Kecerdasan buatan
Kecerdasan Fluida: AI Mendefinisikan Ulang Cara Kita Mensimulasikan Laut
Tambahkan Securities.io ke sumber pilihan Anda di Google
Kecerdasan buatan (AI) dengan cepat mengubah dunia kita. Dengan mengotomatisasi tugas berulang, mengoptimalkan alur kerja, dan meningkatkan pengambilan keputusan, teknologi ini menjanjikan peningkatan signifikan dalam efisiensi dan produktivitas di seluruh industri.
Dengan dorongan dalam produktivitas dan efisiensi ini, AI diproyeksikan akan menyumbang triliunan dolar bagi pertumbuhan dan pembangunan ekonomi di seluruh dunia.
AI juga menunjukkan potensi luar biasa dalam menangani tantangan kompleks seperti penyakit dan perubahan iklim serta mendorong inovasi di berbagai sektor untuk memungkinkan penciptaan produk, layanan, dan model bisnis baru.
Aplikasi menarik AI juga telah terlihat dalam analisis fluida. Pada mesin, pengujian fluida seperti pelumas, pendingin, dan bahan bakar dilakukan untuk mengidentifikasi masalah yang dapat menunjukkan potensi masalah atau kegagalan.
Hal ini memungkinkan pemeliharaan dan perbaikan tepat waktu, yang kemudian dapat membantu mencegah kerusakan dan waktu henti yang mahal. Ini juga meminimalkan kebutuhan akan perbaikan dan penggantian besar serta memastikan mesin beroperasi pada kinerja puncaknya.
Selama bertahun‑tahun, analisis fluida cukup lama dan rumit. Namun kedatangan AI telah membuat seluruh proses menjadi lebih sederhana, efisien, dan presisi.
Bagaimanapun, teknik AI dan pembelajaran mesin menggunakan kumpulan data besar, belajar darinya, dan kemudian membuat prediksi. Teknologi ini dapat mempertimbangkan seluruh dataset aset sepanjang siklus hidupnya, menggunakan banyak sinyal sekaligus, dan belajar beradaptasi melalui umpan balik.
Namun, analisis fluida melampaui minyak pada mesin. Dalam rekayasa pesisir dan laut, perilaku fluida memainkan peran penting dalam merancang struktur maritim, memodelkan perubahan garis pantai, dan bahkan memanfaatkan energi gelombang serta pasang surut.
Meningkatkan Kecerdasan Pesisir dan Laut dengan AI
Dalam rekayasa pesisir, AI telah membuat banyak perbaikan dengan menangani masalah seperti transportasi sedimen, dinamika garis pantai, optimisasi desain, pemantauan pesisir, dan ketahanan iklim.
Contoh hal ini terlihat pada akhir tahun lalu, ketika peneliti dari City University of Hong Kong menggunakan pembelajaran mesin untuk meningkatkan akurasi pemodelan medan angin lapisan batas siklon tropis.
“Kita manusia hidup di lapisan batas ini, jadi memahami dan memodelkannya secara akurat sangat penting untuk perkiraan badai dan kesiapsiagaan bahaya.”
– Penulis Qiusheng Li
Karena udara di lapisan ini berinteraksi dengan daratan, laut, dan segala sesuatu di permukaan, pemodelan menjadi cukup menantang. Meskipun pendekatan tradisional menggunakan banyak data dan menjalankan simulasi numerik besar pada superkomputer, mereka masih sering menghasilkan prediksi yang tidak akurat atau tidak lengkap.
Studi terbaru menggunakan kerangka kerja ML berbasis fisika lanjutan yang memerlukan sedikit data nyata untuk menangkap perilaku kompleks medan angin siklon tropis, yang berisi informasi tentang struktur badai, intensitas, dan potensi dampaknya. Penulis Feng Hu mengatakan:
“Dengan semakin sering dan intensnya badai akibat perubahan iklim, model kami dapat secara signifikan meningkatkan akurasi prediksi medan angin. Kemajuan ini dapat membantu memperbaiki prakiraan cuaca dan penilaian risiko, memberikan peringatan tepat waktu serta meningkatkan ketahanan komunitas pesisir dan infrastruktur.”
Pada waktu yang sama, penelitian terpisah memperkenalkan surrogate AI1 untuk mensimulasikan propagasi gelombang pasang surut pesisir di sebuah muara untuk tujuan hindcast dan forecast. Pendekatan ini mempercepat simulasi dan menggabungkan batasan berbasis fisika untuk mendeteksi serta memperbaiki hasil yang tidak akurat.
Dengan mengurangi biaya waktu prediksi 12 hari pada simulasi ROMS tradisional menjadi hanya 22 detik, penelitian ini berkontribusi pada pemodelan oseanografi dengan menawarkan alternatif yang cepat, akurat, dan konsisten secara fisik terhadap model simulasi tradisional, terutama untuk perkiraan waktu nyata dalam respons bencana yang cepat.
Awal tahun lalu, tim peneliti juga bekerja meningkatkan pemodelan neural2 pada dinamika fluida Lagrangian.
Berdasarkan hal tersebut, peneliti meningkatkan pelatihan serta inferensi rollout simulator berbasis GNN dengan berbagai komponen dari solver SPH standar, termasuk komponen viskositas, tekanan, dan gaya eksternal. Simulator SPH neural yang ditingkatkan kemudian mencapai kinerja yang lebih baik daripada GNN dasar, yang, menurut catatan, memungkinkan rollout yang jauh lebih lama dan pemodelan fisika yang lebih baik.
Evolusi Model Surrogate Berbasis ML dalam Simulasi Fluida
Dalam simulasi fluida, pendekatan umum yang digunakan adalah teknik partikel, di mana partikel mensimulasikan perilaku aliran fluida. Beberapa contoh yang banyak digunakan meliputi smoothed particle hydrodynamics (SPH), moving particle semi-implicit (MPS), atau incompressible SPH.
Namun, teknik-teknik ini memerlukan sumber daya komputasi yang luas, termasuk daya pemrosesan, waktu, dan biaya. Dalam beberapa tahun terakhir, kebutuhan untuk mensimulasikan fluida dunia nyata di setiap fase rekayasa, dari desain, manufaktur, dan pengembangan hingga verifikasi, operasi, dan visualisasi, telah meningkat, sehingga waktu komputasi juga perlu dikurangi.
Selama beberapa tahun terakhir, beberapa model surrogate berbasis ML telah diperkenalkan untuk memperkirakan dinamika fluida dengan biaya komputasi yang lebih kecil.
Ini mencakup penggunaan pembelajaran mesin untuk menggantikan metode partikel dan komputasi cepat simulasi fluida Lagrangian, yang melibatkan pelacakan partikel fluida individu serta fokus pada lintasan dan properti mereka.
Meskipun ML dapat mempercepat simulasi fluida Lagrangian, studi sebelumnya belum dapat memvalidasi kinerja generalisasi model surrogate tersebut di berbagai perilaku fluida.
Selain itu, sebagian besar model ini telah divalidasi di bawah kondisi CFL, mirip dengan metode Computational Fluid Dynamics (CFD) tradisional, yang membatasi kemampuan mereka untuk secara signifikan mengurangi waktu komputasi.
Selain itu, fokus studi awal tersebut bukan pada akurasi melainkan pada mereplikasi perilaku mirip fluida dalam lingkungan simulasi.
Jadi, studi lanjutan membuat kemajuan pada model surrogate untuk SPH, yang menunjukkan peningkatan akurasi secara bertahap. Peneliti menggunakan berbagai metode, seperti menggunakan hasil SPH sebagai data pelatihan untuk melakukan analisis fluida Lagrangian dengan deep neural networks (DNN) dan memperkenalkan graph neural networks (GNN) untuk mempelajari gerakan partikel fluida dari data SPH, antara lain.
Namun, ini tidak bertujuan memperkirakan tekanan, salah satu faktor penting dalam memahami mekanika fluida dan interaksinya dengan struktur.
Jadi, perkembangan selanjutnya mengarah pada tren terkini yang fokus pada tekanan fluida tak dapat dimampatkan. Untuk ini, ilmuwan mempercepat penyelesaian PPE dalam MPS dengan menggunakan DNN. Mereka memperkenalkan FGN atau fluid graph networks (yang memanfaatkan GNN untuk mensimulasikan dinamika fluida) dengan menggunakan MPS sebagai data pelatihan. Namun, mereka tidak mengonfirmasi apakah tekanan yang diperkirakan mereproduksi fenomena sebenarnya.
Sebagian besar studi ini juga belum menjelaskan pengaruh pengaturan fitur yang berbeda pada hasil. Namun karena hasil kemungkinan bergantung pada pengaturan fitur, penting untuk mengungkap fitur mana yang esensial bagi model surrogate untuk mereproduksi fluida.
Jadi, sebuah studi baru, dipublikasikan di Applied Ocean Research3, telah memperkenalkan model surrogate berbasis partikel yang dapat diterapkan pada ukuran langkah waktu yang lebih besar dan fenomena fluida yang berbeda.
Studi tersebut memperkenalkan tiga versi simulator berbasis jaringan graf (GNS) yang ditingkatkan, di mana GNN mempelajari gerakan partikel fluida dari data SPH. Ini mencakup GNS dengan estimasi tekanan (GNS-P), GNS dengan node batas dinding (GNS-W), dan GNS dengan kombinasi keduanya (GNS-WP).
Dalam studi mereka, peneliti menunjukkan bahwa estimasi tekanan penting untuk memprediksi fluida secara akurat dan memverifikasi bahwa node batas dinding sangat penting dalam mengelola kondisi batas dinding yang bergerak. Mereka juga menunjukkan bahwa GNS-WP mampu mereplikasi sloshing dengan cukup akurat bahkan ketika kecepatan simulasi (ukuran langkah waktu) 10 kali lebih besar daripada data pelatihan.
Metode yang diusulkan (GNS-WP) yang dilatih dalam skenario sloshing, menurut studi, dapat diterapkan pada tiga masalah berbeda — uji hidrostatik, dam break, dan osilasi bebas.
Lebih Cepat, Lebih Pintar, & Skalabel Model Surrogate Berbasis GNN
Model simulasi fluida berbasis ML baru yang mengurangi waktu komputasi secara signifikan tanpa memengaruhi akurasi telah dibuat oleh peneliti dari Osaka Metropolitan University. Metode cepat dan presisi tinggi ini berpotensi digunakan dalam pemantauan laut waktu nyata, desain kapal, dan pembangkit listrik lepas pantai.
Model berbasis AI semakin mendapatkan banyak perhatian di bidang dinamika fluida berkat membuat simulasi fluida menjadi sederhana dan lebih cepat. Namun, teknologi ini memiliki masalahnya sendiri.
Sebagai penulis utama, Takefumi Higaki, yang merupakan asisten profesor di Sekolah Pascasarjana Teknik Universitas Metropolitan Osaka, mencatat:
“AI dapat memberikan hasil luar biasa untuk masalah spesifik tetapi sering kesulitan ketika diterapkan pada kondisi yang berbeda.”
Jadi, tim membangun model baru menggunakan graph neural networks (GNN), sebuah teknologi deep learning, untuk menyediakan alat yang secara konsisten cepat dan akurat.
GNN adalah jenis arsitektur jaringan saraf yang memproses dan belajar dari data berstruktur graf. Graf adalah struktur data yang terdiri dari node, yang merupakan entitas seperti produk dan orang, serta edge, yang mewakili hubungan di antara mereka. GNN menganalisis hubungan besar dan kompleks dalam graf.
Jaringan saraf ini digunakan dalam analisis jejaring sosial untuk memahami pola, memprediksi preferensi pengguna berdasarkan interaksi, memodelkan dan memprediksi sifat material, serta mengidentifikasi kandidat obat potensial dan memprediksi efektivitas obat.
Dalam studi terbaru, node adalah partikel fluida, sementara edge adalah interaksi antara partikel-partikel tersebut.
Tim peneliti pertama menentukan faktor-faktor penting untuk perhitungan fluida berpresisi tinggi. Mereka membandingkan berbagai kondisi pelatihan dan kemudian menilai seberapa efektif model mereka dapat beradaptasi dengan kecepatan simulasi yang berbeda dan variasi gerakan fluida.
Tim menemukan hasil yang menunjukkan kemampuan generalisasi yang kuat di berbagai perilaku fluida, secara signifikan meningkatkan kecepatan dan mengurangi waktu yang diperlukan untuk pemrosesan.
Teknik mereka dilaporkan mencapai akurasi pada tingkat yang sama atau bahkan lebih baik daripada MPS, dengan kecepatan 10 kali lebih cepat pada CPU dan lebih dari 200 kali lebih cepat pada GPU. Studi juga mencatat bahwa, meskipun hanya dilatih menggunakan aliran sloshing yang kuat, GNS-WP mampu berhasil mereproduksi aliran tenang dan statis dengan batas dinding yang berbeda.
“Model kami mempertahankan tingkat akurasi yang sama dengan simulasi berbasis partikel tradisional, di seluruh berbagai skenario fluida, sambil mengurangi waktu komputasi dari sekitar 45 menit menjadi hanya tiga menit.”
– Higaki
Dengan pencapaian ini, penelitian menawarkan solusi yang skalabel dan dapat digeneralisasi untuk simulasi fluida berkinerja tinggi yang menyeimbangkan efisiensi dengan akurasi. Lebih penting lagi, perbaikan ini tidak terbatas pada laboratorium.
Higaki mengatakan:
“Simulasi fluida yang lebih cepat dan lebih presisi dapat berarti percepatan signifikan dalam proses desain kapal dan sistem energi lepas pantai. Mereka juga memungkinkan analisis perilaku fluida waktu nyata, yang dapat memaksimalkan efisiensi sistem energi laut.”
Berbeda dengan studi lain, yang ini merinci perbaikan langkah demi langkah pada model surrogate berbasis partikel, yang membantu pengembangan lebih lanjut.
Dalam pekerjaan mendatang, peneliti juga berencana mengatasi tantangan konsistensi fisik yang tidak memadai, pengelolaan tekanan yang tidak diketahui, dan memperluas penggunaan model ke masalah kompleks dan 3D.
Mengingat potensi metode yang diusulkan untuk belajar dari data eksperimental di dunia nyata, tim selanjutnya berencana menggunakan studi ini sebagai dasar untuk merekonstruksi perilaku fluida kompleks yang persamaan pengaturannya tidak diketahui, seperti aliran multiphase dengan material diskontinu.
Perusahaan Inovatif
Huntington Ingalls Industries, Inc.
Sebagai pembuat kapal utama untuk Angkatan Laut AS, Huntington Ingalls Industries (HII ) terus mengeksplorasi perbaikan dalam simulasi dinamika fluida untuk memperlancar desain kapal dan pengujian kinerja.
Perusahaan ini sedang membangun generasi berikutnya dari sistem pertahanan dan intelijen cerdas serta memanfaatkan kecerdasan buatan (AI) untuk melakukannya. Dengan menggabungkan kekuatan komputasi awan dan perangkat edge dengan perangkat lunak yang disesuaikan, HII berharap menjadikan tim manusia-AI yang mulus sebagai standar dalam operasi masa depan.
Di HII, algoritma AI dan pembelajaran mesin mutakhir dikembangkan, diuji, dan diintegrasikan untuk mengoptimalkan serta mempercepat sistem dan platform yang kritis bagi misi.
Aplikasi ML canggih perusahaan mendukung berbagai kebutuhan pertahanan, termasuk spektrum radio-frekuensi, analisis otomatis citra, data siber, lingkungan akustik, dan bahasa alami untuk produksi intelijen.
HII juga memanfaatkan pengetahuan domain dan data yang mendalam untuk membangun ML bagi ketahanan misi, kesiapan operasional, dan pemeliharaan armada di bawah logistik yang diperebutkan. Sebagai perpanjangan dari pelatihan berbasis simulator, perusahaan terlibat dalam pengembangan bantuan keputusan operasional berbasis ML.
Selain itu, pengembang platform maritim otonom telah menerapkan AI deep learning (DL) dengan arsitektur berbasis transformer untuk pencarian sinyal presisi dalam volume data yang sangat besar dan berantakan.
HII memanfaatkan dan menggabungkan data dari berbagai modalitas, termasuk sinyal spektral RF, citra geospasial, dan media bahasa alami untuk meningkatkan akurasi. Ia juga menggunakan teknologi NLP canggih berbasis DL dan ML untuk membantu penyortiran informasi dan penghubungan bagi misi global.
Sementara itu, digital twin berbasis AI milik HII memungkinkan pengujian, validasi, dan penghematan sumber daya dari pembuatan kapal hingga pemeliharaan armada. Suite otonomi canggihnya, Odyssey, mengubah kendaraan apa pun menjadi platform robotik cerdas yang memungkinkan kolaborasi otonomi multi‑kendaraan, pemantauan kesehatan, fusi sensor, dan persepsi berbasis AI.
Jadi, perusahaan secara luas menggunakan teknologi terbaru untuk meningkatkan produktivitas dan mengoptimalkan prosesnya. Namun, HII mengakui bahwa ketidakpastian inheren AI dapat menyebabkan inefisiensi operasional dan kerugian kompetitif, terutama jika alat mereka terbukti tidak memadai.
HII Grafik Harga
Secara finansial, penyedia pertahanan semua domain ini memiliki kapitalisasi pasar sebesar $7,25 miliar dengan sahamnya, pada saat penulisan, diperdagangkan pada $184,95, turun 2,13% sejauh ini tahun ini. Dengan itu, EPS (TTM)-nya adalah 13,96, rasio P/E (TTM) adalah 13,25, dan ROE (TTM) adalah 12,56%. Untuk dividend yield, nilainya cukup baik yaitu 2,92%.
Mengenai keuangan perusahaan, untuk Q4 2024, perusahaan melaporkan pendapatan sebesar $3 miliar dibandingkan $3,2 miliar pada kuartal yang sama tahun sebelumnya. Penurunan ini disebabkan volume yang lebih rendah di semua segmen. Pendapatan operasional Non‑GAAP juga turun dari $330 juta pada 4Q23 menjadi $103 juta, yang dipicu oleh kinerja yang lebih rendah di 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.
Untuk tahun penuh, pendapatan HII sebesar $11,5 miliar, sedikit meningkat (kurang dari 1%) dari 2023 karena volume yang lebih tinggi di Ingalls Shipbuilding dan Mission Technologies. Laba bersih per saham (diluted) adalah $13,96.
Kas bersih dari aktivitas operasional adalah $393 juta sementara arus kas bebas adalah $40 juta, penurunan besar dibandingkan $970 juta dan $692 juta masing-masing pada tahun sebelumnya.
Pada 2024, perusahaan juga melaporkan pencapaian tonggak penting dalam pembuatan kapal, termasuk pengiriman amphibious transport dock Richard M. McCool Jr. (LPD 29) dan kapal selam kelas Virginia New Jersey (SSN 796). Segmen Mission Technologies HII, sementara itu, memperoleh kontrak dengan nilai total lebih dari $12 miliar.
“Kami terus membuat kemajuan pada kapal yang dikontrak sebelum COVID, dan bekerja keras dengan pelanggan kami untuk menempatkan lebih dari $50 miliar pekerjaan baru dalam kontrak. Mission Technologies melanjutkan rekam jejak kuatnya dalam pertumbuhan pendapatan dan ekspansi margin. Kami memasuki 2025 dengan fokus pada misi kami untuk menyediakan kapal paling kuat di dunia dan solusi semua domain dalam melayani negara.”
– CEO dan presiden Chris Kastner
Kesimpulan
Model simulasi fluida berbasis AI telah membantu memajukan bidang dinamika fluida selama beberapa waktu. Namun, model AI terbaru, yang menggunakan graph neural networks, telah menunjukkan hasil yang mengesankan. Model ini tidak hanya menunjukkan potensi tinggi untuk menjembatani kesenjangan antara akurasi dan efisiensi, tetapi juga memungkinkan aplikasi yang lebih cepat dan waktu nyata di industri maritim.
Teknologi ini dapat menjadi menjanjikan dalam mempercepat desain dan pengujian kapal serta infrastruktur lepas pantai, serta mengoptimalkan sistem energi laut terbarukan. Model simulasi fluida berbasis AI dapat berkontribusi pada rekayasa laut yang lebih bersih dan cerdas, menuju masa depan yang makmur!
Studi yang Dirujuk:
1. Xu, Z., Ren, J., Zhang, Y., Gonzalez Ondina, J. M., Olabarrieta, M., Xiao, T., He, W., Liu, Z., Chen, S., Smith, K., & Jiang, Z. (2024). A fast AI surrogate for coastal ocean circulation models. arXiv. https://doi.org/10.48550/arXiv.2410.14952
2. Toshev, A. P., Erbesdobler, J. A., Adams, N. A., & Brandstetter, J. (2024). Neural SPH: Improved neural modeling of Lagrangian fluid dynamics. arXiv. https://doi.org/10.48550/arXiv.2402.06275
