Intelligenza artificiale
Intelligenza dei Fluidi: L’IA Ridefinisce Come Simuliamo il Mare
Aggiungi Securities.io alle tue fonti preferite su Google
L’intelligenza artificiale (IA) sta trasformando rapidamente il nostro mondo. Automatizzando compiti ripetitivi, ottimizzando i flussi di lavoro e migliorando il processo decisionale, questa tecnologia promette guadagni sostanziali in efficienza e produttività in tutti i settori.
Con questo aumento di produttività ed efficienza, si prevede che l’IA contribuirà con trilioni alla crescita economica e allo sviluppo a livello globale.
L’IA ha anche dimostrato un potenziale enorme nell’affrontare sfide complesse come malattie e cambiamenti climatici e nel guidare l’innovazione in vari settori per consentire la creazione di nuovi prodotti, servizi e modelli di business.
Un’applicazione interessante dell’IA è stata osservata anche nell’analisi dei fluidi. Nelle macchine, il test di fluidi come lubrificanti, refrigeranti e carburanti viene effettuato per identificare problemi che possono indicare potenziali guasti o malfunzionamenti.
Ciò consente una manutenzione e riparazioni tempestive, aiutando a prevenire costosi guasti e tempi di inattività. Riduce inoltre la necessità di riparazioni e sostituzioni importanti e garantisce che le macchine operino al massimo delle prestazioni.
Per molti anni, l’analisi dei fluidi è stata piuttosto lunga e laboriosa. Ma l’avvento dell’IA ha reso l’intero processo più semplificato, efficiente e preciso.
Dopotutto, le tecniche di IA e apprendimento automatico utilizzano enormi set di dati, ne apprendono e poi effettuano previsioni. La tecnologia può considerare l’intero set di dati di un bene durante il suo ciclo di vita, utilizzare più segnali contemporaneamente e apprendere ad adattarsi tramite feedback.
Tuttavia, l’analisi dei fluidi va ben oltre l’olio nelle macchine. Nell’ingegneria costiera e oceanica, il comportamento dei fluidi svolge un ruolo cruciale nella progettazione di strutture marittime, nella modellazione dei cambiamenti della linea costiera e persino nello sfruttamento dell’energia delle onde e delle maree.
Avanzare l’Intelligenza Costiera e Marina con l’IA
Nell’ingegneria costiera, l’IA ha apportato numerosi miglioramenti affrontando problemi come il trasporto di sedimenti, la dinamica della linea costiera, l’ottimizzazione del design, il monitoraggio costiero e la resilienza climatica.
Un esempio di ciò è stato osservato alla fine dello scorso anno, quando ricercatori della City University of Hong Kong hanno utilizzato l’apprendimento automatico per migliorare l’accuratezza della modellazione del campo di vento dello strato limite dei cicloni tropicali.
“Noi esseri umani viviamo in questo strato limite, quindi comprenderlo e modellarlo accuratamente è essenziale per la previsione delle tempeste e la preparazione ai pericoli.”
– Autore Qiusheng Li
Poiché l’aria in questo strato interagisce con la terra, l’oceano e tutto il resto a livello superficiale, la modellazione è stata piuttosto difficile. Nonostante gli approcci tradizionali utilizzino enormi quantità di dati ed eseguano grandi simulazioni numeriche su supercomputer, spesso producono previsioni imprecise o incomplete.
L’ultimo studio ha utilizzato un avanzato framework ML informato dalla fisica che richiede una piccola quantità di dati reali per catturare il comportamento complesso dei campi di vento dei cicloni tropicali, che contengono informazioni sulla struttura della tempesta, l’intensità e l’impatto potenziale. L’autore Feng Hu ha dichiarato:
“Con uragani più frequenti e intensi a causa del cambiamento climatico, il nostro modello potrebbe migliorare significativamente l’accuratezza delle previsioni dei campi di vento. Questo progresso può aiutare a perfezionare le previsioni meteorologiche e le valutazioni del rischio, fornendo avvisi tempestivi e migliorando la resilienza delle comunità costiere e delle infrastrutture.”
All’incirca nello stesso periodo, una ricerca separata ha introdotto un surrogato IA1 per simulare la propagazione delle onde di marea costiere in un estuario a scopi di retrospettiva e previsione. Questo approccio accelera le simulazioni e incorpora un vincolo basato sulla fisica per rilevare e correggere risultati imprecisi.
Riducendo il tempo di previsione di 12 giorni delle simulazioni ROMS tradizionali a soli 22 secondi, la ricerca contribuisce alla modellazione oceanografica offrendo un’alternativa veloce, accurata e fisicamente coerente ai modelli di simulazione tradizionali, in particolare per le previsioni in tempo reale durante risposte rapide a disastri.
All’inizio dell’anno scorso, un team di ricercatori ha anche lavorato per migliorare la modellazione neurale2 della dinamica dei fluidi lagrangiani.
Sulla base di ciò, i ricercatori hanno migliorato sia l’addestramento sia l’inferenza di rollout dei simulatori basati su GNN con componenti variabili dei solver SPH standard, includendo componenti viscose, di pressione e forze esterne. I simulatori SPH neurali migliorati hanno quindi ottenuto prestazioni migliori rispetto ai GNN di base, il che, secondo loro, consente rollout notevolmente più lunghi e una modellazione fisica più accurata.
Evoluzione dei Modelli Surrogati Basati su ML nella Simulazione dei Fluidi
Per quanto riguarda la simulazione dei fluidi, un approccio comune è la tecnica delle particelle, dove le particelle simulano il comportamento del flusso del fluido. Alcuni esempi ampiamente usati includono l’idrodinamica a particelle smussate (SPH), il metodo delle particelle semi-implicite in movimento (MPS) o lo SPH incompressibile.
Tuttavia, queste tecniche richiedono risorse computazionali estese, inclusi potenza di elaborazione, tempo e costi. Negli ultimi anni, la necessità di simulare fluidi reali in ogni fase dell’ingegneria, dalla progettazione, produzione e sviluppo alla verifica, operazione e visualizzazione, è cresciuta, quindi è necessario ridurre anche i tempi di calcolo.
Negli ultimi anni, sono stati introdotti diversi modelli surrogati basati su ML per stimare la dinamica dei fluidi con un costo computazionale inferiore.
Ciò include l’uso del machine learning per sostituire i metodi a particelle e il calcolo rapido delle simulazioni di fluidi lagrangiani, che comporta il tracciamento delle singole particelle di fluido e la concentrazione sulle loro traiettorie e proprietà.
Mentre il ML può accelerare le simulazioni di fluidi lagrangiani, studi precedenti non sono riusciti a convalidare le prestazioni di generalizzazione di tali modelli surrogati su comportamenti fluidi diversi.
Poi c’è il fatto che la maggior parte di questi modelli è stata validata sotto la condizione CFL, similmente ai metodi tradizionali di fluidodinamica computazionale (CFD), il che limita la loro capacità di ridurre significativamente il tempo di calcolo.
Inoltre, l’obiettivo di questi studi iniziali non era l’accuratezza, ma piuttosto replicare il comportamento simile a un fluido negli ambienti di simulazione.
Quindi, studi successivi hanno fatto progressi sui modelli surrogati per SPH, che hanno mostrato un miglioramento graduale dell’accuratezza. I ricercatori hanno utilizzato diversi metodi, come l’uso dei risultati SPH come dati di addestramento per eseguire l’analisi dei fluidi lagrangiani con reti neurali profonde (DNN) e l’introduzione di reti neurali a grafo (GNN) per apprendere il movimento delle particelle di fluido dai dati SPH, tra gli altri.
Tuttavia, questi non miravano a stimare la pressione, uno dei fattori essenziali per comprendere la meccanica dei fluidi e la sua interazione con le strutture.
Quindi, la progressione da lì ha portato alla recente tendenza di concentrarsi sulla pressione dei fluidi incomprimibili. Per questo, gli scienziati hanno accelerato la risoluzione dell’equazione di pressione (PPE) in MPS usando DNN. Hanno introdotto le FGN o reti di grafi fluidi (che sfruttano le GNN per simulare la dinamica dei fluidi) utilizzando MPS come dati di addestramento. Tuttavia, non hanno confermato se la pressione stimata riproducesse i fenomeni reali.
La maggior parte di questi studi non ha chiarito nemmeno l’effetto di diverse impostazioni delle caratteristiche sui risultati. Poiché i risultati dipendono probabilmente dalle impostazioni delle caratteristiche, è importante rivelare quale caratteristica è essenziale affinché i modelli surrogati riproducano i fluidi.
Quindi, un nuovo studio, pubblicato su Applied Ocean Research3, ha presentato un modello surrogato basato su particelle che può essere applicato a intervalli di tempo più grandi e a diversi fenomeni fluidi.
Lo studio ha presentato tre versioni migliorate del simulatore basato su reti di grafi (GNS), in cui le GNN apprendono il movimento delle particelle di fluido dai dati SPH. Questo include GNS con stima della pressione (GNS-P), GNS con nodi di confine di parete (GNS-W) e GNS con una combinazione di entrambi (GNS-WP).
Nel loro studio, i ricercatori hanno dimostrato che la stima della pressione è importante per prevedere accuratamente i fluidi e hanno verificato che i nodi di confine di parete sono fondamentali nella gestione delle condizioni di confine mobile. Hanno anche mostrato che GNS-WP è stato in grado di replicare lo sloshing in modo abbastanza accurato anche quando la velocità di simulazione (la dimensione del passo temporale) era 10 volte più grande rispetto ai dati di addestramento.
Il metodo proposto (GNS-WP) addestrato nello scenario di sloshing, secondo lo studio, può essere applicato a tre diversi problemi — test idrostatici, di rottura di diga e di oscillazione libera.
Modello Surrogato più Veloce, Intelligente e Scalabile basato su GNN
Il nuovo modello di simulazione dei fluidi basato su ML, che riduce significativamente il tempo di calcolo senza influire sull’accuratezza, è stato creato da ricercatori dell’Università Metropolitana di Osaka. Questo metodo rapido e ad alta precisione ha potenziali utilizzi nel monitoraggio oceanico in tempo reale, nella progettazione di navi e nella generazione di energia offshore.
I modelli potenziati dall’IA stanno guadagnando molta trazione nel campo della dinamica dei fluidi grazie alla semplificazione e alla velocità delle simulazioni. Tuttavia, questa tecnologia presenta delle problematiche.
Come ha osservato l’autore principale, Takefumi Higaki, assistente professore presso la Graduate School of Engineering dell’Università Metropolitana di Osaka:
“L’IA può fornire risultati eccezionali per problemi specifici ma spesso fatica quando viene applicata a condizioni diverse.”
Quindi, il team ha costruito il nuovo modello usando reti neurali a grafo (GNN), una tecnologia di deep learning, per fornire uno strumento costantemente veloce e accurato.
Le GNN sono un tipo di architettura di rete neurale che elabora e apprende da dati strutturati a grafo. I grafi sono strutture dati composte da nodi, che sono entità come prodotti e persone, e archi, che rappresentano le relazioni tra di essi. Le GNN analizzano relazioni grandi e complesse all’interno del grafo.
Questa rete neurale è usata nell’analisi dei social network per comprendere i pattern, prevedere le preferenze degli utenti basate sulle interazioni, modellare e prevedere le proprietà dei materiali, e identificare potenziali candidati farmaceutici e prevedere l’efficacia dei farmaci.
Nello studio più recente, un nodo è una particella di fluido, mentre l’arco è l’interazione tra quelle particelle.
Il team di ricerca ha prima determinato quali fattori sono importanti per calcoli fluidi ad alta precisione. Hanno confrontato diverse condizioni di addestramento e poi valutato quanto efficacemente il loro modello potesse adattarsi a diverse velocità di simulazione e movimenti fluidi variabili.
Il team ha riscontrato che i risultati mostrano forti capacità di generalizzazione su diversi comportamenti fluidi, aumentando significativamente la velocità e diminuendo il tempo richiesto per l’elaborazione.
È stato riportato che la loro tecnica raggiunge un’accuratezza dello stesso livello o addirittura migliore rispetto a MPS, con una velocità 10 volte superiore su CPU e più di 200 volte più veloce su GPU. Lo studio ha anche osservato che, nonostante l’addestramento sia stato effettuato solo con un flusso di sloshing potente, GNS-WP è stato in grado di riprodurre con successo sia flussi calmi che statici con un diverso confine di parete.
“Il nostro modello mantiene lo stesso livello di accuratezza delle simulazioni tradizionali basate su particelle, in vari scenari fluidi, riducendo il tempo di calcolo da circa 45 minuti a soli tre minuti.”
– Higaki
Con questo risultato, la ricerca offre una soluzione scalabile e generalizzabile per la simulazione di fluidi ad alte prestazioni che bilancia efficienza e accuratezza. Ancora più importante, questi miglioramenti non sono limitati al laboratorio.
Higaki ha dichiarato:
“Simulazioni di fluidi più veloci e precise possono significare un’accelerazione significativa nel processo di progettazione di navi e sistemi energetici offshore. Consentono anche l’analisi del comportamento dei fluidi in tempo reale, il che potrebbe massimizzare l’efficienza dei sistemi energetici oceanici.”
A differenza di altri studi, questo ha dettagliato un miglioramento passo dopo passo dei modelli surrogati basati su particelle, facilitandone lo sviluppo futuro.
Nel lavoro futuro, i ricercatori pianificano anche di affrontare le sfide della insufficiente coerenza fisica, della gestione della pressione sconosciuta e dell’estensione dell’uso del modello a problemi complessi e 3D.
Dato il potenziale del metodo proposto di apprendere da dati sperimentali nel mondo reale, il team mira ulteriormente a utilizzare questo studio come base per ricreare comportamenti fluidi complessi le cui equazioni governanti non sono note, come flussi multifase con materiali discontinui.
Azienda Innovativa
Huntington Ingalls Industries, Inc.
Un importante costruttore navale per la Marina degli Stati Uniti, Huntington Ingalls Industries (HII ) sta costantemente esplorando miglioramenti nelle simulazioni della dinamica dei fluidi per ottimizzare la progettazione delle imbarcazioni e i test di prestazioni.
L’azienda sta costruendo la prossima generazione di sistemi di difesa e intelligence intelligenti e sta sfruttando l’intelligenza artificiale (IA) per farlo. Combinando la potenza del cloud computing e dei dispositivi edge con software su misura, HII spera di rendere i team uomo-IA senza soluzione di continuità lo standard nelle operazioni future.
Presso HII, algoritmi di IA e apprendimento automatico all’avanguardia sono sviluppati, testati e integrati per ottimizzare e accelerare sistemi e piattaforme critici per le missioni.
Le avanzate applicazioni ML dell’azienda supportano una vasta gamma di esigenze difensive, includendo lo spettro radio-frequenza, l’analisi automatizzata di immagini, dati cyber, ambiente acustico e linguaggio naturale per la produzione di intelligence.
HII utilizza anche la sua profonda conoscenza del dominio e dei dati per costruire ML per la resilienza delle missioni, la prontezza operativa e il mantenimento della flotta in condizioni logistiche contestate. Come estensione del suo addestramento basato su simulatori, è coinvolta nello sviluppo di ausili decisionali operativi basati su ML.
Inoltre, lo sviluppatore di piattaforme marittime autonome ha implementato IA di deep learning (DL) con architetture basate su transformer per la ricerca di segnali di precisione in enormi volumi di dati altamente rumorosi.
HII sfrutta e fonde dati attraverso diverse modalità, includendo segnali spettrali RF, immagini geospaziali e media in linguaggio naturale per migliorare l’accuratezza. Utilizza inoltre tecnologie NLP avanzate basate su DL e ML per aiutare nell’ordinamento e nel collegamento delle informazioni per missioni globali.
Nel frattempo, i gemelli digitali potenziati dall’IA di HII consentono test, validazione e risparmio di risorse dalla costruzione navale al mantenimento della flotta. La sua suite di autonomia avanzata, Odyssey, trasforma qualsiasi veicolo in una piattaforma robotica intelligente che consente autonomia collaborativa multi-veicolo, monitoraggio della salute, fusione dei sensori e percezione abilitata dall’IA.
Quindi, l’azienda utilizza ampiamente le tecnologie più recenti per aumentare la produttività e ottimizzare i processi. Tuttavia, HII riconosce che le incertezze intrinseche dell’IA potrebbero portare a inefficienze operative e danni competitivi, soprattutto se i loro strumenti dovessero risultare inadeguati.
HII Grafico dei prezzi
Dal punto di vista finanziario, il fornitore di difesa a tutto campo ha una capitalizzazione di mercato di 7,25 miliardi di dollari con le sue azioni, al momento della stesura, scambiate a 184,95 dollari, in calo del 2,13% finora quest’anno. Con ciò, l’EPS (TTM) è 13,96, il rapporto P/E (TTM) è 13,25 e il ROE (TTM) è 12,56%. Per quanto riguarda il rendimento del dividendo, è un buon 2,92%.
Per quanto riguarda i dati finanziari dell’azienda, per il Q4 del 2024, l’azienda ha riportato un fatturato di 3 miliardi di dollari rispetto a 3,2 miliardi nello stesso trimestre dell’anno precedente. Questo calo è stato dovuto a un volume inferiore in tutti i segmenti. Il reddito operativo non GAAP è anche diminuito da 330 milioni di dollari nel 4Q23 a 103 milioni, a causa di una performance più bassa presso Newport News Shipbuilding.
L’utile per azione diluito durante il trimestre è stato di 3,15 dollari, mentre l’azienda aveva un backlog di 48,7 miliardi di dollari alla fine dell’anno.
Per l’intero anno, il fatturato di HII è stato di 11,5 miliardi di dollari, un leggero aumento (meno dell’1%) rispetto al 2023 grazie a volumi più alti presso Ingalls Shipbuilding e Mission Technologies. L’utile per azione diluito è stato di 13,96 dollari.
Il flusso di cassa netto dalle attività operative è stato di 393 milioni di dollari, mentre il free cash flow è stato di 40 milioni, un forte calo rispetto a 970 milioni e 692 milioni rispettivamente nell’anno precedente.
Nel 2024, l’azienda ha anche riportato il raggiungimento di traguardi critici nella costruzione navale, tra cui la consegna del dock di trasporto anfibio Richard M. McCool Jr. (LPD 29) e del sottomarino classe Virginia New Jersey (SSN 796). Il segmento Mission Technologies di HII, nel frattempo, ha ottenuto contratti per un valore totale superiore a 12 miliardi di dollari.
“Continuiamo a fare progressi sulle navi messe in contratto pre-COVID e lavoriamo diligentemente con i nostri clienti per mettere sotto contratto oltre 50 miliardi di dollari di nuovi lavori. Mission Technologies ha continuato il suo solido record di crescita del fatturato e di espansione dei margini. Entriamo nel 2025 concentrati sulla nostra missione di fornire le navi più potenti al mondo e soluzioni a tutto campo al servizio della nazione.”
– CEO e presidente Chris Kastner
Conclusione
I modelli di simulazione dei fluidi basati sull’IA hanno contribuito a far progredire il campo della dinamica dei fluidi da tempo. Tuttavia, l’ultimo modello IA, che utilizza reti neurali a grafo, ha dimostrato risultati impressionanti. Non solo mostra un alto potenziale per colmare il divario tra accuratezza ed efficienza, ma consente anche applicazioni più rapide e in tempo reale nell’industria marittima.
Questa tecnologia può rivelarsi promettente nell’accelerare la progettazione e il test di navi e infrastrutture offshore e nell’ottimizzare i sistemi di energia oceanica rinnovabile. Il modello di simulazione dei fluidi basato sull’IA può contribuire a un’ingegneria oceanica più pulita e intelligente, portando a un futuro prospero!
Studi Citati:
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). Un surrogato IA veloce per i modelli di circolazione oceanica costiera. arXiv. https://doi.org/10.48550/arXiv.2410.14952
2. Toshev, A. P., Erbesdobler, J. A., Adams, N. A., & Brandstetter, J. (2024). Neural SPH: Modellazione neurale migliorata della dinamica dei fluidi lagrangiani. arXiv. https://doi.org/10.48550/arXiv.2402.06275
3. Higaki, T., Tanabe, Y., Hashimoto, H., & Iida, T. (2025). Miglioramento passo dopo passo di un modello surrogato basato su reti neurali a grafo per simulazioni di fluidi lagrangiani con dimensioni di passo temporale flessibili. Applied Ocean Research, 140, 104424. https://doi.org/10.1016/j.apor.2025.104424
