तरल बुद्धिमत्ता: एआई ने समुद्र का सिमुलेशन करने के तरीके को पुनर्परिभाषित किया

कृत्रिम बुद्धिमत्ता (AI) हमारे विश्व को तेज़ी से बदल रही है। दोहराव वाले कार्यों को स्वचालित करके, कार्यप्रवाह को अनुकूलित करके, और निर्णय लेने में सुधार करके, यह तकनीक विभिन्न उद्योगों में दक्षता और उत्पादकता में महत्वपूर्ण वृद्धि का वादा करती है। 

उत्पादकता और दक्षता में इस बढ़ोतरी के साथ, AI का अनुमान है कि वह विश्व स्तर पर आर्थिक वृद्धि और विकास में ट्रिलियन डॉलर का योगदान देगा। 

AI ने भी अद्भुत संभावनाएँ प्रदर्शित की हैं जटिल चुनौतियों जैसे रोग और जलवायु परिवर्तन को हल करने में और विभिन्न क्षेत्रों में नवाचार को आगे बढ़ाने में, जिससे नए उत्पाद, सेवाएँ और व्यावसायिक मॉडल बन सकें। 

AI का एक रोचक अनुप्रयोग तरल विश्लेषण में भी देखा गया है। मशीनों में, स्नेहक, कूलेंट और ईंधन जैसे तरल पदार्थों की परीक्षण किया जाता है ताकि उन समस्याओं की पहचान की जा सके जो संभावित समस्याओं या विफलताओं का संकेत दे सकती हैं।

यह समय पर रखरखाव और मरम्मत की अनुमति देता है, जिससे महंगे टूट-फूट और डाउनटाइम को रोका जा सके। यह बड़े मरम्मत और प्रतिस्थापन की आवश्यकता को भी कम करता है और सुनिश्चित करता है कि मशीनरी अपनी सर्वोच्च प्रदर्शन पर काम कर रही है।

कई वर्षों तक, तरल विश्लेषण काफी लंबा और जटिल रहा है। लेकिन AI के आगमन ने पूरी प्रक्रिया को अधिक सरल, कुशल और सटीक बना दिया है। 

आख़िरकार, AI और मशीन लर्निंग तकनीकें बड़े डेटा सेटों का उपयोग करती हैं, उनसे सीखती हैं, और फिर भविष्यवाणियाँ करती हैं। यह तकनीक एक संपत्ति के पूरे जीवनकाल के डेटा सेट को ध्यान में रख सकती है, एक साथ कई संकेतों का उपयोग कर सकती है, और प्रतिक्रिया के माध्यम से अनुकूलन सीख सकती है। 

हालाँकि, तरल विश्लेषण मशीनों में तेल से बहुत आगे तक जाता है। तटीय और समुद्री इंजीनियरिंग में, तरल व्यवहार समुद्री संरचनाओं के डिजाइन, तटरेखा परिवर्तन के मॉडलिंग, और यहाँ तक कि लहर और ज्वारीय ऊर्जा को harness करने में महत्वपूर्ण भूमिका निभाता है। 

एआई के साथ तटीय और समुद्री बुद्धिमत्ता को आगे बढ़ाना

तटीय इंजीनियरिंग में, AI ने तलछट परिवहन, तटरेखा गतिशीलता, डिजाइन अनुकूलन, तटीय निगरानी, और जलवायु लचीलापन जैसी समस्याओं को संबोधित करके कई सुधार किए हैं।

इसका एक उदाहरण पिछले साल के अंत में देखा गया, जब हांगकांग सिटी यूनिवर्सिटी के शोधकर्ताओं ने मशीन लर्निंग का उपयोग करके उष्णकटिबंधीय चक्रवातों के सीमा परत वायु क्षेत्र के मॉडलिंग की सटीकता को बढ़ाया।

“हम मनुष्य इस सीमा परत में रहते हैं, इसलिए इसे समझना और सटीक रूप से मॉडल करना तूफ़ान पूर्वानुमान और आपदा तैयारी के लिए आवश्यक है।”

– लेखक Qiusheng Li

क्योंकि इस परत में हवा जमीन, समुद्र और सतह स्तर पर सभी चीज़ों के साथ संपर्क में आती है, इसलिए मॉडलिंग काफी चुनौतीपूर्ण रही है। पारंपरिक तरीकों में बड़ी मात्रा में डेटा का उपयोग और सुपरकंप्यूटर पर बड़े संख्यात्मक सिमुलेशन चलाना शामिल था, फिर भी अक्सर असटीक या अधूरी भविष्यवाणियाँ उत्पन्न होती थीं।

नवीनतम अध्ययन ने एक उन्नत भौतिकी-सूचित ML फ्रेमवर्क का उपयोग किया जो जटिल व्यवहार को पकड़ने के लिए थोड़े वास्तविक डेटा की आवश्यकता रखता है, जिसमें उष्णकटिबंधीय चक्रवातों के वायु क्षेत्रों की संरचना, तीव्रता और संभावित प्रभाव की जानकारी शामिल है। लेखक Feng Hu ने कहा:

“जलवायु परिवर्तन के कारण अधिक बार और तीव्र हरिकेन होने के साथ, हमारा मॉडल वायु क्षेत्र की भविष्यवाणियों की सटीकता को काफी सुधार सकता है। यह प्रगति मौसम पूर्वानुमानों और जोखिम मूल्यांकनों को परिष्कृत करने में मदद कर सकती है, समय पर चेतावनियाँ प्रदान कर सकती है और तटीय समुदायों और बुनियादी ढांचे की लचीलापन को बढ़ा सकती है।”

लगभग उसी समय, अलग शोध एक AI सरोगेट प्रस्तुत किया¹ तटस्थ जलाशय में तटीय ज्वारीय लहरों के प्रसार को सिमुलेट करने के लिए, जो पूर्वानुमान और पुनःअनुमान उद्देश्यों के लिए है। यह दृष्टिकोण सिमुलेशन को तेज़ करता है और भौतिक-आधारित प्रतिबंध को शामिल करता है ताकि असटीक परिणामों का पता लगाया जा सके और उन्हें सुधारा जा सके।

परम्परागत ROMS सिमुलेशन के 12-दिन के पूर्वानुमान समय को केवल 22 सेकंड में घटाकर, यह शोध समुद्री मॉडलिंग में तेज़, सटीक और भौतिक रूप से संगत विकल्प प्रदान करता है, विशेष रूप से वास्तविक समय आपदा प्रतिक्रिया में तेज़ पूर्वानुमान के लिए।

पिछले साल की शुरुआत में, शोधकर्ताओं की एक टीम ने भी न्यूरल मॉडलिंग को सुधारने पर काम किया² लैग्रांजियन तरल गतिशीलता की।

इसके आधार पर, शोधकर्ताओं ने मानक SPH सॉल्वर के विभिन्न घटकों, जिसमें चिपचिपाहट, दबाव, और बाहरी बल घटक शामिल हैं, से GNN-आधारित सिम्युलेटर के प्रशिक्षण और रोलआउट अनुमान को बेहतर बनाया। न्यूरल SPH-उन्नत सिम्युलेटर ने बेसलाइन GNN की तुलना में बेहतर प्रदर्शन हासिल किया, जिससे काफी लंबी रोलआउट और बेहतर भौतिक मॉडलिंग संभव हुई।

तरल सिमुलेशन में ML-आधारित सरोगेट मॉडलों का विकास

तरल सिमुलेशन के संदर्भ में, एक सामान्य दृष्टिकोण कण तकनीक है, जहाँ कण तरल प्रवाह के व्यवहार का सिमुलेशन करते हैं। कुछ व्यापक रूप से उपयोग किए जाने वाले उदाहरणों में स्मूदेड पार्टिकल हाइड्रोडायनामिक्स (SPH), मूविंग पार्टिकल सेमी-इम्प्लिसिट (MPS), या इनकॉम्प्रेसिबल SPH शामिल हैं।

हालाँकि, इन तकनीकों को व्यापक कम्प्यूटेशनल संसाधनों की आवश्यकता होती है, जिसमें प्रोसेसिंग पावर, समय और लागत शामिल हैं। हाल के वर्षों में, वास्तविक दुनिया के तरल पदार्थों को हर चरण में इंजीनियरिंग, डिजाइन, निर्माण, विकास, सत्यापन, संचालन और विज़ुअलाइज़ेशन में सिमुलेट करने की आवश्यकता बढ़ी है, इसलिए गणना समय को भी कम करना आवश्यक हो गया है। 

पिछले कुछ वर्षों में, कई ML-आधारित सरोगेट मॉडल प्रस्तुत किए गए हैं जो तरल गतिशीलता का अनुमान कम कम्प्यूटेशनल लागत के साथ लगाते हैं।

इसमें मशीन लर्निंग का उपयोग करके कण विधियों को बदलना और लैग्रांजियन तरल सिमुलेशन की तेज़ गणना शामिल है, जिसमें व्यक्तिगत तरल कणों को ट्रैक किया जाता है और उनके मार्ग और गुणों पर ध्यान दिया जाता है।

जबकि ML लैग्रांजियन तरल सिमुलेशन को तेज़ कर सकता है, पिछले अध्ययनों ने ऐसे सरोगेट मॉडलों के विभिन्न तरल व्यवहारों में सामान्यीकरण प्रदर्शन को सत्यापित नहीं किया है।

फिर यह तथ्य है कि इन मॉडलों में से अधिकांश को CFL शर्त के तहत सत्यापित किया गया है, जो पारंपरिक कम्प्यूटेशनल फ्लूड डायनामिक्स (CFD) विधियों के समान है, जिससे उनकी गणना समय को काफी घटाने की क्षमता सीमित रहती है।

इसके अलावा, इन प्रारंभिक अध्ययनों का फोकस सटीकता पर नहीं बल्कि सिमुलेशन वातावरण में तरल-सम समान व्यवहार को दोहराने पर था।

इसलिए, बाद के अध्ययनों ने SPH के लिए सरोगेट मॉडलों में प्रगति की, जिसमें धीरे-धीरे सटीकता में सुधार हुआ। शोधकर्ताओं ने विभिन्न विधियों का उपयोग किया, जैसे SPH परिणामों को प्रशिक्षण डेटा के रूप में उपयोग करके डीप न्यूरल नेटवर्क (DNN) के साथ लैग्रांजियन तरल विश्लेषण करना और ग्राफ न्यूरल नेटवर्क (GNN) को SPH डेटा से तरल कणों की गति सीखने के लिए प्रस्तुत करना, आदि।

हालाँकि, इनका लक्ष्य दबाव का अनुमान लगाना नहीं था, जो तरल यांत्रिकी और संरचनाओं के साथ उसकी अंतःक्रिया को समझने के लिए एक आवश्यक कारक है।

इसलिए, इस प्रगति ने हालिया प्रवृत्ति को जन्म दिया जिसमें अ-संपीड्य तरल पदार्थों के दबाव पर ध्यान केंद्रित किया गया। इसके लिए, वैज्ञानिकों ने DNN का उपयोग करके MPS में PPE को हल करने की गति बढ़ाई। उन्होंने FGN या फ्लुइड ग्राफ नेटवर्क (जो GNN का उपयोग करके तरल गतिशीलता सिमुलेट करते हैं) को MPS को प्रशिक्षण डेटा के रूप में उपयोग करके प्रस्तुत किया। हालांकि, उन्होंने यह पुष्टि नहीं की कि अनुमानित दबाव वास्तविक घटनाओं को पुनः उत्पन्न करता है।

इनमें से अधिकांश अध्ययनों ने विभिन्न फीचर सेटिंग्स के परिणामों पर प्रभाव स्पष्ट नहीं किया है। लेकिन क्योंकि परिणाम संभवतः फीचर सेटिंग्स पर निर्भर करते हैं, यह महत्वपूर्ण है कि यह पता लगाया जाए कि कौन-सा फीचर सरोगेट मॉडलों के लिए तरल को पुनः उत्पन्न करने में आवश्यक है।

इसलिए, एक नया अध्ययन, Applied Ocean Research में प्रकाशित³, ने एक कण-आधारित सरोगेट मॉडल प्रस्तुत किया है जिसे बड़े समय चरण आकार और विभिन्न तरल घटनाओं पर लागू किया जा सकता है।

इस अध्ययन ने तीन उन्नत ग्राफ नेटवर्क-आधारित सिम्युलेटर (GNS) संस्करण प्रस्तुत किए, जहाँ GNN ने SPH डेटा से तरल कणों की गति सीखी। इसमें दबाव अनुमान (GNS-P), दीवार सीमा नोड्स (GNS-W), और दोनों का संयोजन (GNS-WP) शामिल हैं।

अपने अध्ययन में, शोधकर्ताओं ने दिखाया कि दबाव अनुमान तरल को सटीक रूप से भविष्यवाणी करने के लिए महत्वपूर्ण है और दीवार सीमा नोड्स चलती दीवार सीमा स्थितियों को प्रबंधित करने में आवश्यक हैं। उन्होंने यह भी दिखाया कि GNS-WP 10 गुना बड़े समय चरण आकार के साथ भी सिमुलेशन गति (समय चरण आकार) के बावजूद स्लॉशिंग को काफी सटीक रूप से पुनः उत्पन्न कर सकता है।

प्रस्तावित विधि (GNS-WP), जो स्लॉशिंग परिदृश्य में प्रशिक्षित हुई, अध्ययन के अनुसार, तीन विभिन्न समस्याओं — हाइड्रोस्टैटिक, डैम ब्रेक, और मुक्त दोलन परीक्षणों — पर लागू की जा सकती है।

यहाँ क्लिक करके जानें कि वीनस फ्लावर बास्केट कैसे एयरो और तरल गतिशीलता को पुनः कल्पना कर रहा है।

तेज़, अधिक बुद्धिमान, और स्केलेबल GNN-आधारित सरोगेट मॉडल

ओसाका मेट्रोपॉलिटन यूनिवर्सिटी के शोधकर्ताओं द्वारा बनाया गया नया ML-आधारित तरल सिमुलेशन मॉडल, जो गणना समय को काफी घटाता है जबकि सटीकता को प्रभावित नहीं करता, तेज़ और उच्च-प्रेसिशन विधि वास्तविक समय समुद्री निगरानी, जहाज़ डिजाइन, और अपतटीय ऊर्जा उत्पादन में संभावित उपयोग रखती है।

AI-संचालित मॉडल तरल गतिशीलता क्षेत्र में बहुत लोकप्रिय हो रहे हैं क्योंकि वे तरल सिमुलेशन को सरल और तेज़ बनाते हैं। हालांकि, इस तकनीक के अपने मुद्दे भी हैं। 

मुख्य लेखक, Takefumi Higaki, जो ओसाका मेट्रोपॉलिटन यूनिवर्सिटी के ग्रेजुएट स्कूल ऑफ इंजीनियरिंग में सहायक प्रोफेसर हैं, ने कहा:

“AI विशिष्ट समस्याओं के लिए असाधारण परिणाम दे सकता है लेकिन अक्सर विभिन्न परिस्थितियों में लागू करने पर संघर्ष करता है।”

इसलिए, टीम ने ग्राफ न्यूरल नेटवर्क (GNNs) का उपयोग करके नया मॉडल बनाया, जो एक गहरी सीखने की तकनीक है, ताकि एक ऐसा उपकरण प्रदान किया जा सके जो लगातार तेज़ और सटीक हो।

GNNs ग्राफ-आधारित डेटा को प्रोसेस और सीखने वाली न्यूरल नेटवर्क आर्किटेक्चर का एक प्रकार हैं। ग्राफ डेटा संरचनाएँ नोड्स से बनी होती हैं, जो उत्पाद और लोग जैसी इकाइयाँ होती हैं, और एजेज़, जो उनके बीच संबंधों को दर्शाते हैं। GNNs ग्राफ के भीतर बड़े और जटिल संबंधों का विश्लेषण करते हैं।

यह न्यूरल नेटवर्क सामाजिक नेटवर्क विश्लेषण में पैटर्न समझने, इंटरैक्शन के आधार पर उपयोगकर्ता प्राथमिकताओं की भविष्यवाणी करने, सामग्री के गुणों को मॉडल और भविष्यवाणी करने, और संभावित दवा उम्मीदवारों की पहचान करने तथा दवा की प्रभावशीलता की भविष्यवाणी करने के लिए उपयोग किया जाता है।

नवीनतम अध्ययन में, एक नोड एक तरल कण है, जबकि एज उन कणों के बीच की अंतःक्रिया है। 

शोध टीम ने पहले यह निर्धारित किया कि उच्च-प्रेसिशन तरल गणनाओं के लिए कौन-से कारक महत्वपूर्ण हैं। उन्होंने विभिन्न प्रशिक्षण स्थितियों की तुलना की और फिर यह आंका कि उनका मॉडल विभिन्न सिमुलेशन गति और विविध तरल गति के साथ कितनी प्रभावी ढंग से अनुकूल हो सकता है।

टीम ने पाया कि परिणाम विभिन्न तरल व्यवहारों में मजबूत सामान्यीकरण क्षमताएँ दर्शाते हैं, जिससे गति में उल्लेखनीय वृद्धि और प्रोसेसिंग के लिए आवश्यक समय में कमी आती है। 

उनकी तकनीक ने MPS के समान स्तर या उससे बेहतर सटीकता हासिल की है, CPU पर 10 गुना तेज़ और GPU पर 200 गुना से अधिक तेज़। अध्ययन ने यह भी उल्लेख किया कि केवल एक शक्तिशाली स्लॉशिंग प्रवाह का उपयोग करके प्रशिक्षण के बावजूद, GNS-WP विभिन्न दीवार सीमा के साथ शांत और स्थिर प्रवाह दोनों को सफलतापूर्वक पुनः उत्पन्न करने में सक्षम था।

“हमारा मॉडल विभिन्न तरल परिदृश्यों में पारंपरिक कण-आधारित सिमुलेशन के समान स्तर की सटीकता बनाए रखता है, जबकि गणना समय को लगभग 45 मिनट से केवल तीन मिनट तक घटा देता है।”

– Higaki

इस उपलब्धि के साथ, शोध एक स्केलेबल और सामान्यीकृत समाधान प्रदान कर रहा है जो उच्च-प्रदर्शन तरल सिमुलेशन के लिए दक्षता और सटीकता को संतुलित करता है। अधिक महत्वपूर्ण यह है कि ये सुधार केवल प्रयोगशाला तक सीमित नहीं हैं।

Higaki ने कहा:

“तेज़ और अधिक सटीक तरल सिमुलेशन जहाज़ों और अपतटीय ऊर्जा प्रणालियों के डिजाइन प्रक्रिया में महत्वपूर्ण तेज़ी का मतलब हो सकता है। वे वास्तविक समय तरल व्यवहार विश्लेषण को भी सक्षम बनाते हैं, जिससे समुद्री ऊर्जा प्रणालियों की दक्षता को अधिकतम किया जा सकता है।”

अन्य अध्ययनों के विपरीत, यह अध्ययन कण-आधारित सरोगेट मॉडलों की चरण-दर-चरण सुधार को विस्तृत रूप से प्रस्तुत करता है, जो उनके आगे के विकास में मदद करता है। 

भविष्य के कार्य में, शोधकर्ता अपर्याप्त भौतिक संगतता, अज्ञात दबाव के प्रबंधन, और मॉडल के उपयोग को जटिल और 3D समस्याओं तक विस्तारित करने की चुनौतियों को संबोधित करने की योजना बना रहे हैं। 

प्रस्तावित विधि की वास्तविक दुनिया के प्रयोगात्मक डेटा से सीखने की क्षमता को देखते हुए, टीम इस अध्ययन को आधार बनाकर जटिल तरल व्यवहारों को पुनः बनाना चाहती है जिनके शासक समीकरण ज्ञात नहीं हैं, जैसे बहु-चरणीय प्रवाह जिसमें असतत सामग्री हों।

नवोन्मेषी कंपनी

Huntington Ingalls Industries, Inc.

अमेरिकी नौसेना के लिए एक प्रमुख जहाज़ निर्माता, Huntington Ingalls Industries (HII ) लगातार तरल गतिकी सिमुलेशन में सुधारों की खोज कर रहा है ताकि पोत डिजाइन और प्रदर्शन परीक्षण को सुव्यवस्थित किया जा सके।

कंपनी अगली पीढ़ी के स्मार्ट रक्षा और खुफिया प्रणालियों का निर्माण कर रही है और इसे करने के लिए कृत्रिम बुद्धिमत्ता (AI) का उपयोग कर रही है। क्लाउड कंप्यूटिंग और एज डिवाइसों की शक्ति को अनुकूलित सॉफ़्टवेयर के साथ मिलाकर, HII भविष्य के संचालन में सहज मानव-AI टीमों को मानक बनाना चाहता है।

HII में, अत्याधुनिक AI और मशीन लर्निंग एल्गोरिदम विकसित, परीक्षण और एकीकृत किए जाते हैं ताकि मिशन-क्रिटिकल सिस्टम और प्लेटफ़ॉर्म को अनुकूलित और तेज़ किया जा सके।

कंपनी के उन्नत ML अनुप्रयोग रक्षा की विस्तृत आवश्यकताओं का समर्थन करते हैं, जिसमें रेडियो-फ़्रीक्वेंसी स्पेक्ट्रम, इमेजरी का स्वचालित विश्लेषण, साइबर डेटा, ध्वनिक पर्यावरण, और खुफिया उत्पादन के लिए प्राकृतिक भाषा शामिल हैं।

HII अपने गहन डोमेन और डेटा ज्ञान का उपयोग करके मिशन लचीलापन, परिचालन तत्परता, और प्रतिस्पर्धी लॉजिस्टिक्स के तहत बेड़े के रखरखाव के लिए ML बनाता है। सिम्युलेटर-आधारित प्रशिक्षण के विस्तार के रूप में, यह ML-आधारित ऑपरेशनल निर्णय सहायता के विकास में शामिल है।

इसके अतिरिक्त, स्वायत्त समुद्री प्लेटफ़ॉर्म डेवलपर ने बड़े पैमाने पर अत्यधिक अव्यवस्थित डेटा में सटीक संकेत खोज के लिए ट्रांसफ़ॉर्मर-आधारित आर्किटेक्चर के साथ डीप लर्निंग (DL) AI को लागू किया है।

HII विभिन्न मोडालिटी, जिसमें RF स्पेक्ट्रल संकेत, जियोस्पेशियल इमेजरी, और प्राकृतिक भाषा मीडिया शामिल हैं, के बीच डेटा को उपयोग करता है और मिलाता है ताकि सटीकता में सुधार हो। यह उन्नत NLP तकनीक को DL और ML पर आधारित उपयोग करता है ताकि वैश्विक मिशनों के लिए सूचना वर्गीकरण और कनेक्शन में मदद मिल सके।

इसी बीच, HII के AI-संचालित डिजिटल ट्विन जहाज़ निर्माण से लेकर बेड़े के रखरखाव तक परीक्षण, सत्यापन और संसाधन बचाने में सक्षम बनाते हैं। इसका उन्नत स्वायत्तता सूट, Odyssey, किसी भी वाहन को एक बुद्धिमान रोबोटिक प्लेटफ़ॉर्म में बदलता है जो बहु-वाहन सहयोगी स्वायत्तता, स्वास्थ्य निगरानी, सेंसर फ्यूज़न, और AI-सक्षम धारणा को सक्षम करता है। 

इसलिए, कंपनी अपनी उत्पादकता बढ़ाने और प्रक्रियाओं को अनुकूलित करने के लिए नवीनतम तकनीक का व्यापक उपयोग करती है। हालांकि, HII स्वीकार करता है कि AI की अंतर्निहित अनिश्चितताएँ संचालन में अक्षमताओं और प्रतिस्पर्धी नुकसान का कारण बन सकती हैं, विशेषकर यदि उनके उपकरण अपर्याप्त साबित हों।

वित्तीय रूप से, यह सभी-डोमेन रक्षा प्रदाता का मार्केट कैप $7.25 बिलियन है और इसके शेयर, लेखन के समय, $184.95 पर ट्रेड हो रहे हैं, जो इस वर्ष अब तक 2.13% नीचे हैं। इसके साथ, इसका EPS (TTM) 13.96 है, P/E (TTM) अनुपात 13.25 है, और ROE (TTM) 12.56% है। डिविडेंड यील्ड के लिए, यह 2.92% है।

जब कंपनी के वित्तीय मामलों की बात आती है, 2024 की Q4 के लिए, कंपनी ने रिपोर्ट किया कि राजस्व $3 बिलियन था, जो पिछले वर्ष की समान तिमाही के $3.2 बिलियन की तुलना में कम है। यह गिरावट सभी खंडों में कम मात्रा के कारण थी। गैर-GAAP संचालन आय भी $330 मिलियन से घटकर $103 मिलियन हो गई, जो Newport News Shipbuilding के कम प्रदर्शन के कारण था।

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.

पूरे वर्ष के लिए, HII का राजस्व $11.5 बिलियन था, जो 2023 की तुलना में थोड़ा बढ़ा (1% से कम) क्योंकि Ingalls Shipbuilding और Mission Technologies में मात्रा बढ़ी। डायल्यूटेड प्रति शेयर आय $13.96 थी। 

ऑपरेटिंग गतिविधियों से शुद्ध नकदी $393 मिलियन थी जबकि फ्री कैश फ्लो $40 मिलियन था, जो पिछले वर्ष क्रमशः $970 मिलियन और $692 मिलियन से बड़ी गिरावट है।

2024 में, कंपनी ने महत्वपूर्ण जहाज़ निर्माण माइलस्टोन हासिल करने की रिपोर्ट भी की, जिसमें amphibious transport dock Richard M. McCool Jr. (LPD 29) और Virginia-class पनडुब्बी New Jersey (SSN 796) की डिलीवरी शामिल थी। HII के Mission Technologies खंड ने कुल $12 बिलियन से अधिक के अनुबंध मूल्य के साथ पुरस्कार सुरक्षित किए।

“हम COVID से पहले अनुबंधित जहाज़ों पर प्रगति जारी रख रहे हैं, और अपने ग्राहकों के साथ मिलकर $50 बिलियन से अधिक नए कार्य को अनुबंधित करने के लिए मेहनत कर रहे हैं। Mission Technologies ने शीर्ष लाइन वृद्धि और मार्जिन विस्तार में अपनी मजबूत ट्रैक रिकॉर्ड जारी रखी है। हम 2025 में इस मिशन पर केंद्रित प्रवेश कर रहे हैं कि दुनिया के सबसे शक्तिशाली जहाज़ और सभी-डोमेन समाधान राष्ट्र की सेवा में प्रदान करें।”

– सीईओ और अध्यक्ष Chris Kastner

निष्कर्ष

AI-चालित तरल सिमुलेशन मॉडल कुछ समय से तरल गतिशीलता के क्षेत्र को आगे बढ़ा रहे हैं। हालांकि, नवीनतम AI मॉडल, जो ग्राफ न्यूरल नेटवर्क का उपयोग करता है, ने प्रभावशाली परिणाम दिखाए हैं। यह न केवल सटीकता और दक्षता के बीच अंतर को पाटने की उच्च संभावनाएँ प्रदर्शित करता है, बल्कि समुद्री उद्योगों में तेज़, वास्तविक समय अनुप्रयोगों को भी सक्षम बनाता है।

यह तकनीक जहाज़ों और अपतटीय बुनियादी ढांचे के डिजाइन और परीक्षण को तेज़ करने और नवीकरणीय समुद्री ऊर्जा प्रणालियों को अनुकूलित करने में आशाजनक साबित हो सकती है। AI-आधारित तरल सिमुलेशन मॉडल स्वच्छ और अधिक बुद्धिमान समुद्री इंजीनियरिंग में योगदान दे सकते हैं, जिससे एक समृद्ध भविष्य का निर्माण होगा!