Inteligensiya ng Likido: AI Muling Binabago Kung Paano Natin Isinasagaw ang Dagat

Ang artificial intelligence (AI) ay mabilis na binabago ang ating mundo. Sa pamamagitan ng pag-automate ng paulit-ulit na mga gawain, pag-optimize ng mga workflow, at pagpapabuti ng paggawa ng desisyon, nangangako ang teknolohiyang ito ng malalaking pagtaas sa kahusayan at produktibidad sa iba’t ibang industriya. 

Sa pagtaas na ito ng produktibidad at kahusayan, inaasahang mag-aambag ang AI ng trilyon sa paglago at pag-unlad ng ekonomiya sa buong mundo. 

Ipinakita rin ng AI ang napakalaking potensyal sa pagharap sa mga kumplikadong hamon tulad ng sakit at pagbabago ng klima at sa pagpapasigla ng inobasyon sa iba’t ibang sektor upang mapahintulutan ang paglikha ng mga bagong produkto, serbisyo, at modelo ng negosyo. 

Isang kawili-wiling aplikasyon ng AI ay nakita rin sa pagsusuri ng likido. Sa mga makina, isinasagawa ang pagsusuri ng mga likido tulad ng mga lubricant, coolant, at fuel upang matukoy ang mga isyu na maaaring magpahiwatig ng potensyal na problema o pagkabigo.

Pinapayagan nito ang napapanahong pagpapanatili at pag-aayos, na makatutulong upang maiwasan ang magastos na pagkasira at downtime. Binabawasan din nito ang pangangailangan para sa malalaking pag-aayos at pagpapalit at tinitiyak na ang mga makina ay tumatakbo sa kanilang pinakamataas na pagganap.

Sa loob ng maraming taon, ang pagsusuri ng likido ay medyo mahaba at magastos. Ngunit ang pagdating ng AI ay nagpadali, nagpagaan, at nagpasigla ng buong proseso.

Pagkatapos ng lahat, ang mga teknik ng AI at machine learning ay gumagamit ng napakalaking mga dataset, natututo mula rito, at pagkatapos ay gumagawa ng mga prediksyon. Maaaring isaalang-alang ng teknolohiya ang buong dataset ng isang asset sa kabuuan ng buhay nito, gumamit ng maraming signal nang sabay-sabay, at matuto na mag-adapt sa pamamagitan ng feedback. 

Gayunpaman, ang pagsusuri ng likido ay lampas pa sa langis sa mga makina. Sa inhinyeriyang baybayin at karagatan, ang pag-uugali ng likido ay may kritikal na papel sa pagdidisenyo ng mga estruktura sa dagat, pagmomodelo ng mga pagbabago sa baybayin, at pati na rin sa pagkuha ng enerhiya mula sa alon at pagtaas-baba ng tubig. 

Pagsusulong ng Katalinuhan sa Baybayin at Karagatan gamit ang AI

Sa inhinyeriyang baybayin, nagdala ang AI ng maraming pag-unlad sa pamamagitan ng pagtugon sa mga problema tulad ng pagdaloy ng sediment, dinamika ng baybayin, pag-optimize ng disenyo, pagmamanman ng baybayin, at resiliency sa klima.

Isang halimbawa nito ay nakita noong huling bahagi ng nakaraang taon, nang gamitin ng mga mananaliksik mula sa City University of Hong Kong ang machine learning upang mapabuti ang katumpakan ng pagmomodelo ng hangin sa boundary layer ng mga tropikal na bagyo.

“Tayo, mga tao, ay nabubuhay sa layer na ito, kaya ang pag-unawa at tumpak na pagmomodelo nito ay mahalaga para sa pagtataya ng bagyo at paghahanda sa panganib.”

– May-akda na si Qiusheng Li

Dahil ang hangin sa layer na ito ay nakikipag-ugnayan sa lupa, karagatan, at lahat ng iba pa sa antas ng ibabaw, naging hamon ang pagmomodelo. Sa kabila ng mga tradisyunal na pamamaraan na gumagamit ng napakaraming datos at nagpapatakbo ng malalaking numerikal na simulation sa mga supercomputer, madalas pa rin itong nagreresulta sa hindi tumpak o hindi kumpletong mga prediksyon.

Gumamit ang pinakabagong pag-aaral ng isang advanced physics-informed ML framework na nangangailangan ng maliit na halaga ng totoong datos upang mahuli ang kumplikadong pag-uugali ng mga hangin ng tropikal na bagyo, na naglalaman ng impormasyon tungkol sa estruktura, intensidad, at potensyal na epekto ng bagyo. Sinabi ng may-akda na si Feng Hu:

“Sa mas madalas at mas matinding mga bagyo dulot ng pagbabago ng klima, maaaring lubos na mapabuti ng aming modelo ang katumpakan ng mga prediksyon ng wind field. Ang pag-unlad na ito ay makatutulong sa pagpapahusay ng mga forecast ng panahon at pagsusuri ng panganib, nagbibigay ng napapanahong babala at nagpapalakas ng resiliency ng mga komunidad sa baybayin at imprastruktura.”

Sa parehong panahon, hiwalay na pananaliksik ang nagpakilala ng AI surrogate¹ upang magsimula ng paglaganap ng mga alon ng tidal sa baybayin sa isang estuary para sa mga layuning hindcast at forecast. Pinapabilis ng pamamaraang ito ang mga simulation at naglalagay ng physics-based na constraint upang matuklasan at itama ang mga maling resulta.

Sa pamamagitan ng pagpapababa ng oras ng 12-araw na forecast ng tradisyunal na ROMS simulation mula 22 segundo, ang pananaliksik ay nag-aambag sa pagmomodelo ng oceanograpiya sa pamamagitan ng pag-aalok ng mabilis, tumpak, at pisikal na konsistent na alternatibo sa tradisyunal na mga modelo ng simulation, lalo na para sa real-time na forecasting sa mabilis na pagtugon sa sakuna.

Noong unang bahagi ng nakaraang taon, isang pangkat ng mga mananaliksik din ang nagtrabaho sa pagpapabuti ng neural modeling² ng Lagrangian fluid dynamics.

Batay dito, pinahusay ng mga mananaliksik ang parehong pagsasanay at rollout inference ng mga GNN-based simulator na may iba’t ibang komponent mula sa standard na SPH solvers, kabilang ang viscous, pressure, at external force components. Ang mga neural SPH-enhanced simulator ay nagpakita ng mas mahusay na performance kaysa sa baseline GNNs, na, ayon sa tala, ay nagpapahintulot ng mas mahabang rollouts at mas mahusay na pagmomodelo ng pisika.

Ebolusyon ng ML-Based na Surrogate Models sa Fluid Simulation

Sa fluid simulation, isang karaniwang lapit ang particle technique, kung saan ang mga particle ay nagsasagaw ng pag-uugali ng daloy ng likido. Ilan sa mga malawak na ginagamit na halimbawa ay ang smoothed particle hydrodynamics (SPH), moving particle semi-implicit (MPS), o incompressible SPH.

Gayunpaman, ang mga teknik na ito ay nangangailangan ng malawak na computational resources, kabilang ang processing power, oras, at gastos. Sa mga nagdaang taon, lumago ang pangangailangan na magsimula ng mga real-world na likido sa bawat yugto ng inhinyeriya, mula sa disenyo, pagmamanupaktura, at pag-unlad hanggang sa beripikasyon, operasyon, at visualisasyon, kaya kailangan ding paikliin ang oras ng computation.

Sa nakaraang ilang taon, ilang ML-based na surrogate model ang ipinakilala upang tantiyahin ang fluid dynamics na may mas maliit na gastusin sa computation.

Kabilang dito ang paggamit ng machine learning upang palitan ang mga particle method at mabilis na computation ng Lagrangian fluid simulations, na sumusubaybay sa mga indibidwal na particle ng likido at nakatuon sa kanilang mga trajectory at katangian.

Bagaman maaaring pabilisin ng ML ang Lagrangian fluid simulations, hindi pa napatunayan ng mga nakaraang pag-aaral ang generalization performance ng mga surrogate model na ito sa iba’t ibang pag-uugali ng likido.

May katotohanan din na karamihan sa mga modelong ito ay nasuri sa ilalim ng kondisyon ng CFL, katulad ng tradisyunal na Computational fluid dynamics (CFD) methods, na naglilimita sa kanilang kakayahang makabuluhang paikliin ang oras ng computation.

Bukod pa rito, ang pokus ng mga unang pag-aaral ay hindi sa katumpakan kundi sa pag-replicate ng pag-uugali ng likido sa mga simulation environment.

Kaya, ang mga sumunod na pag-aaral ay nagpakita ng pag-unlad sa mga surrogate model para sa SPH, na nagpakita ng unti-unting pagtaas sa katumpakan. Gumamit ang mga mananaliksik ng iba’t ibang pamamaraan, tulad ng paggamit ng mga resulta ng SPH bilang training data upang magsagawa ng Lagrangian fluid analysis gamit ang deep neural networks (DNN) at pagpapakilala ng graph neural networks (GNN) upang matutunan ang galaw ng mga particle ng likido mula sa SPH data, at iba pa.

Gayunpaman, hindi layunin ng mga ito na tantiyahin ang pressure, isa sa mga mahahalagang salik sa pag-unawa ng fluid mechanics at ang pakikipag-ugnayan nito sa mga estruktura.

Kaya, ang pag-usad mula roon ay nagdala sa kamakailang trend na magtuon sa pressure ng incompressible fluids. Para dito, pinalakas ng mga siyentipiko ang paglutas ng PPE sa MPS gamit ang DNN. Ipinakilala nila ang FGN o fluid graph networks (na gumagamit ng GNNs upang magsimula ng fluid dynamics) gamit ang MPS bilang training data. Gayunpaman, hindi nila nakumpirma kung ang tinantyang pressure ay nagre-reproduce ng aktwal na phenomena.

Karamihan sa mga pag-aaral na ito ay hindi pa malinaw na ipinaliwanag ang epekto ng iba’t ibang feature settings sa mga resulta. Ngunit dahil ang mga resulta ay malamang na nakadepende sa mga feature settings, mahalagang ilahad kung aling feature ang mahalaga para sa mga surrogate model na mag-reproduce ng mga likido.

Kaya, isang bagong pag-aaral, na inilathala sa Applied Ocean Research³, ay nagpakita ng particle-based na surrogate model na maaaring ilapat sa mas malalaking time step sizes at iba’t ibang phenomena ng likido.

Ipinakita ng pag-aaral ang tatlong pinahusay na bersyon ng graph network-based simulator (GNS), kung saan ang GNN ay natutong galawin ang mga particle ng likido mula sa SPH data. Kabilang dito ang GNS na may pressure estimation (GNS-P), GNS na may wall boundary nodes (GNS-W), at GNS na may kombinasyon ng pareho (GNS-WP). 

Sa kanilang pag-aaral, ipinakita ng mga mananaliksik na mahalaga ang pressure estimation para sa tumpak na prediksyon ng mga likido at napatunayan na ang wall boundary nodes ay mahalaga sa pamamahala ng moving wall boundary conditions. Ipinakita rin nila na ang GNS-WP ay kayang tularan ang sloshing nang medyo tumpak kahit na ang bilis ng simulation (ang time step size) ay 10x na mas malaki kaysa sa training data.

Ang iminungkahing pamamaraan (GNS-WP) na sinanay sa sloshing scenario, ayon sa pag-aaral, ay maaaring ilapat sa tatlong iba’t ibang problema — hydrostatic, dam break, at free oscillation tests.

I-click dito upang matutunan kung paano muling iniimagine ng Venus Flower Basket ang aero at fluid dynamics.

Mas Mabilis, Mas Matalino, at Scalable na GNN-Powered na Surrogate Model

Ang bagong ML-based na fluid simulation model na nagpapababa nang malaki ng oras ng computation nang hindi naaapektuhan ang katumpakan ay nilikha ng mga mananaliksik mula sa Osaka Metropolitan University. Ang mabilis at mataas na presisyong metodong ito ay may potensyal na magamit sa real-time na pagmamanman ng karagatan, disenyo ng barko, at pagbuo ng offshore na enerhiya.

Ang mga AI-powered na modelo ay nakakuha ng malaking atensyon sa larangan ng fluid dynamics dahil pinapasimple at pinapabilis nito ang mga fluid simulation. Gayunpaman, may mga isyu din ang teknolohiyang ito. 

Ayon sa pangunahing may-akda, si Takefumi Higaki, na isang assistant professor sa Graduate School of Engineering ng Osaka Metropolitan University, sinabi niya:

“Maaaring maghatid ang AI ng kahanga-hangang resulta para sa mga tiyak na problema ngunit madalas nahihirapan kapag inilapat sa ibang kondisyon.”

Kaya, binuo ng koponan ang bagong modelo gamit ang graph neural networks (GNNs), isang deep learning na teknolohiya, upang magbigay ng kasangkapan na palaging mabilis at tumpak.

Ang GNNs ay isang uri ng neural network architecture na nagpoproseso at natututo mula sa graph-structured na datos. Ang mga graph ay mga istruktura ng datos na binubuo ng mga node, na mga entidad tulad ng mga produkto at tao, at mga edge, na kumakatawan sa mga ugnayan sa pagitan nila. Sinusuri ng GNNs ang malalaking at komplikadong relasyon sa loob ng graph.

Ginagamit ang neural network na ito sa pagsusuri ng social network upang maunawaan ang mga pattern, hulaan ang mga kagustuhan ng gumagamit batay sa mga interaksyon, magmodelo at hulaan ang mga katangian ng mga materyales, at tuklasin ang mga potensyal na kandidato sa gamot at hulaan ang bisa ng gamot.

Sa pinakabagong pag-aaral, ang isang node ay isang particle ng likido, habang ang edge ay ang interaksyon sa pagitan ng mga particle na iyon. 

Una, tinukoy ng research team kung aling mga salik ang mahalaga para sa mataas na presisyon na kalkulasyon ng likido. Inihambing nila ang iba’t ibang kondisyon ng pagsasanay at pagkatapos ay sinuri kung gaano kaepektibo ang kanilang modelo sa pag-aangkop sa iba’t ibang bilis ng simulation at iba’t ibang galaw ng likido.

Natuklasan ng koponan na ang mga resulta ay nagpapakita ng malakas na kakayahan sa generalization sa iba’t ibang pag-uugali ng likido, na lubos na nagpapataas ng bilis at nagpapababa ng oras na kinakailangan para sa pagproseso. 

Iniulat na ang kanilang teknik ay nakakamit ng katumpakan na katulad o mas mahusay pa kaysa sa MPS, na may 10x na bilis sa CPU at higit sa 200x na mas mabilis sa GPU. Binanggit din ng pag-aaral na, kahit na sinanay lamang gamit ang isang malakas na sloshing flow, nagawang matagumpay na i-reproduce ng GNS-WP ang parehong tahimik at static na daloy na may ibang wall boundary.

“Pinananatili ng aming modelo ang parehong antas ng katumpakan tulad ng tradisyunal na particle-based na simulation, sa iba’t ibang senaryo ng likido, habang binabawasan ang oras ng computation mula humigit-kumulang 45 minuto hanggang tatlong minuto lamang.”

– Higaki

Sa tagumpay na ito, nag-aalok ang pananaliksik ng scalable at generalizable na solusyon para sa high-performance na fluid simulation na nagbabalanse ng kahusayan at katumpakan. Higit pa rito, ang mga pagpapabuting ito ay hindi limitado sa laboratoryo.

Sinabi ni Higaki:

“Ang mas mabilis at mas tumpak na fluid simulations ay maaaring magdulot ng malaking pagpapabilis sa proseso ng disenyo para sa mga barko at offshore na sistema ng enerhiya. Pinapayagan din nito ang real-time na pagsusuri ng pag-uugali ng likido, na maaaring magpataas ng kahusayan ng mga sistema ng enerhiya sa karagatan.”

Hindi tulad ng ibang pag-aaral, detalyado ang pag-aaral na ito sa step-by-step na pagpapabuti ng mga particle-based surrogate model, na tumutulong sa kanilang karagdagang pag-unlad. 

Sa mga susunod na gawain, plano rin ng mga mananaliksik na tugunan ang mga hamon ng kakulangan sa pisikal na konsistensi, pamamahala ng hindi kilalang pressure, at pagpapalawak ng paggamit ng modelo sa mga komplikado at 3D na problema. 

Dahil sa potensyal ng iminungkahing pamamaraan na matuto mula sa eksperimental na datos sa totoong mundo, layunin ng koponan na gamitin ang pag-aaral na ito bilang batayan upang muling likhain ang mga komplikadong pag-uugali ng likido na ang mga governing equation ay hindi kilala, tulad ng multiphase flows na may discontinuous na mga materyales.

Inobatibong Kumpanya

Huntington Ingalls Industries, Inc.

Isang pangunahing tagagawa ng barko para sa U.S. Navy, ang Huntington Ingalls Industries (HII ) ay patuloy na nag-eexplore ng mga pagpapabuti sa fluid dynamics simulations upang mapadali ang disenyo ng sasakyang-dagat at pagsusuri ng pagganap.

Ang kumpanya ay nagtatayo ng susunod na henerasyon ng matalinong sistema ng depensa at intelihensiya at ginagamit ang artificial intelligence (AI) upang magawa ito. Sa pamamagitan ng pagsasama ng kapangyarihan ng cloud computing at edge devices sa pinasadyang software, inaasahan ng HII na gawing karaniwan ang seamless na human-AI teams sa mga susunod na operasyon.

Sa HII, binubuo, sinusubukan, at isinasama ang mga nangungunang AI at machine learning algorithm upang i-optimize at pabilisin ang mga mission-critical na sistema at platform.

Sinusuportahan ng mga advanced na aplikasyon ng ML ng kumpanya ang malawak na hanay ng pangangailangan sa depensa, kabilang ang radio-frequency spectrum, awtomatikong pagsusuri ng mga imahe, cyber data, acoustic environment, at natural language para sa produksyon ng intelihensiya.

Gamit din ng HII ang malalim nitong kaalaman sa domain at datos upang bumuo ng ML para sa mission resiliency, operational readiness, at fleet sustainment sa ilalim ng contested logistics. Bilang pagpapalawak ng kanyang simulator-based training, kasali ito sa pag-develop ng ML-based operational decision aids.

Bukod pa rito, ang developer ng autonomous maritime platform ay nag-deploy ng deep learning (DL) AI na may transformer-based architectures para sa precision signal search sa napakalaking dami ng highly cluttered na data.

Pinagsasama at pinagsasama ng HII ang datos mula sa iba’t ibang modality, kabilang ang RF spectral signals, geospatial imagery, at natural language media upang mapabuti ang katumpakan. Gumagamit din ito ng advanced na teknolohiya ng NLP na batay sa DL at ML upang tumulong sa pag-aayos at pag-uugnay ng impormasyon para sa mga global na misyon.

Samantala, ang AI-powered digital twins ng HII ay nagpapahintulot ng testing, validation, at pag-save ng resources mula sa paggawa ng barko hanggang sa fleet sustainment. Ang advanced autonomy suite nito, ang Odyssey, ay nagbabago ng anumang sasakyan tungong isang intelligent robotic platform na nagbibigay-daan sa multi-vehicle collaborative autonomy, health monitoring, sensor fusion, at AI-enabled perception. 

Kaya, malawak na ginagamit ng kumpanya ang pinakabagong teknolohiya upang mapataas ang produktibidad at i-optimize ang mga proseso. Gayunpaman, kinikilala ng HII na ang likas na hindi tiyak ng AI ay maaaring magdulot ng operational inefficiencies at pinsala sa kompetisyon, lalo na kung ang kanilang mga tool ay hindi sapat.

Sa usaping pinansyal, ang all-domain defense provider ay may market cap na $7.25 bilyon kung saan ang mga shares nito, sa oras ng pagsulat, ay nagte-trade sa $184.95, bumaba ng 2.13% ngayong taon. Sa gayon, ang EPS (TTM) nito ay 13.96, ang P/E (TTM) ratio ay 13.25, at ang ROE (TTM) ay 12.56%. Para sa dividend yield, ito ay 2.92%.

Pagdating sa pinansyal ng kumpanya, para sa Q4 ng 2024, ang kumpanya iniulat na may revenue na $3 bilyon kumpara sa $3.2 bilyon mula sa parehong quarter noong nakaraang taon. Ang pagbagsak na ito ay dahil sa mas mababang volume sa lahat ng segment. Bumaba rin ang Non-GAAP operating income mula $330 milyon sa 4Q23 hanggang $103 milyon, na dulot ng mas mababang performance sa Newport News Shipbuilding.

Ang diluted earnings per share sa quarter ay $3.15, habang may backlog na $48.7 bilyon sa pagtatapos ng taon.

Para sa buong taon, ang revenue ng HII ay $11.5 bilyon, bahagyang pagtaas (mas mababa sa 1%) mula 2023 dahil sa mas mataas na volume sa Ingalls Shipbuilding at Mission Technologies. Ang diluted earnings per share ay $13.96. 

Ang net cash mula sa operating activities ay $393 milyon habang ang free cash flow ay $40 milyon, isang malaking pagbaba mula $970 milyon at $692 milyon ayon sa nakaraang taon.

Noong 2024, iniulat din ng kumpanya ang pagkakamit ng mahahalagang milestones sa shipbuilding, kabilang ang paghahatid ng amphibious transport dock na Richard M. McCool Jr. (LPD 29) at Virginia-class submarine na New Jersey (SSN 796). Ang segment ng Mission Technologies ng HII, samantala, ay nakakuha ng mga award na may kabuuang halaga ng kontrata na higit sa $12 bilyon.

“Patuloy kaming umuunlad sa mga barkong nailagay sa kontrata bago ang COVID, at masigasig kaming nakikipagtulungan sa aming mga customer upang mailagay ang higit sa $50 bilyon ng bagong trabaho sa kontrata. Ang Mission Technologies ay nagpapatuloy ng matibay na track record ng paglago ng top line at pagpapalawak ng margin. Pumasok kami sa 2025 na nakatuon sa aming misyon na maghatid ng pinakamakapangyarihang barko at all-domain solutions para sa bansa.”

– CEO at presidente na si Chris Kastner

Konklusyon

Ang mga AI-driven na fluid simulation model ay tumutulong na itaguyod ang larangan ng fluid dynamics sa ilang panahon na ngayon. Gayunpaman, ang pinakabagong AI model, na gumagamit ng graph neural networks, ay nagpakita ng kahanga-hangang resulta. Ipinapakita nito ang mataas na potensyal na pag-bridging ng agwat sa pagitan ng katumpakan at kahusayan at nagbibigay-daan sa mas mabilis, real-time na aplikasyon sa mga industriya ng dagat.

Ang teknolohiyang ito ay maaaring magpakita ng pangako sa pagpapabilis ng disenyo at pagsusuri ng mga barko at offshore infrastructure at sa pag-optimize ng renewable ocean energy systems. Ang AI-based na fluid simulation model ay maaaring mag-ambag sa mas malinis at mas matalinong ocean engineering, na magdadala sa isang mas maunlad na hinaharap!