Fluidintelligens: AI redefinerer hvordan vi simulerer havet

Kunstig intelligens (AI) transformerer raskt vår verden. Ved å automatisere repeterende oppgaver, optimalisere arbeidsflyter og forbedre beslutningstaking, lover denne teknologien betydelige gevinster i effektivitet og produktivitet på tvers av bransjer. 

Med dette løftet i produktivitet og effektivitet forventes AI å bidra med billioner til økonomisk vekst og utvikling globalt. 

AI har også vist enormt potensial i å takle komplekse utfordringer som sykdom og klimaendringer, samt drive innovasjon i ulike sektorer for å muliggjøre skapelsen av nye produkter, tjenester og forretningsmodeller. 

En interessant anvendelse av AI har også blitt sett i væskeanalyse. I maskiner utføres testing av væsker som smøremidler, kjølevæsker og drivstoff for å identifisere problemer som kan indikere potensielle feil eller svikt.

Dette muliggjør rettidig vedlikehold og reparasjoner, som kan bidra til å forhindre kostbare nedbrudd og driftsstans. Det reduserer også behovet for store reparasjoner og utskiftninger og sikrer at maskineriet opererer på sitt optimale nivå.

I mange år har væskeanalyse vært relativt langvarig og tungvint. Men AIens ankomst har gjort hele prosessen enklere, mer effektiv og presis. 

Tross alt bruker AI- og maskinlæringsteknikker enorme datasett, lærer av dem og gjør deretter prediksjoner. Teknologien kan ta hensyn til et assets komplette datasett gjennom hele levetiden, bruke flere signaler samtidig og lære å tilpasse seg gjennom tilbakemeldinger. 

Væskeanalyse går imidlertid langt utover olje i maskiner. Innen kyst- og havteknikk spiller væskens oppførsel en kritisk rolle i utforming av maritime strukturer, modellering av kystlinjeforandringer og til og med utnyttelse av bølge- og tidevannsenergi. 

Fremme av kyst- og marin intelligens med AI

Innen kystingeniørkunst har AI gjort mange forbedringer ved å takle problemer som sedimenttransport, kystlinjedynamikk, designoptimalisering, kystovervåking og klimaresiliens.

Et eksempel på dette ble sett sent i fjor, da forskere fra City University of Hong Kong brukte maskinlæring for å forbedre nøyaktigheten i modelleringen av grenselagsvindfeltet til tropiske sykloner.

«Vi mennesker lever i dette grenselaget, så forståelse og nøyaktig modellering er avgjørende for stormvarsling og beredskap mot farer.»

– Forfatter Qiusheng Li

Fordi luften i dette laget samhandler med land, havet og alt annet på overflatenivå, har modellering vært ganske utfordrende. Til tross for tradisjonelle tilnærminger som bruker enorme mengder data og kjører store numeriske simuleringer på superdatamaskiner, resulterer de fortsatt ofte i unøyaktige eller ufullstendige prediksjoner.

Den siste studien brukte en avansert fysikk-informert ML-rammeverk som krever en liten mengde reelle data for å fange den komplekse oppførselen til tropiske sykloners vindfelt, som inneholder informasjon om stormens struktur, intensitet og potensiell påvirkning. Forfatteren Feng Hu sa:

«Med hyppigere og mer intense orkaner på grunn av klimaendringer, kan modellen vår betydelig forbedre nøyaktigheten i vindfeltprediksjoner. Denne fremgangen kan bidra til å finjustere værmeldinger og risikovurderinger, gi rettidige varsler og styrke motstandskraften til kystsamfunn og infrastruktur.»

Rundt samme tid introduserte separat forskning introduserte en AI-surrogat¹ for å simulere spredning av kysttidebølger i en elvemunning for hindcast- og forecast-formål. Denne tilnærmingen akselererer simuleringer og innlemmer en fysikkbasert begrensning for å oppdage og korrigere unøyaktige resultater.

Ved å redusere tidskostnaden for 12-dagers prognoser med tradisjonelle ROMS-simuleringer til kun 22 sekunder, bidrar forskningen til oseanografisk modellering ved å tilby et raskt, nøyaktig og fysisk konsistent alternativ til tradisjonelle simuleringsmodeller, spesielt for sanntidsprognoser i rask katastrofehåndtering.

Tidligere i fjor jobbet et forskerteam ogsåarbeidet med å forbedre den nevrale modelleringen² av Lagrange-fluiddynamikk.

Basert på dette forbedret forskerne både trening og utrulling av GNN-baserte simulatorer med varierende komponenter fra standard SPH-løsere, inkludert viskøse, trykk- og ekstern kraft-komponenter. De nevrale SPH-forbedrede simulatorene oppnådde deretter bedre ytelse enn basis‑GNN‑ene, noe som, som de bemerket, tillater betydelig lengre utrullinger og bedre fysikkmodellering.

Utviklingen av ML-baserte surrogatmodeller i væskesimulering

Når det gjelder væskesimulering, er en vanlig tilnærming partikkelteknikken, hvor partikler simulerer væskestrømmenes oppførsel. Noen mye brukte eksempler inkluderer glattet partikkelhydrodynamikk (SPH), bevegelige partikkel semi-implisitt (MPS), eller inkompressibel SPH.

Imidlertid krever disse teknikkene omfattende datakraft, inkludert prosesseringskraft, tid og kostnad. I de siste årene har behovet for å simulere virkelige væsker i alle faser av ingeniørarbeid, fra design, produksjon og utvikling til verifisering, drift og visualisering, økt, så beregningstiden må også reduseres.

I løpet av de siste årene har flere ML-baserte surrogatmodeller blitt introdusert for å estimere fluiddynamikk med lavere beregningskostnad.

Dette inkluderer bruk av maskinlæring for å erstatte partikkelmåter og rask beregning av Lagrange-fluidsimuleringer, som involverer sporing av individuelle væske‑partikler og fokus på deres baner og egenskaper.

Selv om ML kan øke hastigheten på Lagrange‑fluidsimuleringer, har tidligere studier ikke klart å validere generaliseringsytelsen til slike surrogatmodeller på tvers av ulike væskeoppføringer.

Der er også faktum at de fleste av disse modellene har blitt validert under CFL‑betingelsen, lik tradisjonelle beregningsfluiddynamikk (CFD)-metoder, noe som begrenser deres evne til å redusere beregningstiden betydelig.

Videre var fokuset i slike innledende studier ikke på nøyaktighet, men på å replikere væske‑lignende oppførsel i simuleringsmiljøer.

Dermed gjorde påfølgende studier fremskritt med surrogatmodeller for SPH, som så en gradvis forbedring i nøyaktighet. Forskere brukte ulike metoder, som å bruke SPH‑resultater som treningsdata for å utføre Lagrange‑fluidanalyse med dype nevrale nettverk (DNN) og introdusere graf‑nevrale nettverk (GNN) for å lære bevegelsen til væske‑partikler fra SPH‑data, blant annet.

Imidlertid hadde disse ikke som mål å estimere trykk, en av de essensielle faktorene for å forstå fluidmekanikk og dens interaksjon med strukturer.

Dermed førte utviklingen til den nylige trenden med å fokusere på trykk i inkompressible væsker. For dette akselererte forskere løsning av PPE i MPS ved å bruke DNN. De introduserte FGN eller væske‑grafnettverk (som utnytter GNN‑er for å simulere fluiddynamikk) ved å bruke MPS som treningsdata. De bekreftet imidlertid ikke om det estimerte trykket gjengav de faktiske fenomenene.

De fleste av disse studiene har heller ikke avklart effekten av ulike funksjonsinnstillinger på resultatene. Men siden resultatene sannsynligvis avhenger av funksjonsinnstillingene, er det viktig å avdekke hvilke funksjoner som er essensielle for at surrogatmodeller skal gjenskape væsker.

Dermed har en ny studie, publisert i Applied Ocean Research³, presentert en partikkelvektet surrogatmodell som kan brukes på større tidsstegstørrelser og ulike væske‑fenomener.

Studien presenterte tre forbedrede grafnettverks‑baserte simulatorer (GNS) versjoner, som fikk GNN til å lære bevegelsen til væske‑partikler fra SPH‑data. Dette inkluderer GNS med trykkestimering (GNS-P), GNS med vegg‑grense‑noder (GNS-W), og GNS med en kombinasjon av begge (GNS-WP).

I deres studie demonstrerte forskerne at trykkestimering er viktig for nøyaktig prediksjon av væsker og bekreftet at vegg‑grense‑nodene er avgjørende for håndtering av bevegelige vegg‑grense‑forhold. De viste også at GNS-WP klarte å replikere sloshing‑fenomenet ganske nøyaktig selv når simuleringens hastighet (tidsstegstørrelsen) var 10‑ganger større enn treningsdataene.

Den foreslåtte metoden (GNS-WP) trent i sloshing‑scenarioet, ifølge studien, kan anvendes på tre ulike problemer — hydrostatisk, demningsbrudd og frie oscillasjonstester.

Klikk her for å lære hvordan Venusblomsterkurven omdefinerer aero- og fluiddynamikk.

Raskere, smartere og skalerbar GNN-drevet surrogatmodell

Den nye ML‑baserte væskesimuleringsmodellen som reduserer beregningstiden betydelig uten å påvirke nøyaktigheten, er utviklet av forskere fra Osaka Metropolitan University. Denne raske og høy‑presise metoden har potensial for bruk i sanntids havovervåking, skipsdesign og offshore kraftgenerering.

AI‑drevne modeller får stor oppmerksomhet innen fluiddynamikk fordi de gjør væskesimuleringer enklere og raskere. Imidlertid har teknologien også sine utfordringer.

Som hovedforfatter, Takefumi Higaki, som er førsteamanuensis ved Osaka Metropolitan Universitys Graduate School of Engineering, bemerket:

«AI kan levere eksepsjonelle resultater for spesifikke problemer, men sliter ofte når den anvendes under andre forhold.»

Dermed bygde teamet den nye modellen ved bruk av graf‑nevrale nettverk (GNN), en dyp‑lærings‑teknologi, for å tilby et verktøy som er konsekvent raskt og nøyaktig.

GNN er en type nevrale nettverksarkitektur som behandler og lærer fra graf‑strukturerte data. Grafer er datastrukturer bestående av noder, som er enheter som produkter og personer, og kanter, som representerer relasjoner mellom dem. GNN analyserer store og komplekse relasjoner innen grafen.

Dette nevrale nettverket brukes i analyse av sosiale nettverk for å forstå mønstre, forutsi brukerpreferanser basert på interaksjoner, modellere og forutsi materialers egenskaper, samt identifisere potensielle legemiddelkandidater og forutsi legemiddelseffektivitet.

I den siste studien er en node en væske‑partikkel, mens en kant er interaksjonen mellom disse partiklene. 

Forskningsgruppen bestemte først hvilke faktorer som er viktige for høy‑presis væskeberegning. De sammenlignet ulike treningsforhold og vurderte deretter hvor effektivt modellen kunne tilpasse seg ulike simuleringshastigheter og varierte væske‑bevegelser.

Teamet fant at resultatene viste sterk generaliseringsevne på tvers av ulike væske‑oppføringer, noe som betydelig økte hastigheten og reduserte den nødvendige prosesseringstiden.

Deres teknikk har blitt rapportert å oppnå en nøyaktighet på samme nivå eller enda bedre enn MPS, med 10‑ganger hastighet på CPU og mer enn 200‑ganger raskere på GPU. Studien bemerket også at, til tross for at den kun ble trent med en kraftig sloshing‑strøm, klarte GNS‑WP å reprodusere både rolige og statiske strømmer med en annen vegg‑grense.

«Vår modell opprettholder samme nøyaktighetsnivå som tradisjonelle partikkelbaserte simuleringer, gjennom ulike væske‑scenarioer, samtidig som den reduserer beregningstiden fra omtrent 45 minutter til kun tre minutter.»

– Higaki

Med denne prestasjonen tilbyr forskningen en skalerbar og generaliserbar løsning for høy‑ytelses væskesimulering som balanserer effektivitet med nøyaktighet. Enda viktigere er at disse forbedringene ikke er begrenset til laboratoriet.

Higaki sa:

«Raskere og mer presise væskesimuleringer kan bety en betydelig akselerasjon i designprosessen for skip og offshore energisystemer. De muliggjør også sanntidsanalyse av væskeoppførsel, noe som kan maksimere effektiviteten til havenergisystemer.»

I motsetning til andre studier detaljerte denne en trinn‑for‑trinn‑forbedring av de partikkelvektede surrogatmodellene, noe som hjelper med videre utvikling.

I fremtidig arbeid planlegger forskerne også å takle utfordringene med utilstrekkelig fysisk konsistens, håndtering av ukjent trykk, og utvide modellens bruk til komplekse og 3D‑problemer.

Gitt den foreslåtte metodens potensial til å lære fra eksperimentelle data i den virkelige verden, har teamet videre som mål å bruke denne studien som et grunnlag for å gjenskape komplekse væskeoppføringer hvis styrende ligninger ikke er kjent, som flerfase‑strømmer med diskontinuerlige materialer.

Innovativt selskap

Huntington Ingalls Industries, Inc.

En stor skipsbygger for den amerikanske marinen, Huntington Ingalls Industries (HII ), utforsker kontinuerlig forbedringer i væskedynamikk‑simuleringer for å strømlinjeforme fartøydesign og ytelsestesting.

Selskapet bygger neste generasjon av smarte forsvars‑ og intelligenssystemer og utnytter kunstig intelligens (AI) for å gjøre det. Ved å kombinere kraften fra sky‑computing og edge‑enheter med skreddersydd programvare, håper HII å gjøre sømløse menneske‑AI‑team til standard i fremtidige operasjoner.

Hos HII utvikles, testes og integreres banebrytende AI‑ og maskinlæringsalgoritmer for å optimalisere og akselerere oppdragskritiske systemer og plattformer.

Selskapets avanserte ML‑applikasjoner støtter et bredt spekter av forsvarsbehov, inkludert radiofrekvens‑spekter, automatisert analyse av bilder, cyber‑data, akustisk miljø og naturlig språk for etterretningsproduksjon.

HII utnytter også sin dype domenekunnskap og datakunnskap til å bygge ML for oppdrags‑resiliens, operasjonell beredskap og flåtevedlikehold under utfordrende logistikk. Som en forlengelse av sin simulator‑baserte trening, er selskapet involvert i utviklingen av ML‑baserte operative beslutningsstøtteverktøy.

I tillegg har den autonome maritime plattformutvikleren implementert dyp‑læring (DL) AI med transformer‑baserte arkitekturer for presis signal‑søk i massive mengder sterkt støyende data.

HII utnytter og fletter data på tvers av ulike modaliteter, inkludert RF‑spektre‑signaler, geospatiale bilder og naturlig språk‑media for å forbedre nøyaktigheten. Det bruker også avansert NLP‑teknologi basert på DL og ML for å hjelpe med informasjons‑sortering og kobling for globale oppdrag.

HII sine AI‑drevne digitale tvillinger gjør det mulig å teste, validere og spare ressurser fra skipsbygging til flåtevedlikehold. Dets avanserte autonomisuite, Odyssey, gjør ethvert kjøretøy til en intelligent robotplattform som muliggjør fler‑kjøretøy‑samarbeidsautonomi, helsesporing, sensorsammenslåing og AI‑drevet persepsjon.

Dermed gjør selskapet omfattende bruk av den nyeste teknologien for å øke produktiviteten og optimalisere prosessene. Imidlertid erkjenner HII at de iboende usikkerhetene ved AI kan føre til operasjonelle ineffektivitet og konkurransemessig skade, spesielt dersom verktøyene viser seg utilstrekkelige.

Finansielt sett har den all‑domene forsvarsleverandøren en markedsverdi på 7,25 milliarder dollar, med aksjene som per skrivende stund handles til 184,95 dollar, ned 2,13 % så langt i år. Med dette er EPS (TTM) 13,96, P/E‑forholdet (TTM) 13,25, og ROE (TTM) 12,56 %. Når det gjelder utbytteavkastning, er den på 2,92 %.

Når det gjelder selskapets økonomi, rapporterte selskapet for Q4 2024 en inntekt på 3 milliarder dollar sammenlignet med 3,2 milliarder dollar i samme kvartal året før. Nedgangen skyldtes lavere volum i alle segmenter. Ikke‑GAAP driftsinntekt falt også fra 330 millioner dollar i 4Q23 til 103 millioner dollar, drevet av lavere ytelse ved 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.

For hele året var HII sin inntekt 11,5 milliarder dollar, en liten økning (mindre enn 1 %) fra 2023 på grunn av høyere volumer ved Ingalls Shipbuilding og Mission Technologies. Fortynnet resultat per aksje var 13,96 dollar. 

Netto kontanter fra driftsaktiviteter var 393 millioner dollar, mens fri kontantstrøm var 40 millioner dollar, et stort fall fra henholdsvis 970 millioner og 692 millioner dollar året før.

I 2024 rapporterte selskapet også at de oppnådde kritiske skipsbyggings‑milepæler, som inkluderte levering av amfibisk transportdok Richard M. McCool Jr. (LPD 29) og Virginia‑klassen ubåt New Jersey (SSN 796). HII‑s Mission Technologies‑segment sikret også kontrakter med en total kontraktsverdi på over 12 milliarder dollar.

«Vi fortsetter å gjøre fremskritt med skip som ble kontrahert før COVID, og arbeider grundig med våre kunder for å legge over 50 milliarder dollar av nytt arbeid under kontrakt. Mission Technologies fortsatte sin sterke historikk med top‑line vekst og marginutvidelse. Vi går inn i 2025 med fokus på vårt oppdrag om å levere verdens mest kraftfulle skip og all‑domene‑løsninger i tjeneste for nasjonen.»

– administrerende direktør og president Chris Kastner

Konklusjon

AI‑drevne væskesimuleringsmodeller har i en periode bidratt til å fremme feltet fluiddynamikk. Imidlertid har den nyeste AI‑modellen, som bruker graf‑nevrale nettverk, vist imponerende resultater. Den demonstrerer ikke bare et høyt potensial for å bygge bro mellom nøyaktighet og effektivitet, men muliggjør også raskere, sanntidsapplikasjoner i maritime industrier.

Denne teknologien kan vise seg lovende for å akselerere design og testing av skip og offshore‑infrastruktur, samt optimalisere fornybare havenergisystemer. Den AI‑baserte væskesimuleringsmodellen kan bidra til renere og smartere havteknikk, og lede til en blomstrende fremtid!