Fluidintelligens: AI omdefinierar hur vi simulerar havet

Artificiell intelligens (AI) omvandlar snabbt vår värld. Genom att automatisera repetitiva uppgifter, optimera arbetsflöden och förbättra beslutsfattande lovar denna teknik betydande förbättringar i effektivitet och produktivitet över branscher. 

Med denna ökning i produktivitet och effektivitet förväntas AI bidra med biljoner till den globala ekonomiska tillväxten och utvecklingen. 

AI har också visat enorm potential i att tackla komplexa utmaningar såsom sjukdomar och klimatförändringar och driva innovation i olika sektorer för att möjliggöra skapandet av nya produkter, tjänster och affärsmodeller. 

En intressant tillämpning av AI har också observerats inom vätskeanalys. I maskiner utförs testning av vätskor såsom smörjmedel, kylvätskor och bränslen för att identifiera problem som kan indikera potentiella fel eller haverier.

Det möjliggör tidsenligt underhåll och reparationer, vilket kan hjälpa till att förhindra kostsamma haverier och driftstopp. Det minskar också behovet av stora reparationer och byten och säkerställer att maskineriet fungerar på sin högsta prestanda.

I många år har vätskeanalys varit ganska lång och besvärlig. Men AI:s framkomst har gjort hela processen enklare, effektivare och mer exakt.

Trots allt använder AI- och maskininlärningstekniker enorma datamängder, lär sig av dem och gör sedan förutsägelser. Teknologin kan ta hänsyn till en tillgångs fullständiga dataset under dess livstid, använda flera signaler samtidigt och lära sig att anpassa sig genom återkoppling.

Vätskeanalys sträcker sig dock långt bortom olja i maskiner. Inom kust- och havsingenjörskonst spelar vätskebeteende en avgörande roll vid utformning av maritima strukturer, modellering av kustlinjeförändringar och även utnyttjande av våg- och tidvattenenergi. 

Framsteg inom kust- och marin intelligens med AI

Inom kustingenjörskonst har AI gjort många förbättringar genom att ta itu med problem som sedimenttransport, kustlinjedynamik, designoptimering, kustövervakning och klimatmotståndskraft.

Ett exempel på detta sågs sent förra året, när forskare från City University of Hong Kong använde maskininlärning för att förbättra noggrannheten i modelleringen av gränsskiktsvindfältet för tropiska cykloner.

“Vi människor lever i denna gränsskikt, så att förstå och modellera den exakt är avgörande för stormprognoser och beredskap för faror.”

– Författare Qiusheng Li

Eftersom luften i detta lager interagerar med land, havet och allt annat på ytnivå har modelleringen varit ganska utmanande. Trots att traditionella metoder använder stora mängder data och kör stora numeriska simuleringar på superdatorer, resulterar de ofta i inexakta eller ofullständiga förutsägelser.

Den senaste studien använde ett avancerat fysik‑informerat ML‑ramverk som kräver en liten mängd verkliga data för att fånga det komplexa beteendet hos tropiska cykloners vindfält, som innehåller information om stormens struktur, intensitet och potentiella påverkan. Författaren Feng Hu sade:

“Med fler och mer intensiva orkaner på grund av klimatförändringarna kan vår modell avsevärt förbättra noggrannheten i vindfältsprognoser. Denna framsteg kan hjälpa till att förfina väderprognoser och riskbedömningar, ge tidsenliga varningar och stärka motståndskraften hos kustsamhällen och infrastruktur.”

Runt samma tid introducerade separat forskning en AI‑surrogat¹ för att simulera spridningen av kusttidvågor i en estuari för bakåtriktade och prognostiska ändamål. Detta tillvägagångssätt påskyndar simuleringar och införlivar en fysikbaserad begränsning för att upptäcka och korrigera felaktiga resultat.

Genom att minska tidskostnaden för 12‑dagars prognostisering av traditionella ROMS‑simuleringar till endast 22 sekunder bidrar forskningen till oceanografisk modellering genom att erbjuda ett snabbt, exakt och fysiskt konsistent alternativ till traditionella simuleringsmodeller, särskilt för realtidsprognoser vid snabba katastrofinsatser.

Tidigare förra året arbetade ett forskarlag också arbetade med att förbättra den neurala modelleringen² av Lagrange‑vätskedynamik.

Baserat på det förbättrade forskarna både tränings‑ och utrullningsinferensen för GNN‑baserade simulatorer med varierande komponenter från standard‑SPH‑lösare, inklusive viskösa, tryck‑ och yttre kraft‑komponenter.  De neurala SPH‑förstärkta simulatorerna uppnådde sedan bättre prestanda än grund‑GNN‑erna, vilket, noterades, möjliggör avsevärt längre utrullningar och bättre fysikmodellering.

Utveckling av ML‑baserade surrogatmodeller i vätskesimulering

När det gäller vätskesimulering är en vanlig metod partikeltekniken, där partiklar simulerar vätskeflödesbeteendet. Några ofta använda exempel inkluderar smoothed particle hydrodynamics (SPH), moving particle semi-implicit (MPS) eller incompressible SPH.

Dessa tekniker kräver dock omfattande beräkningsresurser, inklusive processorkraft, tid och kostnad.  Under de senaste åren har behovet av att simulera verkliga vätskor i varje fas av ingenjörsarbete, från design, tillverkning och utveckling till verifiering, drift och visualisering, ökat, så beräkningstiden måste också minskas. 

Under de senaste åren har flera ML‑baserade surrogatmodeller introducerats för att uppskatta vätskedynamik med lägre beräkningskostnad.

Detta inkluderar att använda maskininlärning för att ersätta partikelmetoder och snabb beräkning av Lagrange‑vätskespel, vilket innebär att spåra enskilda vätske‑partiklar och fokusera på deras banor och egenskaper.

Även om ML kan påskynda Lagrange‑vätskespel har tidigare studier inte kunnat validera generaliseringsprestandan för sådana surrogatmodeller över olika vätskebeteenden. 

Dessutom har de flesta av dessa modeller validerats under CFL‑villkoret, likt traditionella Computational Fluid Dynamics (CFD)-metoder, vilket begränsar deras förmåga att avsevärt minska beräkningstiden.

Vidare var fokus i sådana initiala studier inte på noggrannhet utan snarare på att replikera vätskeliknande beteende i simuleringsmiljöer.

Så gjorde efterföljande studier framsteg med surrogatmodeller för SPH, som såg en gradvis förbättring i noggrannhet. Forskare använde olika metoder för detta, såsom att använda SPH‑resultat som träningsdata för att utföra Lagrange‑vätskespel med djupa neurala nätverk (DNN) och introducera graph neural networks (GNN) för att lära sig rörelsen av vätske‑partiklar från SPH‑data, bland annat.

Dessa syftade dock inte till att uppskatta tryck, en av de väsentliga faktorerna för att förstå vätskemekanik och dess interaktion med strukturer.

Progressionen ledde därför till den senaste trenden att fokusera på trycket i inkompressibla vätskor. För detta accelererade forskare lösningen av PPE i MPS genom att använda DNN. De introducerade FGN eller fluid graph networks (som utnyttjar GNN för att simulera vätskedynamik) genom att använda MPS som träningsdata. De bekräftade dock inte om det uppskattade trycket återgav de faktiska fenomenen.

De flesta av dessa studier har inte klargjort effekten av olika funktionsinställningar på resultaten heller. Men eftersom resultaten sannolikt beror på funktionsinställningarna är det viktigt att avslöja vilken funktion som är avgörande för att surrogatmodeller ska kunna reproducera vätskor.

Så en ny studie, publicerad i Applied Ocean Research³, har presenterat en partikel‑baserad surrogatmodell som kan tillämpas på större tidsstegsstorlekar och olika vätskefenomen.

Studien presenterade tre förbättrade graph‑network‑baserade simulatorer (GNS)‑versioner, där GNN lärde sig rörelsen av vätske‑partiklar från SPH‑data. Detta inkluderar GNS med tryckestimering (GNS‑P), GNS med vägg‑gränsnoder (GNS‑W) och GNS med en kombination av båda (GNS‑WP). 

I sin studie demonstrerade forskarna att tryckestimering är viktig för att exakt förutsäga vätskor och verifierade att vägg‑gränsnoder är avgörande för att hantera de rörliga vägg‑gränsvillkoren. De visade också att GNS‑WP kunde replikera sloshing‑fenomenet ganska exakt även när simuleringens hastighet (tidsstegsstorleken) var 10 × större än träningsdata.

Den föreslagna metoden (GNS‑WP) som tränades i sloshing‑scenariot, enligt studien, kan tillämpas på tre olika problem — hydrostatiska, dammbrott och fria svängningstester.

Klicka här för att lära dig hur Venusblomkorgen omdefinierar aero- och vätskedynamik.

Snabbare, smartare & skalbar GNN‑driven surrogatmodell

Den nya ML‑baserade vätskesimuleringsmodellen som reducerar beräkningstiden avsevärt utan att påverka noggrannheten har skapats av forskare från Osaka Metropolitan University. Denna snabba och högprecisionsmetod har potentiell användning i realtids‑havsovervakning, skeppsdesign och offshore‑kraftgenerering.

De AI‑drivna modellerna får stort genomslag inom vätskedynamik tack vare att de gör vätskesimuleringar enkla och snabbare. Tekniken har dock sina egna problem. 

Som huvudförfattare noterade Takefumi Higaki, assisterande professor vid Osaka Metropolitan University’s Graduate School of Engineering:

“AI kan leverera exceptionella resultat för specifika problem men har ofta svårigheter när den tillämpas på olika förhållanden.”

Därför byggde teamet den nya modellen med graph neural networks (GNNs), en djupinlärningsteknik, för att erbjuda ett verktyg som är konsekvent snabbt och exakt.

GNNs är en typ av neuralt nätverksarkitektur som bearbetar och lär sig från graf‑strukturerad data. Grafer är datastrukturer bestående av noder, som är enheter som produkter och personer, och kanter, som representerar relationer mellan dem. GNNs analyserar stora och komplexa relationer inom grafen.

Detta neurala nätverk används i sociala nätverksanalyser för att förstå mönster, förutsäga användarpreferenser baserat på interaktioner, modellera och förutsäga materialegenskaper samt identifiera potentiella läkemedelskandidater och förutsäga läkemedelseffektivitet.

I den senaste studien är en nod en vätske‑partikel, medan en kant är interaktionen mellan dessa partiklar. 

Forskarteamet fastställde först vilka faktorer som är viktiga för högprecisions‑vätskeberegningar. De jämförde olika träningsförhållanden och utvärderade sedan hur effektivt deras modell kunde anpassa sig till olika simuleringshastigheter och varierande vätskebevägelser.

Teamet fann att resultaten visade starka generaliseringsförmågor över olika vätskebeteenden, vilket avsevärt ökade hastigheten och minskade den tid som krävs för bearbetning. 

Deras teknik har rapporterats uppnå en noggrannhet på samma nivå eller till och med bättre än MPS, med 10 × hastigheten på CPU och mer än 200 × snabbare på GPU. Studien noterade också att, trots att de bara tränade med ett kraftfullt sloshing‑flöde, kunde GNS‑WP framgångsrikt reproducera både lugna och statiska flöden med en annan vägg‑gräns.

“Vår modell behåller samma nivå av noggrannhet som traditionella partikel‑baserade simuleringar, genom olika vätskescenarier, samtidigt som beräkningstiden minskas från cirka 45 minuter till bara tre minuter.”

– Higaki

Med detta resultat erbjuder forskningen en skalbar och generaliserbar lösning för högpresterande vätskesimulering som balanserar effektivitet med noggrannhet. Ännu viktigare är att dessa förbättringar inte är begränsade till laboratoriet.

Higaki sade:

“Snabbare och mer precisa vätskesimuleringar kan innebära en betydande acceleration i designprocessen för skepp och offshore‑energisystem. De möjliggör också realtidsanalys av vätskebeteende, vilket kan maximera effektiviteten i havsenergisystem.”

Till skillnad från andra studier detaljerade denna en steg‑för‑steg‑förbättring av de partikel‑baserade surrogatmodellerna, vilket underlättar deras vidare utveckling. 

I framtida arbete planerar forskarna också att ta itu med utmaningarna med otillräcklig fysisk konsistens, hantering av okänt tryck och att utvidga modellens användning till komplexa och 3D‑problem. 

Givet den föreslagna metodens potential att lära sig från experimentella data i den verkliga världen, syftar teamet vidare till att använda denna studie som grund för att återskapa komplexa vätskebeteenden vars styrande ekvationer inte är kända, såsom flerfasflöden med diskontinuerliga material.

Innovativt företag

Huntington Ingalls Industries, Inc.

Som en ledande skeppsbyggare för den amerikanska flottan utforskar Huntington Ingalls Industries (HII ) ständigt förbättringar i vätskedynamiksimuleringar för att effektivisera fartygsdesign och prestandatester.

Företaget bygger nästa generation av smarta försvars‑ och intelligenssystem och utnyttjar artificiell intelligens (AI) för att göra det. Genom att kombinera kraften i molnberäkning och edge‑enheter med skräddarsydd mjukvara hoppas HII skapa sömlösa människa‑AI‑team som standard i framtida operationer.

På HII utvecklas, testas och integreras banbrytande AI‑ och maskininlärningsalgoritmer för att optimera och påskynda missionskritiska system och plattformar.

Företagets avancerade ML‑applikationer stödjer ett brett spektrum av försvarsbehov, inklusive radiofrekvensspektrum, automatiserad bildanalys, cyberdata, akustisk miljö och naturligt språk för intelligensproduktion.

HII använder också sin djupa domän‑ och datakunskap för att bygga ML för missionsresiliens, operativ beredskap och flottunderhåll under konkurrensutsatt logistik. Som en förlängning av sin simulator‑baserade utbildning är de involverade i utvecklingen av ML‑baserade operativa beslutsstöd.

Dessutom har den autonoma maritima plattformsutvecklaren implementerat djupinlärning (DL) AI med transformer‑baserade arkitekturer för precisionssökning av signaler i enorma volymer av kraftigt störd data.

HII utnyttjar och förenar data över olika modaliteter, inklusive RF‑spektralsignaler, geospatiala bilder och naturligt språk‑media för att förbättra noggrannheten. De använder också avancerad NLP‑teknik baserad på DL och ML för att hjälpa till med informationssortering och koppling för globala uppdrag.

HII:s AI‑drivna digitala tvillingar möjliggör samtidigt testning, validering och resursbesparingar från skeppsbyggnad till flottunderhåll. Deras avancerade autonomisvit, Odyssey, omvandlar varje fordon till en intelligent robotplattform som möjliggör samarbets‑autonomi för flera fordon, hälsokontroll, sensorsammanslagning och AI‑aktiverad perception. 

Företaget använder därför i stor utsträckning den senaste tekniken för att öka sin produktivitet och optimera sina processer. Dock erkänner HII att de inneboende osäkerheterna i AI kan leda till operativa ineffektiviteter och konkurrensskada, särskilt om deras verktyg visar sig otillräckliga.

Ekonomiskt sett har den alla‑domän‑försvarsleverantören ett marknadsvärde på 7,25 miljarder USD, med aktier som vid skrivandet handlas till 184,95 USD, ned 2,13 % hittills i år. Dess EPS (TTM) är 13,96, P/E‑kvoten (TTM) är 13,25 och ROE (TTM) är 12,56 %. Utdelningsavkastningen ligger på en fin 2,92 %.

När det gäller företagets finanser, för Q4 2024 rapporterade företaget en omsättning på 3 miljarder USD jämfört med 3,2 miljarder USD samma kvartal föregående år. Nedgången berodde på lägre volym i alla segment. Non‑GAAP‑operativt resultat minskade också från 330 miljoner USD i 4Q23 till 103 miljoner USD, drivet av lägre prestanda vid Newport News Shipbuilding.

Diluterade vinst per aktie under kvartalet var 3,15 USD, medan företaget hade en orderstock på 48,7 miljarder USD vid årets slut.

För hela året var HII:s omsättning 11,5 miljarder USD, en liten ökning (mindre än 1 %) från 2023 på grund av högre volymer vid Ingalls Shipbuilding och Mission Technologies. Diluterade vinst per aktie var 13,96 USD. 

Netto kassaflöde från verksamheten var 393 miljoner USD medan fritt kassaflöde var 40 miljoner USD, en stor nedgång från 970 miljoner USD respektive 692 miljoner USD föregående år.

År 2024 rapporterade företaget också att de uppnått kritiska skeppsbyggnadsmilstolpar, inklusive leverans av amfibisk transportdocka Richard M. McCool Jr. (LPD 29) och Virginia‑klassens ubåt New Jersey (SSN 796). HII:s Mission Technologies‑segment säkrade samtidigt kontrakt med ett totalt kontraktsvärde på över 12 miljarder USD.

“Vi fortsätter göra framsteg med fartyg som tecknats före COVID, och arbetar flitigt med våra kunder för att lägga över 50 miljarder USD av nytt arbete under kontrakt. Mission Technologies fortsatte sin starka historik av top‑line‑tillväxt och marginalexpansion. Vi går in i 2025 fokuserade på vårt uppdrag att leverera världens mest kraftfulla fartyg och alla‑domän‑lösningar i tjänst för nationen.”

– VD och president Chris Kastner

Slutsats

AI‑drivna vätskesimuleringsmodeller har under en tid hjälpt till att driva framsteg inom vätskedynamik. Den senaste AI‑modellen, som använder graph neural networks, har dock visat imponerande resultat. Den visar inte bara hög potential att överbrygga klyftan mellan noggrannhet och effektivitet, utan möjliggör också snabbare, realtidsapplikationer i maritima industrier.

Denna teknik kan visa sig lovande för att påskynda design och testning av fartyg och offshore‑infrastruktur samt optimera förnybara havsenergissystem. Den AI‑baserade vätskesimuleringsmodellen kan bidra till renare och smartare havsingenjörskonst, vilket leder till en blomstrande framtid!