پتریشیا دلسی، دانشکده مهندسی دانشگاه میشیگان
در حالی که آشوب جوی بهعنوان عاملی شناختهشده برای پروازهای پر تلاطم شناخته میشود، حرکت آشوببار جریانهای توربولانسی همچنان یک مسأله حلنشده در فیزیک است. برای درک بهتر این سیستم، تیمی از پژوهشگران با استفاده از هوش مصنوعی توضیحپذیر، مهمترین نواحی یک جریان توربولانسی را شناسایی کردند؛ این یافته در مطالعهای در Nature Communications که توسط دانشگاه میشیگان و دانشگاه پلیتکنیک والنسیا هدایت میشود، گزارش شده است.
درک واضحتر از آشوب میتواند پیشبینیها را بهبود بخشد و به خلبانان کمک کند تا از مناطق پرآشوب دور شوند و از جروح مسافران یا آسیبهای سازهای جلوگیری کنند. همچنین میتواند مهندسان را در کنترل آشوب یاری دهد؛ افزایش آن برای بهبود مخلوطسازی صنعتی مانند تصفیه آب و کاهش آن برای ارتقای بهرهوری سوخت در وسایل نقلیه.
«بهمدت بیش از یک قرن، پژوهش در زمینه آشوب با معادلاتی که بیش از حد پیچیده بودند، آزمایشهایی که دشوار انجام میشدند و کامپیوترهایی که توان شبیهسازی واقعیت را نداشتند، دست و پنجه نرم میکرد. هوش مصنوعی اکنون ابزار جدیدی بهما ارائه داد تا این چالش را مواجه شویم و دستاوردی با تأثیرات عملی عمیق به دست آوریم»، گفت سرجیو هویا، استاد مهندسی هوافضا در دانشگاه پلیتکنیک والنسیا و همنویسنده این مطالعه.
در هنگام مدلسازی آشوب، روشهای کلاسیک سعی میکنند با استفاده از معادلات فیزیکی یا با مشاهده ساختارهایی که بهراحتی در آزمایشها قابلدیده شدناند، مانند گردابهها یا گردابههای کوچک، مؤلفههای مؤثر را شناسایی کنند.
روش جدید تمرکز را از پیشبینی صرف آشوب به درک بهتر سیستم تغییر میدهد. این روش کل جریان را بدون پیشفرضهای اولیه بررسی میکند و بهصورت یکبهیک هر نقطه داده را حذف مینماید تا اهمیت آن را محاسبه کند.
در خلاف فرضهای کلاسیک، گردابهها در فاصلهای دور از دیوار، که مرز بین جریانهای آشوبی و صاف است، اهمیت کمی داشتند. در عوض، تنشهای رینولدز (اصطکاکی که هنگام برخورد سرعتهای مختلف سیالها ایجاد میشود) در نزدیکی بسیار زیاد و همچنین در فاصلههای دور از دیوار بیشترین تأثیر را داشتند، در حالی که نوارهای جریان (نواری طولانی از هوای سریع و آرام که موازی جریان حرکت میکند) در فواصل متوسط تاثیرگذار بودند.
«اگر تمام دیدگاههای کلاسیک را با هم ترکیب کنید، به بازسازی کلی داستان نزدیکتر میشوید. اگر هر یک از این دیدگاهها را بهصورت جداگانه در نظر بگیرید، داستانی جزئی به دست میآید»، گفت ریکاردو وینویسا، دانشیار مهندسی هوافضا در دانشگاه میشیگان و همنویسندهٔ مسئول این مطالعه.
یک معمای ریاضی حلنشده
تا به امروز، پژوهشگران نتوانستهاند بهطور کامل درک کنند که جریانهای آشوبناک چگونه حرکت میکنند یا انرژی را چگونه از بین میبرند. ریاضیات توصیف حرکت سیالات از معادلاتی به نام معادلات ناویر‑استوکس استخراج میشود، که برای جریانهای صاف، پیشبینیپذیر و آشوبهای خفیف بهخوبی کار میکند.
در مورد آشوب شدید، یعنی تقریباً تمام جریانهای مورد علاقه عملی، این معادلات همچنان معتبرند، اما برای حل آنها بهحجم عظیمی از قدرت محاسباتی نیاز است.
آشوب طبیعتاً آشوببار است و گرادیانهای سرعت میتوانند بهطور فوقالعاده بزرگ شوند و بهسوی رفتار نزدیک به تکینگی پیش روند. در چنین شرایطی، میدان جریان ساختاری شبیه به فرکتال نشان میدهد که ترکیبهای فضایی بسیار پیچیده و دقیق دارند.
این رفتار پیچیده ناشی از تعامل دقیق بین اصطلاحات خطی و غیرخطی معادلات ناویر‑استوکس است. اینچنان معمای بنیادی است که مؤسسهٔ ریاضیات کلی (Clay Mathematics Institute) آن را بهعنوان یکی از هفت مسألهٔ جایزهٔ هزارساله (Millennium Prize Problems) شناسایی کرده و برای اثبات وجود و یکتایی یک راهحل صاف از این معادلات، یک میلیون دلار جایزه ارائه داده است.
راهحلی برای مدلسازی
در حالی که تکنیکی محاسباتی به نام شبیهسازی عددی مستقیم میتواند قطعات کوچک جریانهای آشوبناک را با دقت بالا مدلسازی کند، اجرای آن در مقیاس بزرگ بسیار هزینهبر است.
شبیهسازی یک ثانیه پرواز برای یک ایرباس ۳۲۰ در حالت پروازی طولانی، حتی بر روی سریعترین ابرکامپیوتر جهان (با دو اکسافل اپس توان محاسباتی) حدود پنج ماه زمان میبرد. حافظه مورد نیاز آن معادل مقدار دادهای است که در یک ماه برای تمام اینترنت جهان انتقال مییابد.
بهعنوان راهحل، تیم پژوهشی شبیهسازی عددی مستقیم را با هوش مصنوعی توضیحپذیر ترکیب کرد تا بینشهای جدیدی درباره جریانهای آشوبناک کسب کند. ابتدا، تیم دادههای شبیهسازی عددی مستقیم را برای آموزش یک مدل هوش مصنوعی جهت پیشبینی یک جریان آشوبناق استفاده کرد. سپس، از توضیحات افزایشی شاپلی (SHAP) برای محاسبهٔ اهمیت هر ورودی مدل پیشبینی اولیه استفاده کرد. این رویکرد هر ورودی را حذف میکند و میزان تأثیر آن بر دقت پیشبینی را اندازهگیری مینماید.
«SHAP همانند حذف یکبهیک هر بازیکن از تیم فوتبال است تا درک کنیم هر فرد چگونه به عملکرد کلی تیم کمک میکند و بتوانیم ارزشمندترین بازیکنان را شناسایی کنیم»، گفت وینویسا.
زمانی که تحت آزمایش قرار گرفت، روش SHAP ترکیب شده با یادگیری عمیق تقویتی، از روشهای کلاسیک پیشی گرفت و اصطکاک بر روی بال هواپیما را تا ۳۰٪ کاهش داد. برای اولین بار، دقیقاً میدانیم کدام ساختارها در یک جریان آشوبناک بیشترین اهمیت را دارند.
«این به این معنی است که میتوانیم این نواحی را هدفگذاری کنیم تا استراتژیهای کنترلی برای کاهش کشش، بهبود احتراق و کاهش آلودگی شهری را بهصورت کارآمدتر توسعه دهیم، چرا که اکنون میتوانیم دینامیک سیستم را پیشبینی کنیم»، گفت آندرس کریمادس، استادیار در دانشگاه پلیتکنیک والنسیا و همنویسندهٔ مسئول این مطالعه.
پژوهشگران اشاره میکنند که این تکنیک میتواند برای مسائلی فراتر از آشوبچوب بهکار گرفته شود.
«برای هر مسألهای در فیزیک، میتوانید ویژگیهای مهم و کماهمیت را شناسایی کنید و از آن برای بهینهسازی، کنترل یا سایر کاربردها در آینده بهره ببرید»، افزود وینویسا.
دیدگاهتان را بنویسید