Inteligência artificial
Inteligência Fluida: IA Redefine Como Simulamos o Mar
Adicione Securities.io às suas fontes preferidas no Google
Inteligência artificial (IA) está transformando rapidamente o nosso mundo. Ao automatizar tarefas repetitivas, otimizar fluxos de trabalho e melhorar a tomada de decisões, essa tecnologia promete ganhos substanciais em eficiência e produtividade em diversos setores.
Com esse aumento de produtividade e eficiência, espera‑se que a IA contribua com trilhões para o crescimento econômico e desenvolvimento em todo o mundo.
A IA também demonstrou um potencial tremendo ao enfrentar desafios complexos como doenças e mudanças climáticas e impulsionar a inovação em vários setores para possibilitar a criação de novos produtos, serviços e modelos de negócios.
Uma aplicação interessante da IA também tem sido observada na análise de fluidos. Em máquinas, o teste de fluidos como lubrificantes, refrigerantes e combustíveis é realizado para identificar problemas que podem indicar falhas ou falhas potenciais.
Isso permite manutenção e reparos oportunos, o que pode ajudar a prevenir quebras caras e tempo de inatividade. Também minimiza a necessidade de reparos e substituições maiores e garante que a maquinaria opere em seu desempenho máximo.
Por muitos anos, a análise de fluidos foi bastante longa e trabalhosa. Mas o advento da IA tornou todo o processo mais simplificado, eficiente e preciso.
Afinal, técnicas de IA e aprendizado de máquina utilizam conjuntos de dados massivos, aprendem com eles e depois fazem previsões. A tecnologia pode levar em conta todo o conjunto de dados de um ativo ao longo de sua vida útil, usar múltiplos sinais simultaneamente e aprender a se adaptar por meio de feedback.
No entanto, a análise de fluidos vai muito além do óleo em máquinas. Na engenharia costeira e oceânica, o comportamento dos fluidos desempenha um papel crítico no projeto de estruturas marítimas, na modelagem de mudanças costeiras e até na captura de energia das ondas e das marés.
Avançando a Inteligência Costeira e Marinha com IA
Na engenharia costeira, a IA trouxe muitas melhorias ao abordar problemas como transporte de sedimentos, dinâmica da linha costeira, otimização de projetos, monitoramento costeiro e resiliência climática.
Um exemplo disso foi observado no final do ano passado, quando pesquisadores da City University of Hong Kong utilizaram aprendizado de máquina para aprimorar a precisão da modelagem do campo de vento da camada limite de ciclones tropicais.
“Nós, seres humanos, vivemos nesta camada limite, portanto entender e modelá‑la com precisão é essencial para a previsão de tempestades e a preparação contra perigos.”
– Autor Qiusheng Li
Porque o ar nesta camada interage com a terra, o oceano e tudo mais na superfície, a modelagem tem sido bastante desafiadora. Apesar das abordagens tradicionais usarem toneladas de dados e executarem grandes simulações numéricas em supercomputadores, ainda frequentemente resultam em previsões imprecisas ou incompletas.
O estudo mais recente utilizou uma estrutura avançada de ML informada por física que requer uma pequena quantidade de dados reais para capturar o comportamento complexo dos campos de vento de ciclones tropicais, que contêm informações sobre a estrutura, intensidade e impacto potencial da tempestade. O autor Feng Hu disse:
“Com furacões mais frequentes e intensos devido às mudanças climáticas, nosso modelo pode melhorar significativamente a precisão das previsões dos campos de vento. Esse avanço pode ajudar a refinar as previsões meteorológicas e avaliações de risco, fornecendo alertas oportunos e aumentando a resiliência das comunidades costeiras e da infraestrutura.”
Ao mesmo tempo, uma pesquisa separada introduziu um substituto de IA1 para simular a propagação de ondas de maré costeiras em um estuário para fins de retroprojeção e projeção. Essa abordagem acelera as simulações e incorpora uma restrição baseada em física para detectar e corrigir resultados imprecisos.
Ao reduzir o custo de tempo de uma previsão de 12 dias das simulações tradicionais ROMS para apenas 22 segundos, a pesquisa contribui para a modelagem oceanográfica ao oferecer uma alternativa rápida, precisa e fisicamente consistente aos modelos de simulação tradicionais, particularmente para previsões em tempo real em respostas rápidas a desastres.
No início do ano passado, uma equipe de pesquisadores também trabalhou na melhoria da modelagem neural2 da dinâmica de fluidos Lagrangiana.
Com base nisso, os pesquisadores aprimoraram tanto o treinamento quanto a inferência de rollout de simuladores baseados em GNN com componentes variados dos solucionadores SPH padrão, incluindo componentes viscosos, de pressão e de força externa. Os simuladores aprimorados por SPH neural então alcançaram desempenho superior ao dos GNNs de referência, o que, segundo eles, permite rollouts consideravelmente mais longos e melhor modelagem física.
Evolução dos Modelos Substitutos Baseados em ML na Simulação de Fluidos
Quando se trata de simulação de fluidos, uma abordagem comum é a técnica de partículas, onde partículas simulam o comportamento do fluxo de fluido. Alguns exemplos amplamente usados incluem hidrodinâmica de partículas suavizadas (SPH), partículas móveis semi‑implícitas (MPS) ou SPH incompressível.
No entanto, essas técnicas exigem recursos computacionais extensos, incluindo poder de processamento, tempo e custo. Nos últimos anos, a necessidade de simular fluidos do mundo real em todas as fases da engenharia, desde o design, fabricação e desenvolvimento até verificação, operação e visualização, aumentou, portanto o tempo de computação também precisa ser reduzido.
Nos últimos anos, vários modelos substitutos baseados em ML foram introduzidos para estimar a dinâmica dos fluidos com menor custo computacional.
Isso inclui o uso de aprendizado de máquina para substituir métodos de partículas e computação rápida de simulações de fluidos Lagrangianos, que envolvem o rastreamento de partículas individuais de fluido e o foco em suas trajetórias e propriedades.
Embora o ML possa acelerar simulações de fluidos Lagrangianos, estudos anteriores não conseguiram validar o desempenho de generalização desses modelos substitutos em diferentes comportamentos de fluidos.
Além disso, a maioria desses modelos foi validada sob a condição CFL, muito semelhante aos métodos tradicionais de Dinâmica de Fluidos Computacional (CFD), o que limita sua capacidade de reduzir significativamente o tempo de computação.
Além disso, o foco desses estudos iniciais não era a precisão, mas sim replicar o comportamento semelhante ao fluido em ambientes de simulação.
Assim, estudos subsequentes avançaram nos modelos substitutos para SPH, que viram uma melhoria gradual na precisão. Pesquisadores usaram diferentes métodos, como usar resultados de SPH como dados de treinamento para realizar análise de fluidos Lagrangianos com redes neurais profundas (DNN) e introduzir redes neurais de grafos (GNN) para aprender o movimento das partículas de fluido a partir de dados SPH, entre outros.
No entanto, esses não tinham como objetivo estimar a pressão, um dos fatores essenciais para entender a mecânica dos fluidos e sua interação com estruturas.
Portanto, a progressão a partir daí levou à tendência recente de focar na pressão de fluidos incompressíveis. Para isso, cientistas aceleraram a solução de PPE em MPS usando DNN. Eles introduziram FGN ou redes de grafos de fluidos (que utilizam GNNs para simular a dinâmica dos fluidos) usando MPS como dados de treinamento. No entanto, não confirmaram se a pressão estimada reproduzia os fenômenos reais.
A maioria desses estudos também não esclareceu o efeito de diferentes configurações de recursos nos resultados. Mas como os resultados provavelmente dependem das configurações de recursos, é importante revelar quais recursos são essenciais para que os modelos substitutos reproduzam os fluidos.
Portanto, um novo estudo, publicado na Applied Ocean Research3, apresentou um modelo substituto baseado em partículas que pode ser aplicado a tamanhos de passo de tempo maiores e diferentes fenômenos de fluidos.
O estudo apresentou três versões aprimoradas de simuladores baseados em redes de grafos (GNS), que fizeram a GNN aprender o movimento das partículas de fluido a partir de dados SPH. Isso inclui GNS com estimativa de pressão (GNS-P), GNS com nós de fronteira de parede (GNS-W) e GNS com uma combinação de ambos (GNS-WP).
Em seu estudo, os pesquisadores demonstraram que a estimativa de pressão é importante para prever fluidos com precisão e verificaram que os nós de fronteira de parede são vitais para gerenciar as condições de fronteira de parede em movimento. Eles também mostraram que o GNS‑WP conseguiu replicar o movimento de ondas (sloshing) de forma bastante precisa mesmo quando a velocidade da simulação (o tamanho do passo de tempo) era 10 vezes maior que a dos dados de treinamento.
O método proposto (GNS‑WP) treinado no cenário de sloshing, conforme o estudo, pode ser aplicado a três problemas diferentes — testes hidrostáticos, de ruptura de barragem e de oscilações livres.
Mais Rápido, Mais Inteligente e Escalável Modelo Substituto Alimentado por GNN
O novo modelo de simulação de fluidos baseado em ML que reduz o tempo de computação significativamente sem afetar a precisão foi criado por pesquisadores da Osaka Metropolitan University. Este método rápido e de alta precisão tem potencial de uso em monitoramento oceânico em tempo real, design de navios e geração de energia offshore.
Os modelos alimentados por IA estão ganhando muita atenção no campo da dinâmica dos fluidos graças à simplificação e aceleração das simulações de fluidos. No entanto, essa tecnologia tem seus próprios problemas.
Como o autor principal, Takefumi Higaki, que é professor assistente na Graduate School of Engineering da Osaka Metropolitan University, observou:
“A IA pode entregar resultados excepcionais para problemas específicos, mas frequentemente tem dificuldades quando aplicada a diferentes condições.”
Portanto, a equipe construiu o novo modelo usando redes neurais de grafos (GNNs), uma tecnologia de deep learning, para fornecer uma ferramenta que seja consistentemente rápida e precisa.
GNNs são um tipo de arquitetura de rede neural que processa e aprende a partir de dados estruturados em grafos. Grafos são estruturas de dados compostas por nós, que são entidades como produtos e pessoas, e arestas, que representam relacionamentos entre eles. GNNs analisam relacionamentos grandes e complexos dentro do grafo.
Essa rede neural é usada na análise de redes sociais para entender padrões, prever preferências de usuários com base em interações, modelar e prever as propriedades de materiais, e identificar candidatos a medicamentos potenciais e prever a eficácia de medicamentos.
No estudo mais recente, um nó é uma partícula de fluido, enquanto a aresta é a interação entre essas partículas.
A equipe de pesquisa primeiro determinou quais fatores são importantes para cálculos de fluidos de alta precisão. Eles compararam diferentes condições de treinamento e então avaliaram quão efetivamente seu modelo poderia se adaptar a diferentes velocidades de simulação e movimentos fluidos variados.
A equipe constatou que os resultados mostraram fortes capacidades de generalização em diferentes comportamentos de fluidos, aumentando significativamente a velocidade e diminuindo o tempo necessário para o processamento.
Sua técnica foi relatada como alcançando uma precisão do mesmo nível ou até melhor que a MPS, com 10 vezes a velocidade em CPU e mais de 200 vezes mais rápida em GPU. O estudo também observou que, apesar de treinar apenas usando um fluxo de sloshing poderoso, o GNS‑WP conseguiu reproduzir com sucesso fluxos calmos e estáticos com uma fronteira de parede diferente.
“Nosso modelo mantém o mesmo nível de precisão das simulações tradicionais baseadas em partículas, em diversos cenários de fluidos, enquanto reduz o tempo de computação de aproximadamente 45 minutos para apenas três minutos.”
– Higaki
Com essa conquista, a pesquisa está oferecendo uma solução escalável e generalizável para simulação de fluidos de alto desempenho que equilibra eficiência com precisão. Mais importante, essas melhorias não se limitam ao laboratório.
Higaki disse:
“Simulações de fluidos mais rápidas e precisas podem significar uma aceleração significativa no processo de design de navios e sistemas de energia offshore. Elas também permitem a análise do comportamento dos fluidos em tempo real, o que poderia maximizar a eficiência dos sistemas de energia oceânica.”
Ao contrário de outros estudos, este detalhou uma melhoria passo a passo dos modelos substitutos baseados em partículas, o que ajuda em seu desenvolvimento futuro.
Em trabalhos futuros, os pesquisadores também planejam enfrentar os desafios de consistência física insuficiente, gerenciamento de pressão desconhecida e expandir o uso do modelo para problemas complexos e 3D.
Dado o potencial do método proposto de aprender com dados experimentais no mundo real, a equipe pretende ainda usar este estudo como base para recriar comportamentos fluidos complexos cujas equações governantes não são conhecidas, como fluxos multifásicos com materiais descontínuos.
Empresa Inovadora
Huntington Ingalls Industries, Inc.
Um grande construtor naval para a Marinha dos EUA, a Huntington Ingalls Industries (HII ) está constantemente explorando melhorias nas simulações de dinâmica de fluidos para otimizar o design de embarcações e testes de desempenho.
A empresa está construindo a próxima geração de sistemas de defesa e inteligência inteligentes e está aproveitando a inteligência artificial (IA) para isso. Ao combinar o poder da computação em nuvem e dispositivos de borda com software sob medida, a HII espera tornar as equipes humano‑IA perfeitas o padrão nas operações futuras.
Na HII, algoritmos de IA e aprendizado de máquina de ponta são desenvolvidos, testados e integrados para otimizar e acelerar sistemas e plataformas críticos para missões.
As aplicações avançadas de ML da empresa suportam uma ampla gama de necessidades de defesa, incluindo espectro de radiofrequência, análise automatizada de imagens, dados cibernéticos, ambiente acústico e linguagem natural para produção de inteligência.
A HII também utiliza seu profundo conhecimento de domínio e dados para construir ML para resiliência de missão, prontidão operacional e sustentação da frota sob logística contestada. Como extensão de seu treinamento baseado em simuladores, está envolvida no desenvolvimento de auxílios de decisão operacionais baseados em ML.
Além disso, o desenvolvedor de plataformas marítimas autônomas implantou IA de aprendizado profundo (DL) com arquiteturas baseadas em transformadores para busca de sinais de precisão em volumes massivos de dados altamente desordenados.
A HII explora e combina dados de diferentes modalidades, incluindo sinais espectrais de RF, imagens geoespaciais e mídia de linguagem natural para melhorar a precisão. Também emprega tecnologia avançada de PLN baseada em DL e ML para ajudar na organização e conexão de informações para missões globais.
Os gêmeos digitais alimentados por IA da HII, por sua vez, permitem testar, validar e economizar recursos desde a construção de navios até a sustentação da frota. Sua suíte avançada de autonomia, Odyssey, transforma qualquer veículo em uma plataforma robótica inteligente que permite autonomia colaborativa multi‑veículos, monitoramento de saúde, fusão de sensores e percepção habilitada por IA.
Portanto, a empresa faz uso extensivo da tecnologia mais recente para impulsionar sua produtividade e otimizar seus processos. No entanto, a HII reconhece que as incertezas inerentes da IA podem levar a ineficiências operacionais e prejuízos competitivos, especialmente se suas ferramentas se provarem inadequadas.
HII Gráfico de preços
Financeiramente, o fornecedor de defesa de todos os domínios tem um valor de mercado de US$ 7,25 bilhões, com suas ações, ao momento da escrita, sendo negociadas a US$ 184,95, queda de 2,13% até agora neste ano. Com isso, seu EPS (TTM) é 13,96, o índice P/E (TTM) é 13,25 e o ROE (TTM) é 12,56%. Quanto ao rendimento de dividendos, é um bom 2,92%.
Quando se trata das finanças da empresa, para o 4T de 2024, a empresa relatou uma receita de US$ 3 bilhões comparada a US$ 3,2 bilhões do mesmo trimestre do ano anterior. Essa queda se deveu ao menor volume em todos os segmentos. A receita operacional não‑GAAP também diminuiu de US$ 330 milhões no 4T23 para US$ 103 milhões, impulsionada pelo desempenho inferior na Newport News Shipbuilding.
Diluted earnings per share during the quarter were $3.15, while it had a backlog of $48.7 billion at the end of the year.
Para o ano completo, a receita da HII foi de US$ 11,5 bilhões, um leve aumento (menos de 1%) em relação a 2023 devido a volumes maiores na Ingalls Shipbuilding e Mission Technologies. O lucro diluído por ação foi de US$ 13,96.
O caixa líquido das atividades operacionais foi de US$ 393 milhões, enquanto o fluxo de caixa livre foi de US$ 40 milhões, uma grande queda em relação a US$ 970 milhões e US$ 692 milhões, respectivamente, no ano anterior.
Em 2024, a empresa também relatou a conquista de marcos críticos na construção naval, que incluíram a entrega do transportador anfíbio Richard M. McCool Jr. (LPD 29) e do submarino da classe Virginia New Jersey (SSN 796). O segmento Mission Technologies da HII, por sua vez, garantiu contratos com valor total superior a US$ 12 bilhões.
“Continuamos a avançar nos navios contratados antes da COVID e estamos trabalhando diligentemente com nossos clientes para colocar mais de US$ 50 bilhões de novos trabalhos sob contrato. A Mission Technologies continuou seu forte histórico de crescimento de receita e expansão de margem. Entramos em 2025 focados em nossa missão de entregar os navios mais poderosos do mundo e soluções de todos os domínios a serviço da nação.”
– CEO e presidente Chris Kastner
Conclusão
Modelos de simulação de fluidos impulsionados por IA têm ajudado a avançar o campo da dinâmica dos fluidos há algum tempo. No entanto, o modelo de IA mais recente, que utiliza redes neurais de grafos, demonstrou resultados impressionantes. Ele não só mostra um alto potencial para fechar a lacuna entre precisão e eficiência, mas também permite aplicações mais rápidas e em tempo real nas indústrias marítimas.
Essa tecnologia pode ser promissora ao acelerar o design e teste de navios e infraestruturas offshore e otimizar sistemas de energia oceânica renovável. O modelo de simulação de fluidos baseado em IA pode contribuir para uma engenharia oceânica mais limpa e inteligente, levando a um futuro próspero!
Estudos Referenciados:
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). Um substituto de IA rápido para modelos de circulação oceânica costeira. arXiv. https://doi.org/10.48550/arXiv.2410.14952
2. Toshev, A. P., Erbesdobler, J. A., Adams, N. A., & Brandstetter, J. (2024). Neural SPH: Modelagem neural aprimorada da dinâmica de fluidos Lagrangiana. arXiv. https://doi.org/10.48550/arXiv.2402.06275
