”

Saman aikaan erillinen tutkimus esitteli AI-sijaismallin¹ rannikkotulvavesien etenemisen simuloimiseksi estuaryssä takautuviin ja ennusteisiin. Tämä lähestymistapa nopeuttaa simulaatioita ja sisällyttää fysiikkaan perustuvan rajoituksen epätarkkojen tulosten havaitsemiseksi ja korjaamiseksi.

Vähentämällä perinteisten ROMS-simulaatioiden 12 päivän ennusteen aikakustannusta vain 22 sekuntiin, tutkimus edistää merentutkimuksen mallintamista tarjoamalla nopean, tarkkan ja fysiikallisesti johdonmukaisen vaihtoehdon perinteisille simulaatiomalleille, erityisesti reaaliaikaisessa ennustamisessa nopeassa katastrofivasteessa.

Aikaisemmin viime vuonna tutkimusryhmä myös työskenteli parantaakseen neuroverkkomallinnusta² Lagrange‑n nestedynamiikassa.

Tämän perusteella tutkijat paransivat sekä koulutusta että rollout‑inferenciaa GNN-pohjaisissa simulaattoreissa käyttäen erilaisia komponentteja standardeista SPH-ratkaisuista, mukaan lukien viskositeetti-, paine- ja ulkoisvoima‑komponentit.  Neuro‑SPH‑parannettuja simulaattoreita saavutettiin parempi suorituskyky kuin perus‑GNN-malleissa, mikä mahdollistaa huomattavasti pidemmät rolloutin ja paremman fysiikan mallinnuksen.

ML-pohjaisten sijaismallien evoluutio nestesimulaatiossa

Nestesimulaatiossa yleinen lähestymistapa on hiukkasmenetelmä, jossa hiukkaset simuloivat nestevirran käyttäytymistä. Laajasti käytettyjä esimerkkejä ovat tasoitettu hiukkas‑hydrodynamiikka (SPH), liikkuva hiukkas‑semi‑implisiittinen (MPS) tai kompressioton SPH.

Kuitenkin nämä tekniikat vaativat laajoja laskentaresursseja, kuten prosessointitehoa, aikaa ja kustannuksia.  Viime vuosina tarve simuloida todellisia nesteitä kaikissa insinöörityön vaiheissa, suunnittelusta, valmistuksesta ja kehityksestä tarkistukseen, käyttöön ja visualisointiin, on kasvanut, joten myös laskenta‑aikaa on vähennettävä.

Viime vuosina on otettu käyttöön useita ML-pohjaisia sijaismalleja, jotka arvioivat nestedynamiikkaa pienemmillä laskentakustannuksilla.

Tämä sisältää koneoppimisen käytön hiukkasmenetelmien korvaamiseen ja Lagrange‑n nestesimulaatioiden nopeaan laskentaan, jossa seurataan yksittäisiä nestepartikkeleita ja keskitytään niiden ratoihin ja ominaisuuksiin.

Vaikka ML voi nopeuttaa Lagrange‑n nestesimulaatioita, aikaisemmat tutkimukset eivät ole pystyneet varmistamaan tällaisten sijaismallien yleistymiskykyä erilaisissa nestekäyttäytymisissä.

Lisäksi suurin osa näistä malleista on validoitu CFL‑ehdon alaisena, aivan kuten perinteiset laskennallisen nestedynamiikan (CFD) menetelmät, mikä rajoittaa niiden kykyä merkittävästi vähentää laskenta‑aikaa.

Lisäksi näiden alkuperäisten tutkimusten painopiste ei ollut tarkkuudessa, vaan nestemäisen käyttäytymisen jäljittelemisessä simulaatioympäristöissä.

Näin ollen myöhemmät tutkimukset edistivät SPH‑sijaismalleja, jotka kokivat asteittaisen tarkkuuden parantumisen. Tutkijat käyttivät tähän erilaisia menetelmiä, kuten SPH‑tulosten käyttöä koulutusdatana Lagrange‑n nesteanalyysin suorittamiseen syvien neuroverkkojen (DNN) avulla sekä graafineuroverkkojen (GNN) käyttöönottoa nestepartikkeleiden liikkeen oppimiseen SPH‑datasta, muiden muassa.

Kuitenkin nämä eivät pyrkineet arvioimaan painetta, joka on yksi olennaisista tekijöistä nestemekaniikan ja sen vuorovaikutuksen ymmärtämisessä rakenteiden kanssa.

Tästä kehityksestä johtui viimeaikainen suuntaus, jossa keskitytään kompressiottomien nesteiden paineeseen. Tätä varten tutkijat nopeuttivat PPE:n ratkaisua MPS:ssä käyttämällä DNN:ää. He esittelivät FGN:n tai nestegraafiverkot (jotka hyödyntävät GNN:itä nestedynamiikan simulointiin) käyttämällä MPS:ää koulutusdatana. He eivät kuitenkaan vahvistaneet, toistuuko arvioitu paine todellisessa ilmiössä.

Useimmissa näistä tutkimuksista ei myöskään ole selvennetty eri ominaisuuksien asetusten vaikutusta tuloksiin. Koska tulokset todennäköisesti riippuvat ominaisuuksien asetuksista, on tärkeää paljastaa, mikä ominaisuus on olennaista sijaismallien nestekäyttäytymisen toistamisessa.

Niinpä uusi tutkimus, julkaistu Applied Ocean Research -lehdessä³, on esitellyt hiukkasperusteisen sijaismallin, jota voidaan soveltaa suurempiin aikaväleihin ja erilaisiin nestefenomenaaleihin.

Tutkimus esitteli kolme parannettua graafiverkko‑pohjaista simulaattoria (GNS) -versiota, joissa GNN oppi nestepartikkeleiden liikkeen SPH‑datasta. Näihin kuuluvat GNS paineen arvioinnilla (GNS-P), GNS seinärajan solmuilla (GNS-W) ja GNS yhdistelmällä molemmista (GNS-WP). 

Tutkimuksessaan tutkijat osoittivat, että paineen arviointi on tärkeää nestekäyttäytymisen tarkkaan ennustamiseen, ja vahvistivat, että seinärajan solmut ovat olennaisia liikkuvien seinärajojen hallinnassa. He myös näyttivät, että GNS-WP pystyi toistamaan heilahtelun melko tarkasti, vaikka simulaation nopeus (aikavälin koko) oli 10‑kertaisesti suurempi kuin koulutusdatassa.

Ehdotettu menetelmä (GNS-WP), joka koulutettiin heilahteluskenaariossa, voidaan tutkimuksen mukaan soveltaa kolmeen eri ongelmaan — hydrostaattiseen, patovaurioon ja vapaan värähtelyn testiin.

Klikkaa tästä oppiaksesi, miten Venus-kukkakori uudelleenkuvaa aero- ja nestedynamiikkaa.

Nopeampi, älykkäämpi ja skaalautuva GNN‑voimainen sijaismalli

Uusi ML-pohjainen nestesimulaatiomalli, joka vähentää laskenta‑aikaa merkittävästi vaikuttamatta tarkkuuteen, on kehitetty Osaka Metropolitan Universityn tutkijoiden toimesta. Tämä nopea ja tarkka menetelmä voi soveltua reaaliaikaiseen merivalvontaan, alusten suunnitteluun ja offshore‑voiman tuotantoon.

AI‑voimaiset mallit saavat paljon huomiota nestedynamiikan alalla, koska ne tekevät nestesimulaatioista yksinkertaisia ja nopeampia. Kuitenkin tällä teknologialla on omat ongelmansa. 

Pääkirjoittaja, Takefumi Higaki, Osaka Metropolitan Universityn tekniikan jatko‑opiston apulaisprofessori, totesi:

“AI voi tuottaa poikkeuksellisia tuloksia erityistapauksiin, mutta kamppailee usein eri olosuhteisiin sovellettuna.”

Siksi tiimi rakensi uuden mallin käyttäen graafineuroverkkoja (GNN), syväoppimisteknologiaa, tarjotakseen työkalun, joka on johdonmukaisesti nopea ja tarkka.

GNN:t ovat neuroverkkoarkkitehtuurin tyyppi, joka käsittelee ja oppii graafirakenteisesta datasta. Graafit ovat tietorakenteita, jotka koostuvat solmuista – entiteeteistä kuten tuotteista ja ihmisistä – ja reunista, jotka edustavat niiden välisiä suhteita. GNN:t analysoivat suuria ja monimutkaisia suhteita graafissa.

Tätä neuroverkkoa käytetään sosiaalisen verkoston analyysissä ymmärtämään malleja, ennustamaan käyttäjien mieltymyksiä vuorovaikutusten perusteella, mallintamaan ja ennustamaan materiaalien ominaisuuksia sekä tunnistamaan potentiaalisia lääkekandidaatteja ja ennustamaan lääkkeen tehoa.

Viimeisimmässä tutkimuksessa solmu on nestepartikkeli, kun taas reuna on näiden partikkelien välinen vuorovaikutus. 

Tutkimusryhmä määritteli ensin, mitkä tekijät ovat tärkeitä tarkkojen nestelaskelmien kannalta. He vertasivat erilaisia koulutusolosuhteita ja arvioivat sen jälkeen, kuinka tehokkaasti heidän mallinsa pystyi sopeutumaan eri simulaatio­nopeuksiin ja vaihteleviin nesteliikkeisiin.

Tiimi havaitsi, että tulokset osoittivat vahvaa yleistymiskykyä eri nestekäyttäytymisissä, merkittävästi lisäten nopeutta ja vähentäen prosessointiin tarvittavaa aikaa.

Heidän tekniikkansa on raportoitu saavuttavan tarkkuuden, joka on yhtä hyvä tai jopa parempi kuin MPS, 10‑kertaisella nopeudella CPU:lla ja yli 200‑kertaisella nopeudella GPU:lla. Tutkimus huomautti myös, että vaikka koulutus tapahtui vain voimakkaan heilahtelun avulla, GNS-WP pystyi menestyksekkäästi toistamaan sekä rauhalliset että staattiset virtaukset erilaisella seinärajalla.

“Mallimme säilyttää saman tason tarkkuuden kuin perinteiset hiukkasperusteiset simulaatiot eri nesteskenaarioissa, samalla kun se vähentää laskenta‑ajan noin 45 minuutista vain kolmeen minuuttiin.”

– Higaki

Tämän saavutuksen myötä tutkimus tarjoaa skaalautuvan ja yleistettävän ratkaisun korkean suorituskyvyn nestesimulaatioon, joka tasapainottaa tehokkuutta ja tarkkuutta. Vielä tärkeämpää, nämä parannukset eivät rajoitu laboratorioon.

Higaki sanoi:

“Nopeammat ja tarkemmat nestesimulaatiot voivat merkittävästi nopeuttaa alusten ja offshore‑energiajärjestelmien suunnitteluprosessia. Ne myös mahdollistavat reaaliaikaisen nestekäyttäytymisen analyysin, mikä voisi maksimoida merien energiajärjestelmien tehokkuuden.”

Toisin kuin muut tutkimukset, tämä sisälsi vaiheittaisen parannuksen hiukkasperusteisiin sijaismalleihin, mikä auttaa niiden jatkokehitystä.

Tulevassa työssä tutkijat aikovat myös käsitellä riittämättömän fysiikan johdonmukaisuuden haasteita, tuntemattoman paineen hallintaa ja mallin soveltamista monimutkaisiin ja 3D‑ongelmiin.

Koska ehdotetun menetelmän potentiaali oppia kokeellisesta datasta todellisessa maailmassa on suuri, tiimi aikoo käyttää tätä tutkimusta perustana monimutkaisten nestekäyttäytymisten uudelleenluomiseen, joiden hallitsevia yhtälöitä ei tunneta, kuten monivaiheiset virtaukset epäjatkuvilla materiaaleilla.

Innovatiivinen yritys

Huntington Ingalls Industries, Inc.

Yhdysvaltain laivaston merkittävä alustenrakentaja Huntington Ingalls Industries (HII ) tutkii jatkuvasti nestedynamiikan simulointien parannuksia virtaviivaistaakseen alusten suunnittelua ja suorituskyvyn testauksia.

Yritys rakentaa seuraavan sukupolven älykkäitä puolustus- ja tiedustelujärjestelmiä ja hyödyntää siihen tekoälyä (AI). Yhdistämällä pilvilaskennan ja reunalaitteiden voiman räätälöityyn ohjelmistoon, HII toivoo tekevänsä saumattomat ihmisen‑AI‑tiimit tulevaisuuden operaatioiden standardiksi.

HII:ssä kehittyneitä AI‑ ja koneoppimisalgoritmeja kehitetään, testataan ja integroidaan optimoimaan ja nopeuttamaan kriittisiä järjestelmiä ja alustoja.

Yrityksen kehittyneet ML‑sovellukset tukevat laajaa valikoimaa puolustustarpeita, mukaan lukien radiotaajuusalue, automaattinen kuvien analyysi, kyberdata, akustinen ympäristö ja luonnollinen kieli tiedustelutuotannossa.

HII hyödyntää myös syvällistä toimialan ja datan tuntemustaan rakentaakseen ML‑ratkaisuja operaatioiden resilienssiin, valmiuteen ja laivaston ylläpitoon kiistävissä logistisissa olosuhteissa. Simulaattoripohjaisen koulutuksen laajennuksena se osallistuu ML‑pohjaisten operatiivisten päätöksentekotyökalujen kehittämiseen.

Lisäksi autonominen merialusta‑kehittäjä on ottanut käyttöön syväoppimisen (DL) AI:n, jossa on transformer‑pohjaisia arkkitehtuureja tarkkaan signaalihakuun suurissa määrissä erittäin sekavaa dataa.

HII hyödyntää ja yhdistää dataa eri modaliteeteista, mukaan lukien RF‑spektralsignaalit, geospatiaalinen kuvamateriaali ja luonnollisen kielen media, parantaakseen tarkkuutta. Se käyttää myös kehittynyttä NLP‑teknologiaa, joka perustuu DL‑ ja ML‑menetelmiin, auttaakseen tiedon lajittelussa ja yhdistämisessä globaaleissa operaatioissa.

Samaan aikaan HII:n AI‑voimaiset digitaaliset kaksoset mahdollistavat testauksen, validoinnin ja resurssien säästämisen alusten rakentamisesta laivaston ylläpitoon. Sen kehittynyt autonomiasarja, Odyssey, muuttaa minkä tahansa ajoneuvon älykkääksi robottialustaksi, joka mahdollistaa monen ajoneuvon yhteistyöautonomian, terveysvalvonnan, sensorifusion ja AI‑pohjaisen havainnoinnin.

Yritys käyttää laajasti viimeisintä teknologiaa parantaakseen tuottavuuttaan ja optimoidakseen prosessejaan. Kuitenkin HII tunnustaa, että AI:n sisäiset epävarmuustekijät voivat johtaa operatiiviseen tehottomuuteen ja kilpailuhaittoihin, erityisesti jos heidän työkalunsa osoittautuvat riittämättömiksi.

Taloudellisesti tarkasteltuna tämä kaikki‑toimialan puolustuksen tarjoaja omaa markkina-arvon 7,25 miljardia dollaria, ja sen osakkeet kaupankäynnissä hintaan 184,95 $, laskien 2,13 % tänä vuonna. Tämän perusteella sen EPS (TTM) on 13,96, P/E‑suhde (TTM) 13,25 ja ROE (TTM) 12,56 %. Osinkotuotto on mukava 2,92 %.

Kun tarkastellaan yrityksen taloutta, vuoden 2024 neljännen neljänneksen osalta yritys raportoi 3 miljardia dollaria liikevaihtoa verrattuna 3,2 miljardiin dollaria samalta neljännekseltä edellisvuonna. Tämä lasku johtui alhaisemmasta volyymistä kaikilla segmenteillä. Non‑GAAP‑toimintatulos laski myös 330 miljosta dollaria 4Q23:ssa 103 miljoon dollariin, mikä johtui Newport News Shipbuildingin heikommasta suorituskyvystä.

Dilutoitu osakekohtainen tulos neljänneksen aikana oli 3,15 $, kun taas vuoden lopussa tilauskanta oli 48,7 miljardia dollaria.

Koko vuoden osalta HII:n liikevaihto oli 11,5 miljardia dollaria, lievä nousu (alle 1 %) vuodesta 2023, johtuen suuremmista volyymeistä Ingalls Shipbuildingissä ja Mission Technologiesissa. Dilutoitu osakekohtainen tulos oli 13,96 $. 

Liiketoiminnasta syntynyt nettokassa oli 393 miljardia dollaria, kun vapaa kassavirta oli 40 miljardia dollaria, mikä on suuri lasku 970 miljardiin dollariin ja 692 miljardiin dollariin edellisvuonna.

Vuonna 2024 yritys raportoi myös saavuttaneensa kriittisiä alustenrakennuksen virstanpylväitä, joihin sisältyi amfibio‑kuljetusaluksen Richard M. McCool Jr. (LPD 29) ja Virginia‑luokan sukellusveneen New Jersey (SSN 796) toimitus. Samaan aikaan HII:n Mission Technologies -segmentti sai sopimuksia, joiden kokonaisarvo ylitti 12 miljardia dollaria.

“Jatkamme edistymistämme aluksissa, jotka on sopimuksella tilattu ennen COVID‑pandemiaa, ja työskentelemme ahkerasti asiakkaidemme kanssa saadaksemme yli 50 miljardia dollaria uutta työtä sopimuksiin. Mission Technologies jatkoi vahvaa tuloskasvua ja katteiden laajentumista. Siirrymme vuoteen 2025 keskittyen tehtävämme, joka on toimittaa maailman voimakkaimmat alukset ja kaikki‑toimialan ratkaisut kansakunnan palvelukseen.”

– Toimitusjohtaja ja presidentti Chris Kastner

Yhteenveto

AI‑pohjaiset nestesimulaatiomallit ovat auttaneet edistämään nestedynamiikan alaa jo jonkin aikaa. Kuitenkin uusin AI‑malli, joka käyttää graafineuroverkkoja, on osoittanut vaikuttavia tuloksia. Se ei ainoastaan osoita suurta potentiaalia täyttää tarkkuuden ja tehokkuuden välinen kuilu, vaan myös mahdollistaa nopeammat, reaaliaikaiset sovellukset meriteollisuudessa.

Tämä teknologia voi osoittautua lupaavaksi nopeuttaessa alusten ja offshore‑infrastruktuurin suunnittelua ja testausta sekä optimoitaessa uusiutuvia merien energiajärjestelmiä. AI‑pohjainen nestesimulaatiomalli voi edistää puhtaampaa ja älykkäämpää meritekniikkaa, mikä johtaa kukoistavaan tulevaisuuteen!