유동 지능: AI가 바다를 시뮬레이션하는 방식을 재정의합니다

인공 지능(AI)은 우리의 세상을 빠르게 변화시키고 있습니다. 반복적인 작업을 자동화하고, 워크플로를 최적화하고, 의사 결정을 개선함으로써 이 기술은 산업 전반에 걸쳐 효율성과 생산성을 크게 향상시킬 것을 약속합니다. 

생산성과 효율성이 향상됨에 따라 AI는 전 세계적으로 경제 성장과 개발에 수조 달러를 기여할 것으로 예상됩니다. 

AI도 또한 엄청난 잠재력을 보여주었다 질병이나 기후 변화 등의 복잡한 과제를 해결하고 다양한 분야에서 혁신을 주도해 새로운 제품, 서비스, 비즈니스 모델을 창출합니다. 

AI의 흥미로운 응용 분야는 유체 분석에서도 볼 수 있습니다. 기계에서 윤활유, 냉각수, 연료와 같은 유체의 테스트는 잠재적인 문제나 고장을 나타낼 수 있는 문제를 식별하기 위해 수행됩니다.

이를 통해 적시에 유지 관리 및 수리를 할 수 있어 비용이 많이 드는 고장 및 가동 중단을 방지하는 데 도움이 될 수 있습니다. 또한 주요 수리 및 교체의 필요성을 최소화하고 기계가 최고 성능으로 작동하도록 보장합니다.

수년 동안 유체 분석은 다소 길고 번거로웠습니다. 하지만 AI의 등장으로 전체 프로세스가 더 단순화되고, 효율적이며, 정확해졌습니다. 

결국 AI와 머신 러닝 기술은 방대한 데이터 세트를 사용하고, 이를 통해 학습한 다음 예측을 내립니다. 이 기술은 자산의 수명 동안 전체 데이터 세트를 고려하고, 한 번에 여러 신호를 사용하고, 피드백을 통해 적응하는 법을 배울 수 있습니다. 

그러나 유체 분석은 기계의 오일을 훨씬 넘어섭니다. 해안 및 해양 엔지니어링에서 유체 거동은 해양 구조물 설계, 해안선 변화 모델링, 심지어 파도와 조석 에너지 활용에 중요한 역할을 합니다. 

AI를 활용한 해안 및 해양 정보 발전

해안 공학 분야에서 AI는 퇴적물 이동, 해안선 역학, 설계 최적화, 해안 모니터링, 기후 회복력 등의 문제를 해결하여 많은 개선을 이루었습니다.

이에 대한 한 가지 예는 작년 말에 홍콩 시립대학의 연구자들이 머신 러닝을 활용해 열대저기압의 경계층 풍장 모델링의 정확도를 높였을 때 나타났습니다.

"우리 인간은 이 경계층에 살고 있기 때문에 이를 이해하고 정확하게 모델링하는 것은 폭풍 예보와 위험 대비에 필수적입니다."

– 저자 Qiusheng Li

이 층의 공기는 땅, 바다, 그리고 표면 수준의 다른 모든 것과 상호 작용하기 때문에 모델링은 다소 어려웠습니다. 방대한 데이터를 사용하고 슈퍼컴퓨터에서 대규모 수치 시뮬레이션을 실행하는 기존 접근 방식에도 불구하고 여전히 부정확하거나 불완전한 예측이 종종 발생합니다.

최신 연구에서는 고급 물리학 기반 ML 프레임워크 열대성 저기압의 바람장의 복잡한 거동을 파악하기 위해서는 소량의 실제 데이터가 필요한데, 여기에는 폭풍의 구조, 강도, 그리고 잠재적 영향에 대한 정보가 포함되어 있습니다. 저자인 펑 후는 다음과 같이 말했습니다.

"기후 변화로 인해 허리케인이 더 빈번하고 강렬해짐에 따라, 저희 모델은 풍력장 예측의 정확도를 크게 개선할 수 있습니다. 이러한 발전은 날씨 예보와 위험 평가를 개선하고, 적시에 경고를 제공하고, 해안 지역 사회와 인프라의 회복력을 강화하는 데 도움이 될 수 있습니다."

거의 같은 시기에 별도의 연구 AI 대리자를 도입했습니다¹ 하구에서 해안 해일의 전파를 시뮬레이션하여 사후 예측 및 예측 목적으로 사용합니다. 이 접근 방식은 시뮬레이션을 가속화하고 부정확한 결과를 감지하고 수정하기 위한 물리 기반 제약을 통합합니다.

이 연구는 기존 ROMS 시뮬레이션의 12일 예측에 소요되던 시간 비용을 단 22초로 줄임으로써, 특히 신속한 재해 대응 시 실시간 예측에 사용되는 기존 시뮬레이션 모델에 비해 빠르고 정확하며 물리적으로 일관된 대안을 제공함으로써 해양 모델링에 기여합니다.

작년 초 연구진도 신경 모델링 개선에 노력했습니다² 라그랑주 유체 역학의.

이를 바탕으로 연구자들은 점성, 압력 및 외부 힘 구성 요소를 포함하여 표준 SPH 솔버의 다양한 구성 요소를 사용하여 GNN 기반 시뮬레이터의 훈련 및 출시 추론을 모두 향상시켰습니다. 그런 다음 신경 SPH 강화 시뮬레이터는 기준 GNN보다 더 나은 성능을 달성했으며, 이를 통해 상당히 긴 출시와 더 나은 물리 모델링이 가능하다고 언급했습니다.

유체 시뮬레이션에서 ML 기반 대체 모델의 진화

유체 시뮬레이션에 관해서는, 일반적으로 취하는 접근 방식은 입자 기법으로, 입자가 유체 흐름의 동작을 시뮬레이션합니다. 널리 사용되는 몇 가지 예로는 평활화된 입자 유체 역학(SPH), 이동 입자 반암시적(MPS) 또는 비압축성 SPH가 있습니다.

그러나 이러한 기술을 구현하려면 처리 능력, 시간, 비용을 비롯한 광범위한 계산 리소스가 필요합니다. 최근 몇 년 동안 설계, 제조, 개발부터 검증, 운영, 시각화까지 엔지니어링의 모든 단계에서 실제 유체를 시뮬레이션해야 할 필요성이 커졌으므로 컴퓨팅 시간도 줄여야 합니다. 

지난 몇 년 동안 더 작은 계산 비용으로 유체 역학을 추정하기 위해 여러 가지 ML 기반 대체 모델이 도입되었습니다.

여기에는 입자 방법을 대체하기 위한 머신 러닝 사용과 라그랑주 유체 시뮬레이션의 빠른 계산이 포함되는데, 여기에는 개별 유체 입자를 추적하고 그 궤적과 속성에 초점을 맞추는 것이 포함됩니다.

ML은 라그랑주 유체 시뮬레이션의 속도를 높일 수 있지만, 이전 연구에서는 다양한 유체 거동에 대한 이러한 대체 모델의 일반화 성능을 검증할 수 없었습니다. 

그리고 이러한 모델의 대부분은 기존의 전산 유체 역학(CFD) 방식과 마찬가지로 CFL 조건에서 검증되었다는 사실이 있습니다. 이로 인해 계산 시간을 크게 단축하는 데 한계가 있습니다.

게다가 이러한 초기 연구의 초점은 정확도가 아닌 시뮬레이션 환경에서 유체와 같은 행동을 재현하는 데 맞춰졌습니다.

따라서 후속 연구에서는 SPH에 대한 대리 모델에 대한 진전이 있었고, 정확도가 점진적으로 향상되었습니다. 연구자들은 이를 위해 다양한 방법을 사용했는데, 예를 들어 SPH 결과를 훈련 데이터로 사용하여 딥 신경망(DNN)으로 라그랑주 유체 분석을 수행하고 그래프 신경망(GNN)을 도입하여 SPH 데이터에서 유체 입자의 움직임을 학습하는 등이 있습니다.

하지만 이러한 연구의 목적은 유체 역학과 구조물과의 상호 작용을 이해하는 데 필수적인 요소 중 하나인 압력을 추정하는 것이 아니었습니다.

그래서, 거기에서 진행된 최근 추세는 비압축성 유체의 압력에 초점을 맞추는 것으로 이어졌습니다. 이를 위해 과학자들은 DNN을 사용하여 MPS에서 PPE를 해결하는 것을 가속화했습니다. 그들은 MPS를 훈련 데이터로 사용하여 FGN 또는 유체 그래프 네트워크(GNN을 활용하여 유체 역학을 시뮬레이션)를 도입했습니다. 그러나 그들은 추정된 압력이 실제 현상을 재현하는지 확인하지 않았습니다.

이러한 연구의 대부분은 결과에 대한 다양한 기능 설정의 효과를 명확히 하지 못했습니다. 그러나 결과는 기능 설정에 따라 달라질 가능성이 높기 때문에 대체 모델이 유체를 재생하는 데 필수적인 기능이 무엇인지 밝히는 것이 중요합니다.

그래서 새로운 연구에서, Applied Ocean Research에 게재됨³, 더 큰 시간 단계 크기와 다양한 유체 현상에 적용할 수 있는 입자 기반 대체 모델을 제시했습니다.

이 연구에서는 세 가지 개선된 그래프 네트워크 기반 시뮬레이터(GNS) 버전을 제시했는데, 이를 통해 GNN은 SPH 데이터에서 유체 입자의 움직임을 학습했습니다. 여기에는 압력 추정이 있는 GNS(GNS-P), 벽 경계 노드가 있는 GNS(GNS-W), 그리고 두 가지를 결합한 GNS(GNS-WP)가 포함됩니다. 

연구자들은 연구에서 압력 추정이 유체를 정확하게 예측하는 데 중요하다는 것을 입증했고 벽 경계 노드가 이동 벽 경계 조건을 관리하는 데 필수적이라는 것을 확인했습니다. 또한 GNS-WP가 시뮬레이션 속도(시간 단계 크기)가 훈련 데이터보다 10배 더 큰 경우에도 슬로싱을 매우 정확하게 복제할 수 있음을 보여주었습니다.

연구에 따르면, 슬로싱 시나리오에서 학습된 제안된 방법(GNS-WP)은 정수압 시험, 댐 붕괴 시험, 자유 진동 시험의 세 가지 문제에 적용될 수 있습니다.

여기를 클릭하여 Venus Flower Basket이 공기 역학과 유체 역학을 어떻게 재구성하는지 알아보세요.

더 빠르고, 더 스마트하고, 확장 가능한 GNN 기반 대리 모델

정확도에 영향을 미치지 않으면서 계산 시간을 크게 단축하는 새로운 ML 기반 유체 시뮬레이션 모델은 오사카 수도권 대학의 연구자들에 의해 만들어졌습니다. 이 빠르고 고정밀 방법은 실시간 해양 모니터링, 선박 설계 및 해상 발전에 잠재적으로 사용될 수 있습니다.

AI 기반 모델은 유체 시뮬레이션을 간단하고 빠르게 만들어 유체 역학 분야에서 많은 인기를 얻고 있습니다. 하지만 이 기술에는 고유한 문제가 있습니다. 

오사카 수도대학 대학원 공학연구과 조교수이자 주저자인 타케후미 히가키는 다음과 같이 언급했습니다.

"AI는 특정 문제에 대해 뛰어난 결과를 제공할 수 있지만 다른 조건에 적용하면 종종 어려움을 겪습니다."

그래서 팀은 일관되게 빠르고 정확한 도구를 제공하기 위해 딥 러닝 기술인 그래프 신경망(GNN)을 사용하여 새로운 모델을 구축했습니다.

GNN은 그래프 구조의 데이터를 처리하고 학습하는 신경망 아키텍처의 한 유형입니다. 그래프는 제품 및 사람과 같은 엔티티인 노드와 이들 간의 관계를 나타내는 에지로 구성된 데이터 구조입니다. GNN은 그래프 내의 크고 복잡한 관계를 분석합니다.

이 신경망은 소셜 네트워크 분석에서 패턴을 이해하고, 상호작용을 기반으로 사용자 선호도를 예측하고, 재료의 속성을 모델링하고 예측하고, 잠재적인 약물 후보를 식별하고 약물 효능을 예측하는 데 사용됩니다.

최신 연구에 따르면 노드는 유체 입자이고, 에지는 입자 간의 상호작용입니다. 

연구팀은 먼저 고정밀 유체 계산에 중요한 요소가 무엇인지 파악했습니다. 그들은 다양한 훈련 조건을 비교한 다음, 모델이 다양한 시뮬레이션 속도와 다양한 유체 움직임에 얼마나 효과적으로 적응할 수 있는지 평가했습니다.

연구팀은 다양한 유체 거동에 걸쳐 강력한 일반화 능력을 보여주며, 처리 속도가 크게 향상되고 처리 시간이 단축되는 결과를 얻었습니다. 

그들의 기술은 MPS와 같은 수준 또는 그 이상의 정확도를 달성한 것으로 보고되었으며, CPU에서 10배, GPU에서 200배 이상 더 빠릅니다. 이 연구는 또한 강력한 슬로싱 흐름만을 사용하여 훈련했음에도 불구하고 GNS-WP가 다른 벽 경계를 사용하여 평온한 흐름과 정적 흐름을 모두 성공적으로 재현할 수 있었다고 언급했습니다.

"우리 모델은 다양한 유체 시나리오에서 기존 입자 기반 시뮬레이션과 동일한 수준의 정확도를 유지하면서도 계산 시간을 약 45분에서 단 XNUMX분으로 단축합니다."

– 히가키

이 업적을 통해, 이 연구는 효율성과 정확성의 균형을 이루는 고성능 유체 시뮬레이션을 위한 확장 가능하고 일반화 가능한 솔루션을 제공하고 있습니다. 더 중요한 것은, 이러한 개선 사항이 실험실에만 국한되지 않는다는 것입니다.

히가키는 이렇게 말했다:

"더 빠르고 정확한 유체 시뮬레이션은 선박 및 해상 에너지 시스템의 설계 프로세스에서 상당한 가속화를 의미할 수 있습니다. 또한 실시간 유체 거동 분석이 가능해져 해양 에너지 시스템의 효율성을 극대화할 수 있습니다."

다른 연구들과 달리 이 연구는 입자 기반 대체 모델의 단계적 개선 사항을 자세히 설명하여 이를 통해 모델의 추가 개발에 도움이 되었습니다. 

연구진은 향후 연구에서 물리적 일관성 부족, 알려지지 않은 압력 관리, 복잡하고 3차원적인 문제에 대한 모델 사용 확장과 같은 과제를 해결할 계획입니다. 

제안된 방법이 현실 세계의 실험 데이터로부터 학습할 수 있는 잠재력을 감안하여, 연구팀은 이 연구를 기반으로 불연속 물질이 있는 다상 흐름과 같이 지배 방정식이 알려지지 않은 복잡한 유체 거동을 재현하는 것을 목표로 합니다.

혁신적인 회사

헌팅턴 잉걸스 인더스트리, Inc. (HII )

미국 해군의 주요 조선업체인 Huntington Ingalls Industries는 선박 설계와 성능 테스트를 간소화하기 위해 유체 역학 시뮬레이션을 개선하는 방법을 끊임없이 모색하고 있습니다.

이 회사는 차세대 스마트 방위 및 정보 시스템을 구축하고 있으며 이를 위해 인공 지능(AI)을 활용하고 있습니다. HII는 클라우드 컴퓨팅과 엣지 장치의 힘을 맞춤형 소프트웨어와 결합하여 원활한 인간-AI ​​팀을 미래 운영의 표준으로 만들고자 합니다.

HII에서는 최첨단 AI 및 머신 러닝 알고리즘을 개발, 테스트 및 통합하여 임무 수행에 중요한 시스템과 플랫폼을 최적화하고 가속화합니다.

이 회사의 첨단 ML 애플리케이션은 무선 주파수 스펙트럼, 이미지의 자동 분석, 사이버 데이터, 음향 환경, 정보 생산을 위한 자연어 등 광범위한 방위 요구 사항을 지원합니다.

HII는 또한 심층적인 도메인 및 데이터 지식을 활용하여 경쟁적인 물류 하에서 임무 회복성, 운영 준비 및 함대 유지를 위한 ML을 구축합니다. 시뮬레이터 기반 훈련의 확장으로 ML 기반 운영 의사 결정 지원 도구 개발에 참여합니다.

또한, 자율 항해 플랫폼 개발업체는 엄청난 양의 복잡한 데이터에서 정밀한 신호 검색을 위해 변압기 기반 아키텍처를 갖춘 딥 러닝(DL) AI를 구축했습니다.

HII는 RF 스펙트럼 신호, 지리공간 이미지, 자연어 미디어를 포함한 다양한 모달리티에서 데이터를 활용하고 융합하여 정확도를 개선합니다. 또한 DL 및 ML을 기반으로 하는 고급 NLP 기술을 사용하여 글로벌 미션을 위한 정보 분류 및 연결을 지원합니다.

한편, HII의 AI 기반 디지털 트윈은 조선에서 함대 유지 관리에 이르기까지 리소스를 테스트, 검증 및 절약할 수 있도록 합니다. 고급 자율성 제품군인 Odyssey는 모든 차량을 다중 차량 협업 자율성, 상태 모니터링, 센서 융합 및 AI 지원 인식을 가능하게 하는 지능형 로봇 플랫폼으로 변환합니다. 

따라서 이 회사는 생산성을 높이고 프로세스를 최적화하기 위해 최신 기술을 광범위하게 활용합니다. 그러나 HII는 AI의 본질적인 불확실성이 운영 비효율성과 경쟁적 피해로 이어질 수 있다는 점을 인정합니다. 특히 도구가 부적절한 것으로 판명될 경우 더욱 그렇습니다.

재정적으로 볼 때, 모든 도메인 방어 제공업체의 시가총액은 7.25억 184.95천만 달러이며, 글을 쓰는 시점에 주가는 2.13달러로 거래되고 있으며, 올해 들어 지금까지 13.96% 하락했습니다. 이에 따라 EPS(TTM)는 13.25이고, P/E(TTM) 비율은 12.56이며, ROE(TTM)는 2.92%입니다. 배당수익률은 XNUMX%로 좋습니다.

회사 재무에 관해서 4년 2024분기에 회사는 신고 전년 동기의 3억 달러에 비해 3.2억 달러의 매출을 올렸습니다. 이 감소는 모든 부문에서 볼륨이 감소했기 때문입니다. 비GAAP 영업 이익도 330Q4의 23억 103만 달러에서 XNUMX억 XNUMX만 달러로 감소했는데, 이는 Newport News Shipbuilding의 실적 감소에 따른 것입니다. 

이 분기 동안 주당 순이익은 3.15달러였고, 연말에는 48.7억 달러의 미처리 잔고가 있었습니다.

연간 HII의 매출은 11.5억 달러로, Ingalls Shipbuilding과 Mission Technologies의 물량 증가로 1년 대비 약간 증가(2023% 미만)했습니다. 희석 주당 순이익은 13.96달러였습니다. 

영업 활동에서의 순 현금 흐름은 393억 40만 달러였고, 자유 현금 흐름은 970만 달러였는데, 이는 전년 대비 각각 692억 XNUMX만 달러와 XNUMX억 XNUMX만 달러에 비해 크게 감소한 수치입니다.

2024년에 이 회사는 또한 양륙 수송 도크 Richard M. McCool Jr. (LPD 29)와 버지니아급 잠수함 New Jersey(SSN 796)의 인도를 포함한 중요한 조선 이정표를 달성했다고 보고했습니다. 한편, HII의 Mission Technologies 부문은 총 계약 가치가 12억 달러가 넘는 수주를 확보했습니다.

"우리는 COVID 이전에 계약된 선박에 대한 진전을 계속하고 있으며, 고객과 부지런히 협력하여 50억 달러 이상의 신규 작업을 계약에 포함시키고 있습니다. Mission Technologies는 최고 라인 성장과 마진 확대에 대한 강력한 실적을 계속 이어갔습니다. 우리는 2025년에 국가에 서비스하는 세계에서 가장 강력한 선박과 모든 도메인 솔루션을 제공하는 사명에 집중합니다."

– CEO 겸 사장 Chris Kastner

맺음말

AI 기반 유체 시뮬레이션 모델은 얼마 동안 유체 역학 분야를 발전시키는 데 도움이 되었습니다. 그러나 그래프 신경망을 사용하는 최신 AI 모델은 인상적인 결과를 보여주었습니다. 정확도와 효율성 간의 격차를 메우는 높은 잠재력을 보여줄 뿐만 아니라 해양 산업에서 더 빠르고 실시간적인 응용 프로그램을 가능하게 합니다.

이 기술은 선박 및 해상 인프라의 설계 및 테스트를 가속화하고 재생 가능한 해양 에너지 시스템을 최적화하는 데 유망할 수 있습니다. AI 기반 유체 시뮬레이션 모델은 더 깨끗하고 스마트한 해양 엔지니어링에 기여하여 번영하는 미래를 이룰 수 있습니다!