Akış Zekâsı: AI Denizin Simülasyonunu Yeniden Tanımlıyor

Yapay zeka (AI), dünyamızı hızla dönüştürüyor. Tekrarlayan görevleri otomatikleştirerek, iş akışlarını optimize ederek ve karar vermeyi iyileştirerek, bu teknoloji sektörler genelinde verimlilik ve üretkenlikte önemli artışlar vaat ediyor.

Bu verimlilik ve üretkenlik artışıyla, AI’nin dünya çapında ekonomik büyüme ve kalkınmaya trilyonlarca dolar katkı sağlaması öngörülüyor.

AI, aynı zamanda hastalık ve iklim değişikliği gibi karmaşık sorunlarla mücadelede muazzam bir potansiyel gösterdi ve çeşitli sektörlerde yenilikleri tetikleyerek yeni ürün, hizmet ve iş modellerinin yaratılmasını sağladı.

AI’nin ilginç bir uygulaması da akışkan analizinde görülüyor. Makinelerde, yağlayıcılar, soğutucular ve yakıtlar gibi akışkanların test edilmesi, potansiyel sorunları veya arızaları gösterebilecek problemleri tespit etmek amacıyla yapılır.

Bu, zamanında bakım ve onarımlara olanak tanır ve maliyetli arızalar ile kesintileri önlemeye yardımcı olur. Ayrıca büyük onarım ve değişim ihtiyacını azaltır ve makinenin en yüksek performansla çalışmasını sağlar.

Yıllardır akışkan analizi oldukça uzun ve zahmetli olmuştur. Ancak AI’nin ortaya çıkması, tüm süreci daha basit, verimli ve hassas hâle getirmiştir.

Sonuçta, AI ve makine öğrenimi teknikleri büyük veri setlerini kullanır, onlardan öğrenir ve ardından tahminlerde bulunur. Teknoloji, bir varlığın ömrü boyunca tüm veri setini dikkate alabilir, birden çok sinyali aynı anda kullanabilir ve geri bildirim yoluyla uyum sağlamayı öğrenir.

Bununla birlikte, akışkan analizi makinelerdeki yağın çok ötesine geçer. Kıyı ve okyanus mühendisliğinde, akışkan davranışı deniz yapılarının tasarımında, kıyı şeridi değişikliklerinin modellenmesinde ve hatta dalga ve gelgit enerjisinin kullanılmasında kritik bir rol oynar.

Kıyı ve Deniz Zekâsını AI ile İleri Taşıma

Kıyı mühendisliğinde, AI, sediment taşıma, kıyı şeridi dinamikleri, tasarım optimizasyonu, kıyı izleme ve iklim dayanıklılığı gibi sorunları ele alarak birçok iyileştirme sağlamıştır.

Bunun bir örneği, geçen yılın sonlarında, Hong Kong Şehir Üniversitesi araştırmacılarının makine öğrenimini kullanarak tropikal siklonların sınır tabakası rüzgar alanı modellemesinin doğruluğunu artırmasıyla görüldü.

“Biz insanlar bu sınır tabakasında yaşıyoruz, bu yüzden onu anlamak ve doğru bir şekilde modellemek, fırtına tahmini ve tehlike hazırlığı için hayati öneme sahiptir.”

– Yazar Qiusheng Li

Bu katmandaki hava, kara, okyanus ve yüzey seviyesindeki her şeyle etkileşime girdiği için modelleme oldukça zorlu olmuştur. Büyük miktarda veri kullanan ve süper bilgisayarlarda büyük sayısal simülasyonlar çalıştıran geleneksel yaklaşımlara rağmen, genellikle hatalı veya eksik tahminler ortaya çıkmaktadır.

En son çalışma, tropikal siklonların rüzgar alanlarının karmaşık davranışını yakalamak için az miktarda gerçek veri gerektiren gelişmiş fizik‑bilgilendirmeli ML çerçevesi kullandı; bu alanlar fırtınanın yapısı, şiddeti ve potansiyel etkisi hakkında bilgi içerir. Yazar Feng Hu şöyle dedi:

“İklim değişikliği nedeniyle daha sık ve şiddetli kasırgalarla, modelimiz rüzgar alanı tahminlerinin doğruluğunu önemli ölçüde artırabilir. Bu ilerleme, hava tahminlerini ve risk değerlendirmelerini iyileştirmeye yardımcı olabilir, zamanında uyarılar sağlayarak kıyı toplulukları ve altyapısının dayanıklılığını artırır.”

Aynı dönemde, ayrı bir araştırma, bir haliçte kıyı gelgit dalgalarının yayılımını geriye dönük ve öngörü amaçlı simüle etmek için bir AI vekili tanıttı. Bu yaklaşım simülasyonları hızlandırır ve hatalı sonuçları tespit edip düzeltmek için fizik‑temelli bir kısıtlama içerir.

Geleneksel ROMS simülasyonlarının 12 günlük tahmin süresini sadece 22 saniyeye indirerek, araştırma okyanus modellemesine hızlı, doğru ve fiziksel olarak tutarlı bir alternatif sunarak, özellikle hızlı afet müdahalesinde gerçek‑zaman tahmini için katkı sağlar.

Geçen yılın başlarında, bir araştırmacı ekibi de Lagrangian akışkan dinamiklerinin sinirsel modellemesini geliştirmek üzerinde çalıştı.

Buna dayanarak, araştırmacılar standart SPH çözücülerinden farklı bileşenler (viskoz, basınç ve dış kuvvet bileşenleri) içeren GNN‑tabanlı simülatörlerin eğitim ve yürütme çıkarımını geliştirdi. Sinirsel SPH‑geliştirilmiş simülatörler, temel GNN’lerden daha iyi performans elde etti; bu da çok daha uzun yürütmeler ve daha iyi fizik modellemesi sağlıyor.

Akış Simülasyonunda ML‑Tabanlı Vekil Modellerinin Evrimi

Akış simülasyonunda yaygın olarak kullanılan bir yaklaşım parçacık tekniğidir; burada parçacıklar akışın davranışını taklit eder. Yaygın örnekler arasında yumuşatılmış parçacık hidrodinamiği (SPH), hareketli parçacık yarı‑örtülü (MPS) veya sıkıştırılamaz SPH bulunur.

Ancak bu teknikler işlem gücü, zaman ve maliyet gibi geniş hesaplama kaynakları gerektirir. Son yıllarda, mühendisliğin tasarım, üretim, geliştirme, doğrulama, işletme ve görselleştirme aşamalarında gerçek dünya akışkanlarını simüle etme ihtiyacı arttıkça, hesaplama süresinin de azaltılması gerekmektedir.

Son birkaç yılda, akışkan dinamiklerini daha düşük bir hesaplama maliyetiyle tahmin etmek için çeşitli ML‑tabanlı vekil modeller tanıtıldı.

Bu, parçacık yöntemlerini makine öğrenimiyle değiştirmeyi ve Lagrangian akışkan simülasyonlarının hızlı hesaplanmasını içerir; bu simülasyonlar bireysel akışkan parçacıklarını izleyerek onların yörüngeleri ve özelliklerine odaklanır.

ML, Lagrangian akışkan simülasyonlarını hızlandırabilse de, önceki çalışmalar bu tür vekil modellerin çeşitli akışkan davranışları üzerindeki genelleme performansını doğrulayamadı.

Ayrıca, bu modellerin çoğunun geleneksel Hesaplamalı akışkan dinamiği (CFD) yöntemlerine benzer şekilde CFL koşulu altında doğrulanması, hesaplama süresini önemli ölçüde azaltma yeteneklerini kısıtlamaktadır.

Üstelik, bu ilk çalışmaların odak noktası doğruluk değil, simülasyon ortamlarında akışkan benzeri davranışı taklit etmekti.

Dolayısıyla, sonraki çalışmalar SPH için vekil modellerde ilerleme kaydetti ve doğrulukta kademeli bir iyileşme gördü. Araştırmacılar bunu çeşitli yöntemlerle yaptılar; örneğin SPH sonuçlarını eğitim verisi olarak kullanarak derin sinir ağları (DNN) ile Lagrangian akışkan analizi yapmak ve SPH verilerinden akışkan parçacıklarının hareketini öğrenmek için grafik sinir ağları (GNN) tanıtmak gibi.

Bununla birlikte, bu çalışmalar yapıların akışkan mekaniği ve etkileşimini anlamada temel faktörlerden biri olan basıncı tahmin etmeyi amaçlamadı.

Böylece, bu gelişim sıkıştırılamaz akışkanların basıncına odaklanan son trende yol açtı. Bunun için bilim insanları DNN kullanarak MPS’de PPE çözümünü hızlandırdı. MPS’yi eğitim verisi olarak kullanarak FGN ya da akışkan grafik ağlarını (GNN’leri akışkan dinamiklerini simüle etmek için kullanan) tanıttılar. Ancak, tahmin edilen basıncın gerçek olguyu yeniden ürettiğini doğrulamadılar.

Bu çalışmaların çoğu, farklı özellik ayarlarının sonuçlar üzerindeki etkisini de açıklamamıştır. Ancak sonuçların muhtemelen özellik ayarlarına bağlı olması nedeniyle, hangi özelliğin akışkanları yeniden üretmek için vekil modeller için hayati olduğunu ortaya koymak önemlidir.

Dolayısıyla, Applied Ocean Research’te yayınlanan yeni bir çalışma, daha büyük zaman adımı boyutlarına ve farklı akışkan olgularına uygulanabilen parçacık‑tabanlı bir vekil model sundu.

Çalışma, GNN’nin SPH verilerinden akışkan parçacıklarının hareketini öğrenmesini sağlayan üç geliştirilmiş grafik ağ‑tabanlı simülatör (GNS) versiyonunu sundu. Bunlar, basınç tahmini yapan GNS (GNS-P), duvar sınır düğümleri olan GNS (GNS-W) ve ikisinin birleşimi olan GNS (GNS‑WP) içerir.

Araştırmacılar, çalışmalarında basınç tahmininin akışkanları doğru bir şekilde öngörmek için önemli olduğunu gösterdi ve duvar sınır düğümlerinin hareketli duvar sınır koşullarını yönetmede hayati olduğunu doğruladı. Ayrıca, GNS‑WP’nin, simülasyon hızı (zaman adımı boyutu) eğitim verisinden 10 kat daha büyük olsa bile, sıvı dalgalanmasını oldukça doğru bir şekilde yeniden üretebildiğini gösterdiler.

Önerilen yöntem (GNS‑WP), çalışma kapsamında dalgalanma senaryosunda eğitilmiş olup, hidrostatik, baraj yıkımı ve serbest osilasyon testleri olmak üzere üç farklı probleme uygulanabilir.

Venus Çiçek Sepeti’nin aero ve akışkan dinamiklerini nasıl yeniden hayal ettiğini öğrenmek için buraya tıklayın.

Daha Hızlı, Daha Akıllı ve Ölçeklenebilir GNN‑Destekli Vekil Model

Hesaplama süresini önemli ölçüde azaltırken doğruluğu etkilemeyen yeni ML‑tabanlı akışkan simülasyon modeli, Osaka Metropolitan Üniversitesi araştırmacıları tarafından oluşturuldu. Bu hızlı ve yüksek hassasiyetli yöntem, gerçek‑zaman okyanus izleme, gemi tasarımı ve kıyı dışı enerji üretiminde potansiyel kullanım alanına sahiptir.

AI‑destekli modeller, akışkan dinamikleri alanında akışkan simülasyonlarını basitleştirip hızlandırdığı için büyük ilgi görüyor. Ancak bu teknolojinin de kendi sorunları var.

Lider yazar, Osaka Metropolitan Üniversitesi Mühendislik Yüksek Lisans Okulu’nda yardımcı doçent olan Takefumi Higaki, şöyle belirtti:

“AI, belirli problemler için olağanüstü sonuçlar verebilir ancak farklı koşullara uygulandığında genellikle zorlanır.”

Bu yüzden ekip, sürekli hızlı ve doğru bir araç sunmak için grafik sinir ağları (GNN’ler) adlı derin öğrenme teknolojisini kullanarak yeni modeli oluşturdu.

GNN’ler, grafik‑yapılı verileri işleyen ve onlardan öğrenen bir sinir ağı mimarisi türüdür. Grafikler, ürünler ve insanlar gibi varlıklardan oluşan düğümler ve bunlar arasındaki ilişkileri temsil eden kenarlardan oluşan veri yapılarıdır. GNN’ler, graf içindeki büyük ve karmaşık ilişkileri analiz eder.

Bu sinir ağı, sosyal ağ analizinde kalıpları anlamak, etkileşimlere dayalı kullanıcı tercihlerini tahmin etmek, malzeme özelliklerini modellemek ve tahmin etmek ve potansiyel ilaç adaylarını belirleyerek ilaç etkinliğini öngörmek için kullanılır.

En son çalışmada, bir düğüm bir akışkan parçacığı, kenar ise bu parçacıklar arasındaki etkileşimdir.

Araştırma ekibi, yüksek hassasiyetli akışkan hesaplamaları için hangi faktörlerin önemli olduğunu ilk olarak belirledi. Farklı eğitim koşullarını karşılaştırdı ve ardından modellerinin farklı simülasyon hızlarına ve değişken akışkan hareketlerine ne kadar etkili uyum sağlayabildiğini değerlendirdi.

Ekip, sonuçların farklı akışkan davranışları arasında güçlü genelleme yetenekleri gösterdiğini, hızı önemli ölçüde artırdığını ve işleme süresini azalttığını buldu.

Tekniklerinin, CPU’da 10 kat, GPU’da 200 kat daha hızlı olup, MPS ile aynı seviyede ya da daha iyi bir doğruluk sağladığı bildirildi. Çalışma ayrıca, sadece güçlü bir dalgalanma akışıyla eğitilmiş olmasına rağmen, GNS‑WP’nin farklı bir duvar sınırıyla hem sakin hem de statik akışları başarılı bir şekilde yeniden üretebildiğini belirtti.

“Modelimiz, çeşitli akışkan senaryoları boyunca geleneksel parçacık‑tabanlı simülasyonlarla aynı doğruluk seviyesini korurken, hesaplama süresini yaklaşık 45 dakikadan sadece üç dakikaya düşürüyor.”

– Higaki

Bu başarıyla, araştırma verimlilik ile doğruluğu dengeleyen ölçeklenebilir ve genellenebilir bir yüksek performanslı akışkan simülasyonu çözümü sunuyor. Daha da önemlisi, bu iyileştirmeler laboratuvarla sınırlı değil.

Higaki şöyle dedi:

“Daha hızlı ve daha hassas akışkan simülasyonları, gemi ve kıyı dışı enerji sistemlerinin tasarım sürecinde önemli bir hızlanma anlamına gelebilir. Ayrıca gerçek‑zaman akışkan davranışı analizini mümkün kılarak okyanus enerji sistemlerinin verimliliğini maksimize edebilir.”

Diğer çalışmalardan farklı olarak, bu çalışma parçacık‑tabanlı vekil modellerin adım adım iyileştirilmesini ayrıntılı bir şekilde ele alarak, onların daha da geliştirilmesine yardımcı oluyor.

Gelecek çalışmalarında, araştırmacılar yetersiz fiziksel tutarlılık, bilinmeyen basınç yönetimi ve modelin karmaşık ve 3B problemler için kullanımını genişletme zorluklarını ele almayı planlıyor.

Önerilen yöntemin gerçek dünyadaki deneysel verilerden öğrenme potansiyeli göz önüne alındığında, ekip bu çalışmayı, yönlendirici denklemleri bilinmeyen karmaşık akışkan davranışlarını, örneğin kesintili maddeler içeren çok fazlı akışları yeniden yaratmak için bir temel olarak kullanmayı hedefliyor.

Yenilikçi Şirket

Huntington Ingalls Industries, Inc.

ABD Donanması için büyük bir gemi inşa eden Huntington Ingalls Industries (HII ), gemi tasarımı ve performans testlerini kolaylaştırmak için akışkan dinamiği simülasyonlarındaki iyileştirmeleri sürekli olarak araştırıyor.

Şirket, bir sonraki nesil akıllı savunma ve istihbarat sistemlerini inşa ediyor ve bunu yapmak için yapay zekâ (AI) kullanıyor. Bulut bilişim ve uç cihazların gücünü özelleştirilmiş yazılımlarla birleştirerek, HII gelecekteki operasyonlarda sorunsuz insan‑AI ekiplerini standart hâle getirmeyi umuyor.

HII’de, öncü AI ve makine öğrenimi algoritmaları geliştirilir, test edilir ve görev‑kritik sistem ve platformları optimize etmek ve hızlandırmak için entegre edilir.

Şirketin gelişmiş ML uygulamaları, radyo‑frekans spektrumu, görüntülerin otomatik analizi, siber veri, akustik ortam ve istihbarat üretimi için doğal dil gibi geniş bir savunma ihtiyacını destekler.

HII, derin alan ve veri bilgilerini, rekabetçi lojistik koşullarında görev dayanıklılığı, operasyonel hazırlık ve filo sürdürülebilirliği için ML inşa etmek amacıyla da kullanıyor. Simülatör‑tabanlı eğitiminin bir uzantısı olarak, ML‑tabanlı operasyonel karar destek araçlarının geliştirilmesinde yer alıyor.

Ayrıca, otonom deniz platformu geliştiricisi, büyük miktarda yoğun karışık veride hassas sinyal araması için transformer‑tabanlı mimarilerle derin öğrenme (DL) AI uygulamış.

HII, RF spektral sinyaller, coğrafi görüntüler ve doğal dil medyası gibi farklı modaliteler arasında verileri kullanır ve birleştirir, böylece doğruluğu artırır. Ayrıca, bilgi sıralama ve küresel görevler için bağlamada yardımcı olmak amacıyla DL ve ML tabanlı gelişmiş NLP teknolojisi kullanır.

HII’nin AI‑destekli dijital ikizleri, gemi inşaattan filo sürdürülebilirliğine kadar test, doğrulama ve kaynak tasarrufu sağlar. Gelişmiş otonomi paketi Odyssey, herhangi bir aracı çoklu araç işbirlikçi otonomisi, sağlık izleme, sensör füzyonu ve AI‑destekli algılamayı mümkün kılan akıllı bir robotik platforma dönüştürür.

Bu nedenle şirket, üretkenliğini artırmak ve süreçlerini optimize etmek için en yeni teknolojileri yoğun bir şekilde kullanıyor. Ancak HII, AI’nin doğasında bulunan belirsizliklerin operasyonel verimsizliklere ve rekabet zararına yol açabileceğini, özellikle de araçları yetersiz kalırsa kabul ediyor.

Finansal açıdan bakıldığında, tüm alan savunma sağlayıcısının piyasa değeri 7,25 milyar dolar olup, hisse senetleri bu yazı itibarıyla 184,95 dolar işlem görmekte ve bu yıl şu ana kadar %2,13 düşüş göstermiştir. Bununla birlikte, EPS (TTM) 13,96, P/E (TTM) oranı 13,25 ve ROE (TTM) %12,56’dır. Temettü getirisi ise güzel bir %2,92’dir.

Şirket finansallarına gelince, 2024’ün 4. çeyreği için şirket, bir önceki yılın aynı çeyreğine kıyasla 3,2 milyar dolar olan gelirin 3 milyar dolar olduğunu raporladı. Bu düşüş, tüm segmentlerdeki düşük hacimden kaynaklandı. Non‑GAAP operasyon geliri de 4Q23’te 330 milyon dolardan 103 milyon dolara geriledi; bu, Newport News Shipbuilding’deki düşük performanstan kaynaklandı.

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.

Tam yıl için, HII’nin geliri 11,5 milyar dolar olup, 2023’e göre (%1’den az) hafif bir artış gösterdi; bu, Ingalls Shipbuilding ve Mission Technologies’teki daha yüksek hacimlerden kaynaklandı. Seyreltilmiş hisse başına kazanç 13,96 dolar idi.

Operasyon faaliyetlerinden elde edilen net nakit 393 milyon dolar iken, serbest nakit akışı 40 milyon dolar idi; bu, bir önceki yılda sırasıyla 970 milyon ve 692 milyon dolar iken büyük bir düşüşü temsil ediyor.

2024’te şirket, amfibi taşıma rıhtımı Richard M. McCool Jr. (LPD 29) ve Virginia sınıfı denizaltı New Jersey (SSN 796) teslimatı gibi kritik gemi inşa kilometre taşlarını da elde etti. HII’nin Mission Technologies segmenti ise toplam sözleşme değeri 12 milyar doların üzerinde ödüller kazandı.

“COVID öncesi sözleşmeli gemilerde ilerleme kaydetmeye devam ediyoruz ve müşterilerimizle birlikte 50 milyar doların üzerindeki yeni işi sözleşmeye almak için titizlikle çalışıyoruz. Mission Technologies, üst satır büyümesi ve marj genişlemesi konusundaki güçlü geçmişini sürdürdü. 2025’e, dünyanın en güçlü gemilerini ve tüm alan çözümlerini ulusa hizmet etmek misyonumuzla odaklanarak giriyoruz.”

– CEO ve başkan Chris Kastner

Sonuç

AI‑destekli akışkan simülasyon modelleri bir süredir akışkan dinamiği alanını ilerletmeye yardımcı oluyor. Ancak, grafik sinir ağları kullanan en yeni AI modeli etkileyici sonuçlar gösterdi. Bu model, doğruluk ve verimlilik arasındaki boşluğu kapatma konusunda yüksek bir potansiyele sahip olduğunu gösterdiği gibi, denizcilik endüstrilerinde daha hızlı, gerçek‑zaman uygulamaları da mümkün kılıyor.

Bu teknoloji, gemi ve kıyı dışı altyapı tasarımı ve testlerini hızlandırmak ve yenilenebilir okyanus enerji sistemlerini optimize etmek konusunda umut vaat edebilir. AI‑tabanlı akışkan simülasyon modeli, daha temiz ve akıllı okyanus mühendisliğine katkıda bulunarak, parlak bir geleceğe yol açabilir!