نوشته: پاتریشیا دیلیسی، دانشکده مهندسی دانشگاه میشیگان
چکیده
گرچه آشفتگی جوی عامل آشنای پروازهای ناآرام است، حرکت آشفته جریانهای متلاطم همچنان یک مسئله حلنشده در فیزیک باقی مانده است. بر اساس مطالعهای در مجله Nature Communications که توسط دانشگاه میشیگان و دانشگاه پلیتکنیک والنسیا انجام شده، تیمی از پژوهشگران برای درک بهتر این سیستم، از هوش مصنوعی توضیحپذیر برای شناسایی مهمترین نواحی در یک جریان آشفته استفاده کردهاند.
درک روشنتر از آشفتگی میتواند پیشبینیها را بهبود بخشد و به خلبانان کمک کند تا با دور زدن مناطق آشفته، از آسیب به مسافران یا خسارت به بدنه هواپیما جلوگیری کنند. این دانش همچنین به مهندسان کمک میکند تا آشفتگی را دستکاری کنند؛ مثلاً آن را برای بهبود فرآیندهای ترکیب صنعتی مانند تصفیه آب افزایش دهند، یا برای بهبود بهرهوری سوخت در وسایل نقلیه کاهش دهند.
سرجیو هویاس، استاد مهندسی هوافضا در دانشگاه پلیتکنیک والنسیا و یکی از نویسندگان این مطالعه، میگوید: «بیش از یک قرن است که پژوهشهای مربوط به آشفتگی با معادلاتی بسیار پیچیده برای حل، آزمایشهایی بسیار دشوار برای اجرا و رایانههایی بسیار ضعیف برای شبیهسازی واقعیت دستوپنجه نرم کرده است. اکنون هوش مصنوعی ابزاری نوین برای مقابله با این چالش در اختیار ما قرار داده که به پیشرفتی با پیامدهای عملی عمیق منجر شده است.»
در مدلسازی آشفتگی، روشهای کلاسیک تلاش میکنند تا با استفاده از معادلات فیزیکی یا با مشاهده ساختارهایی که به راحتی در آزمایشها قابل رؤیت هستند، مانند گردابهها، تأثیرگذارترین عناصر را شناسایی کنند.
روش جدید، تمرکز را از پیشبینی صرف آشفتگی به درک بهتر سیستم تغییر میدهد. این روش کل جریان را بدون هیچ پیشفرضی بررسی کرده و هر نقطه از داده را یک به یک حذف میکند تا اهمیت آن را محاسبه کند.
برخلاف فرضیات کلاسیک، گردابهها در فواصل دور از دیواره (مرز بین هوای آشفته و آرام) اهمیت کمی داشتند. در عوض، تنشهای رینولدز (اصطکاک ناشی از برخورد سیالات با سرعتهای مختلف) در نزدیکی و فواصل بسیار دور از دیواره بیشترین تأثیر را داشتند، در حالی که رگهها (نوارهای کشیدهای از هوای سریع و کند که موازی با جریان حرکت میکنند) در فواصل متوسط تأثیرگذار بودند.
ریکاردو وینوئسا، دانشیار مهندسی هوافضا در دانشگاه میشیگان و یکی از نویسندگان مسئول این مطالعه میگوید: «اگر تمام دیدگاههای کلاسیک را کنار هم بگذارید، به بازسازی کل داستان نزدیکتر میشوید. اما اگر هر یک از دیدگاههای کلاسیک را بهتنهایی در نظر بگیرید، تنها بخشی از ماجرا را خواهید داشت.»
یک معمای حلنشده ریاضی
تا به امروز، پژوهشگران نتوانستهاند بهطور کامل درک کنند که جریانهای آشفته چگونه حرکت میکنند یا انرژی خود را پراکنده میسازند. ریاضیات توصیفکننده حرکت سیالات از معادلاتی به نام معادلات ناویر-استوکس به دست میآید که برای جریانهای آرام، قابلپیشبینی و آشفتگیهای ملایم بهخوبی کار میکنند.
برای آشفتگیهای شدید، یعنی تقریباً تمام جریانهایی که در عمل با آنها سروکار داریم، این معادلات همچنان معتبرند، اما حل آنها به قدرت محاسباتی عظیمی نیاز دارد.
آشفتگی ذاتاً پدیدهای آشوبناک است که در آن گرادیانهای سرعت میتوانند بسیار بزرگ شوند و به رفتاری نزدیک به تکینگی برسند. در چنین شرایطی، میدان جریان ساختاری فراکتالمانند از خود نشان میدهد که با پیکربندیهای فضایی بسیار پیچیده و درهمتنیده مشخص میشود.
این رفتار پیچیده از تعامل ظریف بین جملات خطی و غیرخطی معادلات ناویر-استوکس ناشی میشود. این مسئله آنقدر بنیادی است که مؤسسه ریاضیات کلِی آن را بهعنوان یکی از هفت «مسئله جایزه هزاره» معرفی کرده و یک میلیون دلار جایزه برای اثبات وجود و یکتایی یک جواب هموار برای این معادلات تعیین کرده است.
یک راهکار جایگزین برای مدلسازی
اگرچه یک تکنیک محاسباتی به نام «شبیهسازی عددی مستقیم» میتواند بخشهای کوچکی از جریانهای آشفته را با دقت بالا مدلسازی کند، اما اجرای آن در مقیاس بزرگ بسیار پرهزینه است.
شبیهسازی یک ثانیه پرواز یک هواپیمای ایرباس A320 در شرایط کروز، با سریعترین ابررایانه جهان (با قدرت محاسباتی دو اگزافلاپس) حدود پنج ماه زمان میبرد. حافظه مورد نیاز برای این کار نیز معادل حجم دادهای است که در طول یک ماه در کل اینترنت منتقل میشود.
بهعنوان یک راهکار جایگزین، تیم پژوهشی شبیهسازی عددی مستقیم را با هوش مصنوعی توضیحپذیر ترکیب کرد تا به بینشهای جدیدی در مورد جریانهای آشفته دست یابد. ابتدا، تیم پژوهشی از دادههای شبیهسازی عددی مستقیم برای آموزش یک مدل هوش مصنوعی جهت پیشبینی یک جریان آشفته استفاده کرد. سپس، از روش «توضیحات افزایشی شِیپلی» (SHAP) برای محاسبه اهمیت هر ورودی در مدل پیشبینیکننده اولیه هوش مصنوعی بهره بردند. این رویکرد هر ورودی را حذف کرده و میزان تأثیر آن بر دقت پیشبینی را اندازهگیری میکند.
وینوئسا میگوید: «روش SHAP مانند این است که هر بازیکن یک تیم فوتبال را یک به یک حذف کنیم تا بفهمیم هر فرد چگونه به عملکرد تیم کمک میکند. این کار به یافتن باارزشترین بازیکنان کمک میکند.»
هنگامی که این روش در عمل آزموده شد، ترکیب SHAP با یادگیری تقویتی عمیق از رویکردهای کلاسیک پیشی گرفت و اصطکاک روی بال هواپیما را تا ۳۰ درصد کاهش داد. برای نخستین بار، ما دقیقاً میدانیم کدام ساختارها در یک جریان آشفته بیشترین اهمیت را دارند.
آندرس کرمادس، استادیار دانشگاه پلیتکنیک والنسیا و یکی دیگر از نویسندگان مسئول این مطالعه، میگوید: «این بدان معناست که ما میتوانیم این نواحی را هدف قرار دهیم تا استراتژیهای کنترلی برای کاهش پسا، بهبود احتراق و کاهش آلودگی شهری را بهطور کارآمدتری توسعه دهیم، زیرا اکنون میتوانیم دینامیک سیستم را پیشبینی کنیم.»
پژوهشگران خاطرنشان میکنند که این تکنیک را میتوان برای مسائل دیگری فراتر از آشفتگی نیز به کار برد.
وینوئسا میافزاید: «برای هر مسئله فیزیکی، میتوانید ویژگیهای مهم و غیرمهم را شناسایی کرده و از آن برای بهینهسازی، کنترل یا سایر کاربردها در آینده استفاده کنید.»
دیدگاهتان را بنویسید