Intelligenza Fluida: l’AI Ridefinisce la Simulazione del Mare

L’intelligenza artificiale (AI) sta trasformando rapidamente il nostro mondo. Automatizzando le attività ripetitive, ottimizzando i flussi di lavoro e migliorando la presa di decisioni, questa tecnologia promette guadagni sostanziali in termini di efficienza e produttività in tutti i settori.

Con questo aumento di produttività ed efficienza, l’AI è proiettata a contribuire con trilioni di dollari alla crescita e allo sviluppo economico in tutto il mondo.

L’AI ha anche dimostrato un enorme potenziale nel affrontare sfide complesse come le malattie e il cambiamento climatico e nel guidare l’innovazione in vari settori per consentire la creazione di nuovi prodotti, servizi e modelli di business.

Un’applicazione interessante dell’AI è stata anche vista nell’analisi dei fluidi. Nelle macchine, la prova dei fluidi come lubrificanti, refrigeranti e carburanti viene eseguita per identificare problemi che possono indicare potenziali problemi o guasti.

Ciò consente una manutenzione e riparazioni tempestive, che possono aiutare a prevenire costosi guasti e tempi di fermo. Riduce anche la necessità di riparazioni e sostituzioni importanti e garantisce che la macchina funzioni al massimo della sua prestazione.

Per molti anni, l’analisi dei fluidi è stata piuttosto lunga e faticosa. Ma l’avvento dell’AI ha reso l’intero processo più semplificato, efficiente e preciso.

Dopo tutto, le tecniche di apprendimento automatico e di intelligenza artificiale utilizzano enormi set di dati, imparano da essi e poi fanno previsioni. La tecnologia può tenere conto dell’intero set di dati di un asset nel corso della sua vita, utilizzare più segnali contemporaneamente e imparare ad adattarsi attraverso il feedback.

L’analisi dei fluidi, tuttavia, va ben oltre l’olio nelle macchine. Nell’ingegneria costiera e oceanica, il comportamento dei fluidi svolge un ruolo critico nella progettazione di strutture marittime, nella modellazione dei cambiamenti della linea di costa e persino nell’utilizzo dell’energia delle onde e delle maree.

Avanzamento dell’Intelligenza Costiera e Marina con l’AI

Nell’ingegneria costiera, l’AI ha apportato molti miglioramenti affrontando problemi come il trasporto di sedimenti, la dinamica della linea di costa, l’ottimizzazione della progettazione, il monitoraggio costiero e la resilienza climatica.

Un esempio di ciò è stato visto lo scorso anno, quando i ricercatori della City University di Hong Kong hanno utilizzato l’apprendimento automatico per migliorare l’accuratezza della modellazione del campo di vento di confine dei cicloni tropicali.

“Noi esseri umani viviamo in questo strato di confine, quindi capire e modellare con precisione è essenziale per la previsione delle tempeste e la preparazione ai pericoli.”

– Autore Qiusheng Li

Perché l’aria in questo strato interagisce con la terra, l’oceano e tutto ciò che si trova al livello della superficie, la modellazione è stata piuttosto impegnativa. Nonostante gli approcci tradizionali utilizzino tonnellate di dati e eseguano grandi simulazioni numeriche su supercomputer, spesso si traducono in previsioni inaccurate o incomplete.

Lo studio più recente ha utilizzato un avanzato framework di apprendimento automatico basato sulla 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, l’intensità e l’impatto potenziale della tempesta. L’autore Feng Hu ha detto:

“Con uragani più frequenti e intensi a causa del cambiamento climatico, il nostro modello potrebbe migliorare significativamente l’accuratezza delle previsioni del campo di vento. Questo progresso può aiutare a raffinare le previsioni del tempo e le valutazioni dei rischi, fornendo avvisi tempestivi e migliorando la resilienza delle comunità e delle infrastrutture costiere.”

Contemporaneamente, una ricerca separata ha introdotto un surrogato AI¹ per simulare la propagazione di onde tidal costiere in un estuario per scopi di previsione e hindcast. Questo approccio accelera le simulazioni e incorpora una costrizione fisica per rilevare e correggere risultati inaccurati.

Riducendo il tempo di costo della previsione di 12 giorni delle simulazioni ROMS tradizionali a soli 22 secondi, la ricerca contribuisce alla modellazione oceanografica offrendo un’alternativa veloce, precisa e fisicamente coerente ai modelli di simulazione tradizionali, in particolare per la previsione in tempo reale nella risposta rapida alle calamità.

All’inizio dello scorso anno, un team di ricercatori ha anche lavorato sul miglioramento della modellazione neurale² della dinamica dei fluidi Lagrangiana.

Sulla base di ciò, i ricercatori hanno migliorato sia l’addestramento che l’inferenza di rollout dei simulatori basati su GNN con componenti variabili dai solutori SPH standard, inclusi componenti viscosi, di pressione e di forza esterna. I simulatori neurali SPH migliorati hanno quindi raggiunto una prestazione migliore rispetto ai GNN di base, il che consente rollouts considerevolmente più lunghi e una migliore modellazione della fisica.

Evolutzione dei Modelli Surrogati Basati su ML nella Simulazione dei Fluidi

Quando si tratta di simulazione dei fluidi, un approccio comune è la tecnica delle particelle, dove le particelle simulano il comportamento del flusso dei fluidi. Alcuni esempi ampiamente utilizzati includono l’idrodinamica delle particelle lisce (SPH), la semi-implicita delle particelle in movimento (MPS) o l’SPH incompressibile.

Tuttavia, queste tecniche richiedono risorse computazionali estese, incluse potenza di elaborazione, tempo e costo. Negli ultimi anni, la necessità di simulare fluidi reali in ogni fase dell’ingegneria, dalla progettazione, alla produzione e allo sviluppo, alla verifica, all’operazione e alla visualizzazione, è cresciuta, quindi il tempo di calcolo deve essere ridotto.

Negli ultimi anni, sono stati introdotti diversi modelli surrogati basati su ML per stimare la dinamica dei fluidi con un minor costo computazionale.

Ciò include l’uso dell’apprendimento automatico per sostituire i metodi delle particelle e il calcolo rapido delle simulazioni dei fluidi Lagrangiani, che comporta il tracciamento di particelle di fluido individuali e la concentrazione sulle loro traiettorie e proprietà.

Mentre l’apprendimento automatico può accelerare le simulazioni dei fluidi Lagrangiani, gli studi precedenti non sono stati in grado di convalidare le prestazioni di generalizzazione di tali modelli surrogati attraverso diversi comportamenti dei fluidi.

Poi c’è il fatto che la maggior parte di questi modelli è stata convalidata sotto la condizione CFL, proprio come i metodi CFD tradizionali, 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 la riproduzione di un comportamento simile ai fluidi negli ambienti di simulazione.

Quindi, gli studi successivi hanno fatto progressi sui modelli surrogati per SPH, che hanno visto un miglioramento graduale dell’accuratezza. I ricercatori hanno utilizzato diversi metodi per questo, 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 grafiche (GNN) per apprendere il movimento delle particelle di fluido dai dati SPH, tra gli altri.

Tuttavia, questi non avevano lo scopo di 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 tendenza recente di concentrarsi sulla pressione dei fluidi incompressibili.

Per questo, gli scienziati hanno accelerato la risoluzione della PPE in MPS utilizzando DNN. Hanno introdotto FGN o reti grafiche dei 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 riproduceva i fenomeni reali.

La maggior parte di questi studi non ha chiarito l’effetto delle diverse impostazioni delle caratteristiche sui risultati. Ma poiché i risultati dipendono probabilmente dalle impostazioni delle caratteristiche, è importante rivelare quale caratteristica sia essenziale per i modelli surrogati per riprodurre i fluidi.

Quindi, uno studio nuovo, pubblicato su Applied Ocean Research³, ha presentato un modello surrogato basato sulle particelle che può essere applicato a dimensioni di passo temporale più grandi e a diversi fenomeni dei fluidi.

Lo studio ha presentato tre versioni migliorate del simulatore basato su GNN, che hanno fatto sì che le GNN imparassero il movimento delle particelle di fluido dai dati SPH. Ciò include GNS con stima della pressione (GNS-P), GNS con nodi del limite della 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 con accuratezza i fluidi e hanno verificato che i nodi del limite della parete sono vitali nella gestione delle condizioni di limite della parete in movimento. Hanno anche mostrato che GNS-WP è stato in grado di riprodurre con precisione l’oscillazione anche quando la velocità di simulazione (la dimensione del passo temporale) era 10 volte più grande di quella dei dati di addestramento.

Il metodo proposto (GNS-WP) addestrato nello scenario di oscillazione, secondo lo studio, può essere applicato a tre problemi diversi: test di idrostatica, rottura della diga e test di oscillazione libera.

Clicca qui per scoprire come il Venus Flower Basket sta ridisegnando la dinamica dei fluidi e l’aerodinamica.

Simulatore Surrogato GNN-Powered più Veloce, più Intelligente e più Scalabile

Il nuovo modello di simulazione dei fluidi basato su ML che riduce significativamente il tempo di calcolo senza compromettere l’accuratezza è stato creato da ricercatori dell’Università Metropolitana di Osaka. Questo metodo rapido e ad alta precisione ha un potenziale uso nel monitoraggio oceanico in tempo reale, nella progettazione delle navi e nella generazione di energia offshore.

I modelli di simulazione dei fluidi basati sull’AI stanno guadagnando molta attenzione nello spazio della dinamica dei fluidi grazie alla semplificazione e alla velocizzazione delle simulazioni dei fluidi. Tuttavia, questa tecnologia ha i suoi problemi.

Come ha notato l’autore principale, Takefumi Higaki, che è un assistente professore alla Scuola di Ingegneria dell’Università Metropolitana di Osaka:

“L’AI può fornire risultati eccezionali per problemi specifici, ma spesso fatica quando applicata a condizioni diverse.”

Quindi, il team ha costruito il nuovo modello utilizzando reti neurali grafiche (GNN), una tecnologia di apprendimento profondo, per fornire uno strumento che sia costantemente veloce e preciso.

Le GNN sono un tipo di architettura di rete neurale che elabora e apprende da dati strutturati come grafi. I grafi sono strutture di dati composte da nodi, che sono entità come prodotti e persone, e da archi, che rappresentano le relazioni tra loro. Le GNN analizzano grandi e complesse relazioni all’interno del grafo.

Questa rete neurale viene utilizzata nell’analisi dei social network per comprendere i modelli, prevedere le preferenze degli utenti in base alle interazioni, modellare e prevedere le proprietà dei materiali e identificare potenziali candidati per farmaci 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 determinato per primo quali fattori siano importanti per calcoli di fluidi ad alta precisione. Hanno confrontato diverse condizioni di addestramento e quindi valutato quanto efficacemente il loro modello potesse adattarsi a diverse velocità di simulazione e movimenti dei fluidi variabili.

Il team ha trovato i risultati che mostrano forti capacità di generalizzazione attraverso diversi comportamenti dei fluidi, aumentando notevolmente la velocità e riducendo il tempo necessario per l’elaborazione.

La loro tecnica è stata segnalata per raggiungere un’accuratezza dello stesso livello o addirittura migliore di MPS, con 10 volte la velocità su CPU e più di 200 volte più veloce su GPU. Lo studio ha anche notato che, nonostante l’addestramento utilizzasse solo un potente flusso di oscillazione, GNS-WP è stato in grado di riprodurre con successo sia flussi calmi che statici con un diverso limite della parete.

“Il nostro modello mantiene lo stesso livello di accuratezza delle simulazioni basate sulle particelle tradizionali, in vari scenari di fluidi, riducendo il tempo di calcolo da circa 45 minuti a soli 3 minuti.”

– Higaki

Con questo risultato, la ricerca offre una soluzione scalabile e generalizzabile per la simulazione dei fluidi ad alte prestazioni che bilancia l’efficienza con l’accuratezza. Più importante ancora, questi miglioramenti non sono limitati al laboratorio.

Higaki ha detto:

“Simulazioni dei fluidi più veloci e più precise possono significare un’accelerazione significativa nel processo di progettazione delle navi e dei sistemi di energia offshore. Consentono anche l’analisi del comportamento dei fluidi in tempo reale, che potrebbe massimizzare l’efficienza dei sistemi di energia oceanica.”

A differenza di altri studi, questo ha dettagliato un miglioramento passo-passo dei modelli surrogati basati sulle particelle, il che aiuta con il loro ulteriore sviluppo.

Nel lavoro futuro, i ricercatori intendono anche affrontare le sfide della mancanza di coerenza fisica, della gestione della pressione sconosciuta e dell’estensione dell’utilizzo del modello a problemi complessi e tridimensionali.

Data la potenziale capacità del metodo proposto di apprendere da dati sperimentali nel mondo reale, il team intende utilizzare questo studio come base per ricreare comportamenti dei fluidi complessi le cui equazioni di governo non sono note, come flussi multifase con materiali discontinui.

Azienda Innovativa

Huntington Ingalls Industries, Inc. (HII )

Un importante costruttore di navi per la Marina degli Stati Uniti, Huntington Ingalls Industries sta costantemente esplorando miglioramenti nelle simulazioni della dinamica dei fluidi per semplificare la progettazione e la sperimentazione delle navi.

L’azienda sta costruendo la prossima generazione di sistemi di difesa e intelligence intelligenti e sta sfruttando l’intelligenza artificiale (AI) per farlo. Combinando la potenza del cloud computing e dei dispositivi edge con software personalizzati, HII spera di rendere le squadre umane-AI senza soluzione di continuità lo standard nelle operazioni future.

In HII, gli algoritmi di apprendimento automatico e di intelligenza artificiale avanzati vengono sviluppati, testati e integrati per ottimizzare e accelerare sistemi e piattaforme critiche per la missione.

Le applicazioni ML avanzate dell’azienda supportano una vasta gamma di esigenze di difesa, tra cui spettro radiofrequency, 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 della missione, la prontezza operativa e la sostenibilità della flotta in logistica contestata. Come estensione della sua formazione basata su simulatori, è coinvolta nello sviluppo di aiuti decisionali operativi basati su ML.

Inoltre, lo sviluppatore di piattaforme marittime autonome ha schierato l’apprendimento profondo (DL) AI con architetture basate su trasformatori per la ricerca di segnali di precisione in grandi volumi di dati fortemente rumorosi.

HII sfrutta e fonde dati attraverso diverse modalità, tra cui segnali spettrali RF, immagini geospaziali e media in linguaggio naturale per migliorare l’accuratezza. Utilizza anche tecnologie NLP avanzate basate su DL e ML per aiutare nella categorizzazione e connessione delle informazioni per missioni globali.

I gemelli digitali basati sull’AI di HII, intanto, consentono di testare, convalidare e risparmiare risorse dalla costruzione di navi alla sostenibilità della flotta. La sua suite di autonomia avanzata, Odyssey, trasforma qualsiasi veicolo in una piattaforma robotica intelligente che consente la collaborazione di multi-veicoli, il monitoraggio della salute, la fusione dei sensori e la percezione abilitata all’AI.

Quindi, l’azienda fa un uso estensivo della tecnologia più recente per aumentare la sua produttività e ottimizzare i suoi processi. Tuttavia, HII riconosce che le incertezze innate dell’AI potrebbero portare a inefficienze operative e danni alla concorrenza, specialmente se i suoi strumenti si rivelano inadeguati.

Dal punto di vista finanziario, il fornitore di difesa a tutti i domini ha un capitale di 7,25 miliardi di dollari con le sue azioni, al momento della scrittura, scambiate a 184,95 dollari, in calo del 2,13% finora quest’anno. Con ciò, il suo 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 dei dividendi, è un bel 2,92%.

Per quanto riguarda le finanze aziendali, nel quarto trimestre del 2024, l’azienda ha riportato un fatturato di 3 miliardi di dollari rispetto a 3,2 miliardi di dollari dello stesso trimestre dell’anno precedente. Questo calo è stato dovuto a un minor volume in tutti i settori. L’utile operativo non GAAP è sceso da 330 milioni di dollari nel 4° trimestre del 2023 a 103 milioni di dollari, trainato dalle prestazioni più basse 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 aumento leggero (meno dell’1%) rispetto al 2023 a causa di volumi più alti presso Ingalls Shipbuilding e Mission Technologies. L’utile per azione diluito è stato di 13,96 dollari.

Il flusso di cassa dalle attività operative è stato di 393 milioni di dollari, mentre il flusso di cassa libero è stato di 40 milioni di dollari, un calo significativo rispetto a 970 milioni di dollari e 692 milioni di dollari rispettivamente nell’anno precedente.

Nel 2024, l’azienda ha anche segnalato di aver raggiunto importanti traguardi nella costruzione di navi, tra cui la consegna del mezzo da sbarco anfibio Richard M. McCool Jr. (LPD 29) e del sommergibile della classe Virginia New Jersey (SSN 796). Il settore Mission Technologies di HII, intanto, ha ottenuto commesse con un valore contrattuale totale di oltre 12 miliardi di dollari.

“Continuiamo a fare progressi sulle navi messe sotto contratto prima del COVID, e stiamo lavorando diligentemente con i nostri clienti per mettere sotto contratto oltre 50 miliardi di dollari di nuovo lavoro. Mission Technologies ha continuato il suo solido record di crescita della linea di prodotti e di espansione del margine. Entriamo nel 2025 concentrandoci sulla nostra missione di consegnare le navi e le soluzioni a tutti i domini più potenti al mondo.”

– Amministratore Delegato e Presidente Chris Kastner

Conclusione

I modelli di simulazione dei fluidi basati sull’AI hanno aiutato ad avanzare il settore della dinamica dei fluidi da tempo. Tuttavia, il modello di AI più recente, che utilizza reti neurali grafiche, ha dimostrato risultati impressionanti. Non solo mostra un alto potenziale per colmare il divario tra accuratezza ed efficienza, ma consente anche applicazioni più veloci in tempo reale nei settori marittimi.

Questa tecnologia può rivelarsi promettente nell’accelerare la progettazione e la sperimentazione delle navi e delle infrastrutture offshore e nell’ottimizzare i sistemi di energia rinnovabile oceanica. Il modello di simulazione dei fluidi basato sull’AI può contribuire a un’ingegneria oceanica più pulita e intelligente, portando a un futuro fiorente!