Vloeistofintelligentie: AI herdefinieert hoe we de zee simuleren

Kunstmatige intelligentie (AI) transformeert onze wereld in een rap tempo. Door repetitieve taken te automatiseren, werkstromen te optimaliseren en besluitvorming te verbeteren, belooft deze technologie aanzienlijke winst in efficiëntie en productiviteit in alle sectoren.

Met deze impuls in productiviteit en efficiëntie wordt verwacht dat AI triljoenen zal bijdragen aan economische groei en ontwikkeling wereldwijd.

AI heeft ook een enorm potentieel getoond bij het aanpakken van complexe uitdagingen zoals ziektes en klimaatverandering en het stimuleren van innovatie in diverse sectoren om de creatie van nieuwe producten, diensten en bedrijfsmodellen mogelijk te maken.

Een interessante toepassing van AI is ook te zien in vloeistofanalyse. In machines wordt het testen van vloeistoffen zoals smeermiddelen, koelvloeistoffen en brandstoffen uitgevoerd om problemen te identificeren die kunnen wijzen op potentiële storingen of defecten.

Dit maakt tijdig onderhoud en reparaties mogelijk, waardoor kostbare storingen en stilstand kunnen worden voorkomen. Het vermindert ook de noodzaak voor grootschalige reparaties en vervangingen en zorgt ervoor dat de machines op hun maximale prestaties werken.

Jarenlang was vloeistofanalyse tamelijk langdurig en omslachtig. Maar de komst van AI heeft het hele proces vereenvoudigd, efficiënter en nauwkeuriger gemaakt.

Uiteindelijk gebruiken AI- en machine‑learningtechnieken enorme datasets, leren daarvan en doen vervolgens voorspellingen. De technologie kan de volledige dataset van een asset gedurende de levensduur in aanmerking nemen, meerdere signalen tegelijk gebruiken en leren zich aan te passen via feedback.

Vloeistofanalyse gaat echter veel verder dan olie in machines. In kust‑ en oceaantechniek speelt het gedrag van vloeistoffen een cruciale rol bij het ontwerpen van maritieme structuren, het modelleren van kustlijnveranderingen en zelfs bij het benutten van golf‑ en getij‑energie.

Vooruitgang in Kust- en Mariene Intelligentie met AI

In de kusttechniek heeft AI vele verbeteringen gebracht door problemen aan te pakken zoals sedimenttransport, dynamiek van de kustlijn, ontwerpoptimalisatie, kustmonitoring en klimaatresistentie.

Een voorbeeld hiervan werd eind vorig jaar gezien, toen onderzoekers van de City University of Hong Kong machine learning gebruikten om de nauwkeurigheid van het modelleren van het grenslaaggasveld van tropische cyclonen te verbeteren.

“Wij mensen leven in deze grenslaag, dus het begrijpen en nauwkeurig modelleren ervan is essentieel voor stormvoorspelling en voorbereiding op gevaren.”

– Auteur Qiusheng Li

Omdat de lucht in deze laag interacteert met land, de oceaan en alles op het oppervlak, is modelleren behoorlijk uitdagend geweest. Ondanks traditionele benaderingen die enorme hoeveelheden data gebruiken en grote numerieke simulaties op supercomputers uitvoeren, leveren ze vaak onnauwkeurige of onvolledige voorspellingen op.

De nieuwste studie gebruikte een geavanceerd fysica‑geïnformeerd ML‑kader dat een kleine hoeveelheid echte data vereist om het complexe gedrag van de windvelden van tropische cyclonen vast te leggen, die informatie bevatten over de structuur, intensiteit en potentiële impact van de storm. Auteur Feng Hu zei:

“Met vaker en intensere orkanen als gevolg van klimaatverandering, zou ons model de nauwkeurigheid van windveldvoorspellingen aanzienlijk kunnen verbeteren. Deze vooruitgang kan helpen bij het verfijnen van weersvoorspellingen en risico‑analyses, tijdige waarschuwingen bieden en de veerkracht van kustgemeenschappen en infrastructuur versterken.”

Rond dezelfde tijd voerde afzonderlijk onderzoek introduceerde een AI‑surrogaat¹ om de voortplanting van kust‑getijgolven in een estuarium te simuleren voor hindcast‑ en forecast‑doeleinden. Deze aanpak versnelt simulaties en bevat een fysica‑gebaseerde beperking om onnauwkeurige resultaten te detecteren en te corrigeren.

Door de tijdskosten van een 12‑daagse voorspelling met traditionele ROMS‑simulaties te reduceren tot slechts 22 seconden, levert het onderzoek een bijdrage aan oceanografische modellering door een snelle, nauwkeurige en fysisch consistente alternatieve oplossing te bieden voor traditionele simulatiemodellen, met name voor realtime‑voorspellingen bij snelle rampenrespons.

Eerder vorig jaar werkte een team van onderzoekers ook aan het verbeteren van de neurale modellering² van Lagrangiaanse vloeistofdynamica.

Op basis daarvan verbeterden de onderzoekers zowel de training als de rollout‑inference van GNN‑gebaseerde simulators met verschillende componenten van standaard SPH‑oplossers, waaronder viskeuze, druk‑ en externe krachtcomponenten. De neurale SPH‑verbeterde simulators behaalden vervolgens betere prestaties dan de basis‑GNN’s, wat, zoals opgemerkt, aanzienlijk langere rollouts en betere fysische modellering mogelijk maakt.

Evolutie van ML‑gebaseerde Surrogaatmodellen in Vloeistofs simulatie

Bij vloeistofs simulatie is een veelgebruikte benadering de deeltjesmethode, waarbij deeltjes het gedrag van vloeistofstroming simuleren. Enkele veelgebruikte voorbeelden zijn gladde deeltjeshydrodynamica (SPH), bewegende deeltjes semi‑impliciet (MPS) of incompressible SPH.

Echter, deze technieken vereisen uitgebreide rekenmiddelen, waaronder verwerkingskracht, tijd en kosten. In recente jaren is de behoefte om real‑world vloeistoffen te simuleren in elke fase van engineering, van ontwerp, productie en ontwikkeling tot verificatie, operatie en visualisatie, gegroeid, waardoor de rekentijd ook moet worden verminderd.

In de afgelopen jaren zijn verschillende ML‑gebaseerde surrogaatmodellen geïntroduceerd om vloeistofdynamica te schatten met een lagere rekencost.

Dit omvat het gebruik van machine learning om deeltjesmethoden te vervangen en snelle berekeningen van Lagrangiaanse vloeistofs simulaties uit te voeren, waarbij individuele vloeistofdeeltjes worden gevolgd en hun trajecten en eigenschappen worden geanalyseerd.

Hoewel ML Lagrangiaanse vloeistofs simulaties kan versnellen, hebben eerdere studies de generalisatie‑prestaties van dergelijke surrogaatmodellen over diverse vloeistofgedragingen niet kunnen valideren.

Daarbij is het feit dat de meeste van deze modellen zijn gevalideerd onder de CFL‑conditie, vergelijkbaar met traditionele Computational Fluid Dynamics (CFD) methoden, wat hun vermogen om de rekentijd aanzienlijk te verkorten beperkt.

Bovendien lag de focus van dergelijke initiële studies niet op nauwkeurigheid, maar op het repliceren van vloeistofachtig gedrag in simulatieomgevingen.

Daarom boekten latere studies vooruitgang met surrogaatmodellen voor SPH, die een geleidelijke verbetering in nauwkeurigheid lieten zien. Onderzoekers gebruikten verschillende methoden, zoals het gebruiken van SPH‑resultaten als trainingsdata om Lagrangiaanse vloeistofanalyse uit te voeren met diepe neurale netwerken (DNN) en het introduceren van graf‑neuronale netwerken (GNN) om de beweging van vloeistofdeeltjes uit SPH‑data te leren, onder andere.

Echter, deze richtten zich niet op het schatten van druk, een van de essentiële factoren voor het begrijpen van vloeistofmechanica en de interactie met structuren.

Dus leidde de voortgang tot de recente trend om zich te richten op de druk van incompressibele vloeistoffen. Hiervoor versnelden wetenschappers het oplossen van de PPE in MPS door DNN te gebruiken. Ze introduceerden FGN of fluid graph networks (die GNN’s benutten om vloeistofdynamica te simuleren) met MPS als trainingsdata. Ze bevestigden echter niet of de geschatte druk het daadwerkelijke fenomeen reproduceerde.

De meeste van deze studies hebben ook niet verduidelijkt wat het effect is van verschillende feature‑instellingen op de resultaten. Aangezien de resultaten waarschijnlijk afhankelijk zijn van de feature‑instellingen, is het belangrijk te achterhalen welke feature essentieel is voor surrogaatmodellen om vloeistoffen te reproduceren.

Dus, een nieuwe studie, gepubliceerd in Applied Ocean Research³, heeft een deeltjes‑gebaseerd surrogaatmodel gepresenteerd dat kan worden toegepast op grotere tijdstapgroottes en verschillende vloeistoffenomenen.

De studie presenteerde drie verbeterde graf‑netwerk‑gebaseerde simulator (GNS) versies, waarbij GNN de beweging van vloeistofdeeltjes leerde uit SPH‑data. Dit omvat GNS met drukschatting (GNS-P), GNS met wand‑grens‑nodes (GNS-W) en GNS met een combinatie van beide (GNS-WP). 

In hun studie toonden de onderzoekers aan dat drukschatting belangrijk is voor het nauwkeurig voorspellen van vloeistoffen en bevestigden dat de wand‑grens‑nodes cruciaal zijn bij het beheren van de bewegende wand‑grenscondities. Ze lieten ook zien dat GNS-WP het kolken redelijk nauwkeurig kon repliceren, zelfs wanneer de simulatiesnelheid (de tijdstapgrootte) 10‑maal groter was dan die van de trainingsdata.

De voorgestelde methode (GNS-WP), getraind in het kolk‑scenario, kan volgens de studie worden toegepast op drie verschillende problemen — hydrostatisch, damdoorbraak en vrije oscillatietests.

Klik hier om te leren hoe de Venus Flower Basket aero‑ en vloeistofdynamica opnieuw vormgeeft.

Sneller, Slimmer & Schaalbaar GNN‑Aangedreven Surrogaatmodel

Het nieuwe ML‑gebaseerde vloeistofs simulatiemodel dat de rekentijd aanzienlijk verkort zonder de nauwkeurigheid te beïnvloeden, is ontwikkeld door onderzoekers van de Osaka Metropolitan University. Deze snelle en hoog‑precisie methode heeft potentieel voor gebruik in realtime oceaanmonitoring, scheepsontwerp en offshore energieopwekking.

De AI‑aangedreven modellen winnen veel aan populariteit in de vloeistofdynamica dankzij het vereenvoudigen en versnellen van vloeistofs simulaties. Deze technologie kent echter ook eigen problemen.

Zoals de hoofdauteur, Takefumi Higaki, assistent‑professor aan de Graduate School of Engineering van de Osaka Metropolitan University, opmerkte:

“AI kan uitzonderlijke resultaten leveren voor specifieke problemen, maar worstelt vaak wanneer het wordt toegepast op andere omstandigheden.”

Daarom bouwde het team het nieuwe model met behulp van graf‑neuronale netwerken (GNN’s), een deep‑learning technologie, om een tool te bieden die consequent snel en nauwkeurig is.

GNN’s zijn een type neurale netwerkarchitectuur die graf‑gestructureerde data verwerkt en ervan leert. Grafen zijn datastructuren bestaande uit knooppunten, die entiteiten zoals producten en personen vertegenwoordigen, en randen, die de relaties tussen hen weergeven. GNN’s analyseren grote en complexe relaties binnen de graaf.

Dit neurale netwerk wordt gebruikt in sociale netwerk‑analyse om patronen te begrijpen, gebruikersvoorkeuren te voorspellen op basis van interacties, de eigenschappen van materialen te modelleren en te voorspellen, en potentiële geneesmiddelkandidaten te identificeren en de werkzaamheid van geneesmiddelen te voorspellen.

In de nieuwste studie is een knooppunt een vloeistofdeeltje, terwijl de rand de interactie tussen die deeltjes vertegenwoordigt. 

Het onderzoeksteam bepaalde eerst welke factoren belangrijk zijn voor hoog‑precisie vloeistofberekeningen. Ze vergeleken verschillende trainingscondities en evalueerden vervolgens hoe effectief hun model zich kon aanpassen aan verschillende simulatiesnelheden en variërende vloeistofbewegingen.

Het team ontdekte dat de resultaten sterke generalisatie‑capaciteiten vertoonden over verschillende vloeistofgedragingen, waardoor de snelheid aanzienlijk toenam en de verwerkingstijd sterk daalde.

Er is gemeld dat hun techniek een nauwkeurigheid bereikt die gelijk is aan of zelfs beter dan MPS, met 10‑maal de snelheid op CPU en meer dan 200‑maal sneller op GPU. De studie merkte ook op dat, ondanks dat alleen een krachtige kolk‑stroom werd gebruikt voor training, GNS‑WP zowel kalme als statische stromingen met een andere wand‑grens succesvol kon reproduceren.

“Ons model behoudt hetzelfde nauwkeurigheidsniveau als traditionele deeltjes‑gebaseerde simulaties, over verschillende vloeistofscenario’s heen, terwijl de rekentijd wordt verkort van ongeveer 45 minuten tot slechts drie minuten.”

– Higaki

Met deze prestatie biedt het onderzoek een schaalbare en generaliseerbare oplossing voor high‑performance vloeistofs simulatie die efficiëntie en nauwkeurigheid in evenwicht brengt. Belangrijker nog, deze verbeteringen zijn niet beperkt tot het laboratorium.

Higaki zei:

“Snellere en nauwkeurigere vloeistofs simulaties kunnen een aanzienlijke versnelling betekenen in het ontwerpproces van schepen en offshore energiesystemen. Ze maken ook realtime analyse van vloeistofgedrag mogelijk, wat de efficiëntie van oceaanenergiesystemen kan maximaliseren.”

In tegenstelling tot andere studies, beschrijft deze een stap‑voor‑stap verbetering van de deeltjes‑gebaseerde surrogaatmodellen, wat hun verdere ontwikkeling ondersteunt.

In toekomstig werk plannen de onderzoekers ook de uitdagingen van onvoldoende fysieke consistentie, beheer van onbekende druk, en het uitbreiden van het gebruik van het model naar complexe en 3D‑problemen aan te pakken.

Gezien het potentieel van de voorgestelde methode om te leren van experimentele gegevens in de echte wereld, streeft het team er verder naar deze studie als basis te gebruiken om complexe vloeistofgedragingen te recreeren waarvan de regerende vergelijkingen onbekend zijn, zoals meerfasenstromen met discontinuïteiten.

Innovatief Bedrijf

Huntington Ingalls Industries, Inc.

Als een grote scheepsbouwer voor de Amerikaanse marine onderzoekt Huntington Ingalls Industries (HII ) voortdurend verbeteringen in vloeistofdynamica‑simulaties om het scheepsontwerp en de prestatie‑testen te stroomlijnen.

Het bedrijf bouwt de volgende generatie slimme defensie‑ en intelligentsystemen en maakt daarbij gebruik van kunstmatige intelligentie (AI). Door de kracht van cloud‑computing en edge‑apparaten te combineren met op maat gemaakte software, hoopt HII naadloze mens‑AI‑teams de norm te maken in toekomstige operaties.

Bij HII worden geavanceerde AI‑ en machine‑learningalgoritmen ontwikkeld, getest en geïntegreerd om missie‑kritieke systemen en platforms te optimaliseren en te versnellen.

De geavanceerde ML‑toepassingen van het bedrijf ondersteunen een breed scala aan defensiebehoeften, waaronder radio‑frequentiespectrum, geautomatiseerde analyse van beeldmateriaal, cyberdata, akoestische omgeving en natuurlijke taal voor inlichtingenproductie.

HII maakt ook gebruik van zijn diepgaande domein‑ en data‑kennis om ML te bouwen voor missie‑resilience, operationele gereedheid en vlootonderhoud onder betwiste logistiek. Als uitbreiding van zijn simulator‑gebaseerde training is het betrokken bij de ontwikkeling van ML‑gebaseerde operationele besluitvormingshulpmiddelen.

Daarnaast heeft de ontwikkelaar van autonome maritieme platformen deep learning (DL) AI met transformer‑gebaseerde architecturen ingezet voor precieze signaalzoekopdrachten in enorme hoeveelheden sterk vervuilde data.

HII benut en combineert data over verschillende modaliteiten, waaronder RF‑spectrale signalen, geospatiale beelden en natuurlijke taalmedia, om de nauwkeurigheid te verbeteren. Het maakt ook gebruik van geavanceerde NLP‑technologie gebaseerd op DL en ML om te helpen bij het sorteren en verbinden van informatie voor wereldwijde missies.

De AI‑aangedreven digitale twins van HII maken ondertussen testen, valideren en het besparen van middelen mogelijk van scheepsbouw tot vlootonderhoud. De geavanceerde autonomie‑suite, Odyssey, transformeert elk voertuig tot een intelligent robotisch platform dat multi‑vehicle collaboratieve autonomie, gezondheidsmonitoring, sensorfusie en AI‑gebaseerde perceptie mogelijk maakt.

Het bedrijf maakt dus uitgebreid gebruik van de nieuwste technologie om de productiviteit te verhogen en processen te optimaliseren. HII erkent echter dat de inherente onzekerheden van AI kunnen leiden tot operationele inefficiënties en concurrentieschade, vooral als hun tools ontoereikend blijken.

Financieel gezien heeft de all‑domain defensie‑leverancier een marktkapitalisatie van $7,25 miljard, met aandelen die op het moment van schrijven handelen tegen $184,95, een daling van 2,13 % tot nu toe dit jaar. Daarbij is de EPS (TTM) 13,96, de P/E‑ratio (TTM) 13,25 en de ROE (TTM) 12,56 %. Wat betreft dividendrendement, is dat een mooie 2,92 %.

Wat betreft de bedrijfsfinanciën, voor Q4 van 2024, heeft het bedrijf gerapporteerd een omzet van $3 miljard vergeleken met $3,2 miljard in hetzelfde kwartaal van het voorgaande jaar. Deze daling was te wijten aan een lager volume in alle segmenten. De non‑GAAP operationele winst daalde ook van $330 miljoen in 4Q23 naar $103 miljoen, wat werd veroorzaakt door een lagere prestatie bij 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.

Voor het volledige jaar bedroeg de omzet van HII $11,5 miljard, een lichte stijging (minder dan 1 %) ten opzichte van 2023 door hogere volumes bij Ingalls Shipbuilding en Mission Technologies. De verwaterde winst per aandeel was $13,96.

De netto cashflow uit operationele activiteiten bedroeg $393 miljoen, terwijl de vrije cashflow $40 miljoen was, een grote daling ten opzichte van respectievelijk $970 miljoen en $692 miljoen in het voorgaande jaar.

In 2024 meldde het bedrijf ook het behalen van kritieke mijlpalen in de scheepsbouw, waaronder de levering van amfibisch transportdok Richard M. McCool Jr. (LPD 29) en de Virginia‑klasse onderzeeër New Jersey (SSN 796). Het Mission Technologies‑segment van HII behaalde ondertussen opdrachten met een totale contractwaarde van meer dan $12 miljard.

“We blijven vooruitgang boeken met schepen die vóór COVID onder contract zijn genomen, en werken nauw samen met onze klanten om meer dan $50 miljard aan nieuw werk onder contract te krijgen. Mission Technologies zette zijn sterke track‑record van omzetgroei en marges uitbreiding voort. We gaan 2025 in met focus op onze missie om ’s werelds krachtigste schepen en all‑domain oplossingen te leveren in dienst van de natie.”

– CEO en president Chris Kastner

Conclusie

AI‑gedreven vloeistofs simulatiemodellen helpen al geruime tijd het vakgebied van vloeistofdynamica vooruit te brengen. Het nieuwste AI‑model, dat graf‑neuronale netwerken gebruikt, heeft echter indrukwekkende resultaten laten zien. Het toont niet alleen een groot potentieel om de kloof tussen nauwkeurigheid en efficiëntie te overbruggen, maar maakt ook snellere realtime‑toepassingen in de maritieme industrie mogelijk.

Deze technologie kan veelbelovend zijn voor het versnellen van het ontwerp en de testing van schepen en offshore infrastructuur en voor het optimaliseren van duurzame oceaanenergiesystemen. Het AI‑gebaseerde vloeistofs simulatiemodel kan bijdragen aan schonere en slimmere oceaanengineering, wat leidt tot een welvarende toekomst!