Intelligenza fluida: l'intelligenza artificiale ridefinisce il modo in cui simuliamo il mare

L'intelligenza artificiale (IA) sta rapidamente trasformando il nostro mondo. Automatizzando le attività ripetitive, ottimizzando i flussi di lavoro e migliorando il processo decisionale, questa tecnologia promette guadagni sostanziali in termini di efficienza e produttività in tutti i settori. 

Grazie a questo incremento di produttività ed efficienza, si prevede che l'intelligenza artificiale contribuirà con migliaia di miliardi alla crescita economica e allo sviluppo in tutto il mondo. 

L'intelligenza artificiale ha anche ha mostrato un potenziale enorme nell'affrontare sfide complesse come le malattie e il cambiamento climatico e nel promuovere l'innovazione in vari settori per consentire la creazione di nuovi prodotti, servizi e modelli aziendali. 

Un'applicazione interessante dell'IA è stata osservata anche nell'analisi dei fluidi. Nelle macchine, il test di fluidi come lubrificanti, refrigeranti e carburanti viene eseguito per identificare problemi che possono indicare potenziali problemi o guasti.

Ciò consente una manutenzione e riparazioni tempestive, che possono quindi aiutare a prevenire costosi guasti e tempi di inattività. Riduce inoltre al minimo la necessità di riparazioni e sostituzioni importanti e garantisce che i macchinari funzionino al massimo delle loro prestazioni.

Per molti anni, l'analisi dei fluidi è stata piuttosto lunga e macchinosa. Ma l'avvento dell'IA ha reso l'intero processo più semplificato, efficiente e preciso. 

Dopotutto, le tecniche di intelligenza artificiale e apprendimento automatico utilizzano enormi set di dati, imparano da essi e poi fanno previsioni. La tecnologia può prendere in considerazione l'intero set di dati di un asset per tutta la sua durata, utilizzare più segnali contemporaneamente e imparare ad adattarsi tramite feedback. 

L'analisi dei fluidi, tuttavia, va ben oltre l'olio nelle macchine. Nell'ingegneria costiera e oceanica, il comportamento dei fluidi svolge un ruolo fondamentale nella progettazione di strutture marittime, nella modellazione dei cambiamenti della linea di costa e persino nello sfruttamento dell'energia delle onde e delle maree. 

Promuovere l'intelligence costiera e marina con l'intelligenza artificiale

Nell'ingegneria costiera, l'intelligenza artificiale ha apportato numerosi miglioramenti, affrontando problemi quali il trasporto dei sedimenti, la dinamica della linea di costa, l'ottimizzazione della progettazione, il monitoraggio costiero e la resilienza climatica.

Un esempio di ciò si è avuto alla fine dell'anno scorso, quando i ricercatori della City University di Hong Kong hanno utilizzato l'apprendimento automatico per migliorare l'accuratezza della modellazione del campo del vento dello strato limite dei cicloni tropicali.

"Noi esseri umani viviamo in questo strato limite, quindi comprenderlo e modellarlo accuratamente è essenziale per la previsione delle tempeste e la preparazione ai pericoli".

– Autore Qiusheng Li

Poiché l'aria in questo strato interagisce con la terra, l'oceano e tutto il resto a livello di superficie, la modellazione è stata piuttosto impegnativa. Nonostante gli approcci tradizionali utilizzino tonnellate di dati ed eseguano grandi simulazioni numeriche su supercomputer, spesso producono comunque previsioni imprecise o incomplete.

L'ultimo studio ha utilizzato un framework ML avanzato basato sulla fisica Ciò richiede una piccola quantità di dati reali per catturare il complesso comportamento dei campi di vento dei cicloni tropicali, che contengono informazioni sulla struttura, l'intensità e il potenziale impatto della tempesta. L'autore Feng Hu ha affermato:

"Con uragani più frequenti e intensi dovuti al cambiamento climatico, il nostro modello potrebbe migliorare significativamente l'accuratezza delle previsioni del campo eolico. Questo progresso può aiutare a perfezionare le previsioni meteorologiche e le valutazioni del rischio, fornendo avvisi tempestivi e migliorando la resilienza delle comunità costiere e delle infrastrutture".

Nello stesso periodo, ricerche separate ha introdotto un surrogato dell'intelligenza artificiale¹ per simulare la propagazione delle onde di marea costiere in un estuario per scopi di previsione e retrospettiva. Questo approccio accelera le simulazioni e incorpora un vincolo basato sulla fisica per rilevare e correggere risultati inaccurati.

Riducendo il costo temporale delle previsioni a 12 giorni delle simulazioni ROMS tradizionali a soli 22 secondi, la ricerca contribuisce alla modellazione oceanografica offrendo un'alternativa rapida, accurata e fisicamente coerente ai modelli di simulazione tradizionali, in particolare per le previsioni in tempo reale nella risposta rapida ai disastri.

All'inizio dell'anno scorso, un team di ricercatori ha anche ha lavorato per migliorare la modellazione neurale² della dinamica dei fluidi lagrangiana.

Sulla base di ciò, i ricercatori hanno migliorato sia l'inferenza di addestramento che di rollout dei simulatori basati su GNN con componenti variabili dai solver SPH standard, tra cui componenti viscose, di pressione e di forza esterna. I simulatori neurali potenziati da SPH hanno quindi ottenuto prestazioni migliori rispetto ai GNN di base, il che, come è stato notato, consente rollout notevolmente più lunghi e una migliore modellazione fisica.

Evoluzione dei modelli surrogati basati su ML nella simulazione dei fluidi

Quando si tratta di simulazione di fluidi, un approccio comune adottato è la tecnica delle particelle, in cui le particelle simulano il comportamento del flusso di fluidi. Alcuni esempi ampiamente utilizzati includono l'idrodinamica delle particelle levigate (SPH), la particella mobile semi-implicita (MPS) o la SPH incomprimibile.

Tuttavia, queste tecniche richiedono ingenti risorse di calcolo, tra cui potenza di elaborazione, tempo e costi. Negli ultimi anni è cresciuta l'esigenza di simulare fluidi reali in ogni fase dell'ingegneria, dalla progettazione, alla produzione e allo sviluppo, fino alla verifica, al funzionamento e alla visualizzazione, quindi anche i tempi di calcolo devono essere ridotti. 

Negli ultimi anni sono stati introdotti diversi modelli surrogati basati sull'apprendimento automatico per stimare la dinamica dei fluidi con un costo computazionale inferiore.

Ciò include l'uso dell'apprendimento automatico per sostituire i metodi basati sulle particelle e il calcolo rapido delle simulazioni dei fluidi lagrangiani, che comporta il tracciamento delle singole particelle di fluido e l'attenzione sulle loro traiettorie e proprietà.

Sebbene l'apprendimento automatico possa accelerare le simulazioni dei fluidi lagrangiani, studi precedenti non sono stati in grado di convalidare le prestazioni di generalizzazione di tali modelli surrogati su diversi comportamenti dei fluidi. 

C'è poi il fatto che la maggior parte di questi modelli è stata convalidata in condizioni CFL, proprio come i metodi tradizionali di fluidodinamica computazionale (CFD), il che limita la loro capacità di ridurre significativamente i tempi di calcolo.

Inoltre, l'attenzione di questi studi iniziali non era rivolta all'accuratezza, bensì alla replica del comportamento fluido in ambienti di simulazione.

Quindi, studi successivi hanno fatto progressi sui modelli surrogati per SPH, che hanno visto un graduale miglioramento dell'accuratezza. I ricercatori hanno utilizzato metodi diversi per questo, come l'utilizzo dei risultati SPH come dati di addestramento per eseguire l'analisi del fluido lagrangiano con reti neurali profonde (DNN) e l'introduzione di reti neurali grafiche (GNN) per apprendere il movimento delle particelle di fluido dai dati SPH, tra gli altri.

Tuttavia, questi non miravano a stimare la pressione, uno dei fattori essenziali per comprendere la meccanica dei fluidi e la sua interazione con le strutture.

Quindi, la progressione da lì ha portato alla recente tendenza a concentrarsi sulla pressione dei fluidi incomprimibili. Per questo, gli scienziati hanno accelerato la risoluzione di PPE in MPS utilizzando DNN. Hanno introdotto FGN o reti di grafici fluidi (che sfruttano le GNN per simulare la dinamica dei fluidi) utilizzando MPS come dati di training. Tuttavia, non hanno confermato se la pressione stimata riproducesse i fenomeni effettivi.

La maggior parte di questi studi non ha chiarito neanche l'effetto di diverse impostazioni delle funzionalità sui risultati. Ma poiché i risultati probabilmente dipendono dalle impostazioni delle funzionalità, è importante rivelare quale funzionalità è essenziale affinché i modelli surrogati riproducano i fluidi.

Quindi, un nuovo studio, pubblicato in Applied Ocean Research³, ha presentato un modello surrogato basato sulle particelle che può essere applicato a dimensioni di intervallo di tempo maggiori e a diversi fenomeni fluidi.

Lo studio ha presentato tre versioni migliorate del simulatore basato su rete di grafici (GNS), in cui GNN ha appreso il movimento delle particelle di fluido dai dati SPH. Ciò include GNS con stima della pressione (GNS-P), GNS con nodi di confine di parete (GNS-W) e GNS con una combinazione di entrambi (GNS-WP). 

Nel loro studio, i ricercatori hanno dimostrato che la stima della pressione è importante per prevedere accuratamente i fluidi e hanno verificato che i nodi di confine della parete sono vitali nella gestione delle condizioni di confine della parete mobile. Hanno anche dimostrato che GNS-WP è stato in grado di replicare lo sloshing in modo abbastanza accurato anche quando la velocità di simulazione (la dimensione del passo temporale) era 10 volte maggiore di quella dei dati di addestramento.

Il metodo proposto (GNS-WP), addestrato nello scenario di sloshing, secondo lo studio, può essere applicato a tre diversi problemi: test idrostatici, di rottura diga e di oscillazione libera.

Clicca qui per scoprire come il Venus Flower Basket sta reinventando l'aerodinamica e la fluidodinamica.

Modello surrogato basato su GNN più veloce, intelligente e scalabile

Il nuovo modello di simulazione dei fluidi basato su ML che riduce significativamente il tempo di calcolo senza compromettere l'accuratezza è stato creato dai ricercatori dell'Università Metropolitana di Osaka. Questo metodo rapido e ad alta precisione ha un potenziale utilizzo nel monitoraggio oceanico in tempo reale, nella progettazione navale e nella generazione di energia offshore.

I modelli basati sull'intelligenza artificiale stanno guadagnando molta popolarità nel campo della fluidodinamica, rendendo le simulazioni dei fluidi più semplici e veloci. Tuttavia, questa tecnologia ha i suoi problemi. 

Come ha osservato l'autore principale, Takefumi Higaki, professore associato presso la Graduate School of Engineering dell'Università Metropolitana di Osaka:

“L’intelligenza artificiale può fornire risultati eccezionali per problemi specifici, ma spesso incontra difficoltà quando viene applicata a condizioni diverse”.

Il team ha quindi creato il nuovo modello utilizzando reti neurali grafiche (GNN), una tecnologia di apprendimento profondo, per fornire uno strumento che sia costantemente veloce e preciso.

Le GNN sono un tipo di architettura di rete neurale che elabora e apprende da dati strutturati in grafici. I grafici sono strutture di dati costituite da nodi, che sono entità come prodotti e persone, e bordi, che rappresentano relazioni tra di essi. Le GNN analizzano relazioni ampie e complesse all'interno del grafico.

Questa rete neurale viene utilizzata nell'analisi dei social network per comprendere modelli, prevedere le preferenze degli utenti in base alle interazioni, modellare e prevedere le proprietà dei materiali, identificare potenziali farmaci candidati e prevederne l'efficacia.

Nell'ultimo studio, un nodo è una particella fluida, mentre il bordo è l'interazione tra queste particelle. 

Il team di ricerca ha innanzitutto determinato quali fattori sono importanti per i calcoli dei fluidi ad alta precisione. Ha confrontato diverse condizioni di allenamento e poi ha valutato quanto efficacemente il suo modello potesse adattarsi a diverse velocità di simulazione e a vari movimenti dei fluidi.

Il team ha scoperto che i risultati dimostrano una forte capacità di generalizzazione tra diversi comportamenti dei fluidi, aumentando significativamente la velocità e riducendo il tempo necessario per l'elaborazione. 

È stato segnalato che la loro tecnica raggiunge un'accuratezza dello stesso livello o addirittura migliore di MPS, con 10 volte la velocità sulla CPU e oltre 200 volte più veloce sulla GPU. Lo studio ha anche notato che, nonostante l'addestramento utilizzando solo un potente flusso di sloshing, GNS-WP è stato in grado di riprodurre con successo sia flussi calmi che statici con un diverso confine di parete.

"Il nostro modello mantiene lo stesso livello di accuratezza delle simulazioni tradizionali basate sulle particelle, in vari scenari fluidi, riducendo al contempo il tempo di calcolo da circa 45 minuti a soli tre minuti".

– Ciao

Con questo risultato, la ricerca offre una soluzione scalabile e generalizzabile per la simulazione di fluidi ad alte prestazioni che bilancia efficienza e accuratezza. Ancora più importante, questi miglioramenti non sono limitati al laboratorio.

Higaki ha detto:

"Simulazioni di fluidi più rapide e precise possono significare una significativa accelerazione nel processo di progettazione per navi e sistemi energetici offshore. Consentono inoltre l'analisi del comportamento dei fluidi in tempo reale, che potrebbe massimizzare l'efficienza dei sistemi energetici oceanici".

A differenza di altri studi, questo ha descritto un miglioramento graduale dei modelli surrogati basati sulle particelle, contribuendo al loro ulteriore sviluppo. 

Nei lavori futuri, i ricercatori intendono inoltre affrontare le sfide legate all'insufficiente consistenza fisica, alla gestione di pressioni sconosciute e all'estensione dell'uso del modello a problemi complessi e tridimensionali. 

Considerata la capacità del metodo proposto di apprendere dai dati sperimentali nel mondo reale, il team mira inoltre a utilizzare questo studio come base per ricreare comportamenti fluidi complessi le cui equazioni di governo non sono note, come flussi multifase con materiali discontinui.

Azienda innovativa

Huntington Ingalls Industries, Inc. (HII )

Huntington Ingalls Industries, uno dei principali costruttori navali della Marina degli Stati Uniti, è costantemente alla ricerca di miglioramenti nelle simulazioni della dinamica dei fluidi per semplificare la progettazione delle imbarcazioni e i test delle prestazioni.

L'azienda sta costruendo la prossima generazione di sistemi di difesa e intelligence intelligenti e sta sfruttando l'intelligenza artificiale (IA) per farlo. Combinando la potenza del cloud computing e dei dispositivi edge con software su misura, HII spera di rendere i team uomo-IA senza soluzione di continuità lo standard nelle operazioni future.

Presso HII vengono sviluppati, testati e integrati algoritmi di intelligenza artificiale e apprendimento automatico all'avanguardia per ottimizzare e accelerare sistemi e piattaforme mission-critical.

Le applicazioni ML avanzate dell'azienda supportano un'ampia gamma di esigenze di difesa, tra cui lo spettro delle radiofrequenze, l'analisi automatizzata delle immagini, i dati informatici, l'ambiente acustico e il linguaggio naturale per la produzione di intelligence.

HII utilizza inoltre la sua profonda conoscenza del dominio e dei dati per costruire ML per la resilienza della missione, la prontezza operativa e il mantenimento della flotta in condizioni di logistica contestata. Come estensione della sua formazione basata su simulatore, è coinvolta nello sviluppo di ausili decisionali operativi basati su ML.

Inoltre, lo sviluppatore della piattaforma marittima autonoma ha implementato l'intelligenza artificiale basata sull'apprendimento profondo (DL) con architetture basate su trasformatori per la ricerca di segnali di precisione in enormi volumi di dati altamente confusi.

HII sfrutta e fonde dati attraverso diverse modalità, tra cui segnali spettrali RF, immagini geospaziali e media in linguaggio naturale per migliorare l'accuratezza. Utilizza anche la tecnologia NLP avanzata basata su DL e ML per aiutare con l'ordinamento delle informazioni e la connessione per missioni globali.

Nel frattempo, i gemelli digitali basati sull'intelligenza artificiale di HII consentono di testare, convalidare e risparmiare risorse dalla costruzione navale al mantenimento della flotta. La sua suite di autonomia avanzata, Odyssey, trasforma qualsiasi veicolo in una piattaforma robotica intelligente che consente autonomia collaborativa multi-veicolo, monitoraggio della salute, fusione di sensori e percezione abilitata dall'intelligenza artificiale. 

Quindi, l'azienda fa ampio uso delle ultime tecnologie per aumentare la sua produttività e ottimizzare i suoi processi. Tuttavia, HII riconosce che le incertezze intrinseche dell'IA potrebbero portare a inefficienze operative e danni competitivi, soprattutto se i suoi strumenti si rivelassero inadeguati.

Dal punto di vista finanziario, il fornitore di difesa all-domain ha una capitalizzazione di mercato di 7.25 miliardi di dollari con le sue azioni, al momento in cui scrivo, scambiate a 184.95 dollari, in calo del 2.13% finora quest'anno. Con ciò, il suo EPS (TTM) è 13.96, il rapporto P/E (TTM) è 13.25 e il ROE (TTM) è 12.56%. Per quanto riguarda il rendimento dei dividendi, è un bel 2.92%.

Per quanto riguarda i dati finanziari aziendali, per il quarto trimestre del 4, l'azienda segnalati un fatturato di 3 miliardi di $ rispetto ai 3.2 miliardi dello stesso trimestre dell'anno precedente. Questo calo è dovuto al volume inferiore in tutti i segmenti. Anche il reddito operativo non-GAAP è sceso da 330 milioni di $ nel 4Q23 a 103 milioni di $, a causa delle prestazioni inferiori di Newport News Shipbuilding. 

L'utile diluito per azione nel trimestre è stato di 3.15 dollari, mentre alla fine dell'anno il portafoglio ordini ammontava a 48.7 miliardi di dollari.

Per l'intero anno, il fatturato di HII è stato di 11.5 miliardi di $, un leggero aumento (meno dell'1%) rispetto al 2023 dovuto ai maggiori volumi di Ingalls Shipbuilding e Mission Technologies. Gli utili diluiti per azione sono stati di 13.96 $. 

Il flusso di cassa netto dalle attività operative è stato di 393 milioni di dollari, mentre il flusso di cassa libero è stato di 40 milioni di dollari, in forte calo rispetto ai 970 milioni di dollari e ai 692 milioni di dollari rispettivamente dell'anno precedente.

Nel 2024, la società ha anche segnalato il raggiungimento di traguardi critici nella costruzione navale, tra cui la consegna del molo di trasporto anfibio Richard M. McCool Jr. (LPD 29) e del sottomarino di classe Virginia New Jersey (SSN 796). Nel frattempo, il segmento Mission Technologies di HII si è assicurato aggiudicazioni con un valore contrattuale totale di oltre 12 miliardi di dollari.

"Continuiamo a fare progressi sulle navi messe sotto contratto prima del COVID e stiamo lavorando diligentemente con i nostri clienti per mettere sotto contratto oltre 50 miliardi di dollari di nuovi lavori. Mission Technologies ha continuato il suo solido track record di crescita del fatturato e di espansione del margine. Entriamo nel 2025 concentrati sulla nostra missione di fornire le navi più potenti al mondo e soluzioni all-domain al servizio della nazione".

– CEO e presidente Chris Kastner

Conclusione

I modelli di simulazione dei fluidi basati sull'intelligenza artificiale stanno contribuendo a far progredire il campo della dinamica dei fluidi da un po' di tempo. Tuttavia, l'ultimo modello di intelligenza artificiale, che utilizza reti neurali grafiche, ha dimostrato risultati impressionanti. Non solo mostra un elevato potenziale per colmare il divario tra accuratezza ed efficienza, ma consente anche applicazioni più rapide e in tempo reale nelle industrie marittime.

Questa tecnologia può rivelarsi promettente nell'accelerare la progettazione e il collaudo di navi e infrastrutture offshore e nell'ottimizzare i sistemi di energia oceanica rinnovabile. Il modello di simulazione dei fluidi basato sull'intelligenza artificiale può contribuire a un'ingegneria oceanica più pulita e intelligente, portando a un futuro fiorente!