MIT-Ingenieure verwenden künstliche Intelligenz, um die Komplexität brechender Wellen zu erfassen

Mithilfe von maschinellem Lernen zusammen mit Daten aus Wellentank-Experimenten haben MIT-Ingenieure einen Weg gefunden, um zu modellieren, wie Wellen brechen. „Damit könnte man Wellen simulieren, um Strukturen besser, effizienter und ohne große Sicherheitsfaktoren zu entwerfen“, sagt Themis Sapsis. Bildnachweis: iStockphoto

Die Vorhersagen des neuen Modells sollten Forschern helfen, Meeresklimasimulationen zu verbessern und das Design von Offshore-Strukturen zu verfeinern.

Wellen brechen, sobald sie auf eine kritische Höhe anschwellen, bevor sie ihren Gipfel erreichen und in einen Schauer aus Tröpfchen und Blasen stürzen. Diese Wellen können so groß wie der Pointbreak eines Surfers und so klein wie eine sanfte Welle sein, die ans Ufer rollt. Jahrzehntelang war die Dynamik, wie und wann eine Welle bricht, zu komplex, als dass Wissenschaftler sie vorhersagen könnten.

Jetzt,

MIT
MIT ist ein Akronym für das Massachusetts Institute of Technology. Es ist eine renommierte private Forschungsuniversität in Cambridge, Massachusetts, die 1861 gegründet wurde. Sie ist in fünf Schulen organisiert: Architektur und Planung; Ingenieurwesen; Geistes-, Kunst- und Sozialwissenschaften; Management; und Wissenschaft. Der Einfluss des MIT umfasst viele wissenschaftliche Durchbrüche und technologische Fortschritte.

” data-gt-translate-attributes=”[{“attribute=””>MIT[{“attribute=””>MIT Ingenieure haben eine neue Methode gefunden, um zu modellieren, wie Wellen brechen. Die Forscher optimierten Gleichungen, die zuvor zur Vorhersage des Wellenverhaltens verwendet wurden, mithilfe von maschinellem Lernen und Daten aus Wellentanktests. Ingenieure verwenden häufig solche Gleichungen, um sie beim Entwurf robuster Offshore-Plattformen und -Strukturen zu unterstützen. Aber bisher konnten die Gleichungen die Komplexität brechender Wellen nicht erfassen.

Die Forscher entdeckten, dass das modifizierte Modell genauer vorhersagte, wie und wann Wellen brechen würden. Das Modell bewertete beispielsweise die Steilheit einer Welle kurz vor dem Brechen sowie ihre Energie und Frequenz nach dem Brechen genauer als herkömmliche Wellengleichungen.

Ihre Ergebnisse wurden kürzlich in der Zeitschrift veröffentlicht Naturkommunikation, wird Wissenschaftlern helfen zu verstehen, wie sich eine brechende Welle auf das Wasser um sie herum auswirkt. Genau zu wissen, wie diese Wellen interagieren, kann helfen, das Design von Offshore-Strukturen zu verfeinern. Es kann auch Vorhersagen darüber verbessern, wie der Ozean mit der Atmosphäre interagiert. Bessere Schätzungen darüber, wie Wellen brechen, können Wissenschaftlern helfen, beispielsweise vorherzusagen, wie viel Kohlendioxid und andere atmosphärische Gase der Ozean aufnehmen kann.

„Durch das Brechen von Wellen gelangt Luft in den Ozean“, sagt der Studienautor Themis Sapsis, außerordentlicher Professor für Maschinenbau und Meerestechnik und Mitglied des Institute for Data, Systems, and Society am MIT. „Es mag wie ein Detail klingen, aber wenn man seine Wirkung über die Fläche des gesamten Ozeans multipliziert, wird das Brechen von Wellen von grundlegender Bedeutung für die Klimavorhersage.“

siehe auch  Der Return to Monkey Island-Trailer zeigt die wunderschöne Grafik der Fortsetzung

Zu den Co-Autoren der Studie gehören die Hauptautorin und MIT-Postdoc Debbie Eeltink, Hubert Branger und Christopher Luneau von der Universität Aix-Marseille, Amin Chabchoub von der Universität Kyoto, Jerome Kasparian von der Universität Genf und TS van den Bremer von der Technischen Universität Delft .

Tank lernen

Um die Dynamik einer brechenden Welle vorherzusagen, wählen Wissenschaftler normalerweise einen von zwei Ansätzen: Sie versuchen entweder, die Welle auf der Skala einzelner Wasser- und Luftmoleküle genau zu simulieren, oder sie führen Experimente durch, um zu versuchen, Wellen mit tatsächlichen Messungen zu charakterisieren. Der erste Ansatz ist rechenintensiv und sogar über einen kleinen Bereich schwierig zu simulieren; die zweite erfordert eine enorme Zeit, um genügend Experimente durchzuführen, um statistisch signifikante Ergebnisse zu erzielen.

Das MIT-Team entlehnte stattdessen Teile aus beiden Ansätzen, um mithilfe von maschinellem Lernen ein effizienteres und genaueres Modell zu entwickeln. Die Forscher begannen mit einer Reihe von Gleichungen, die als Standardbeschreibung des Wellenverhaltens gelten. Sie zielten darauf ab, das Modell zu verbessern, indem sie das Modell mit Daten von brechenden Wellen aus tatsächlichen Experimenten „trainierten“.

„Wir hatten ein einfaches Modell, das den Wellenbruch nicht erfasst, und dann hatten wir die Wahrheit, dh Experimente, die den Wellenbruch beinhalten“, erklärt Eeltink. „Dann wollten wir maschinelles Lernen nutzen, um den Unterschied zwischen den beiden zu lernen.“

Die Forscher erhielten Daten zum Wellenbrechen, indem sie Experimente in einem 40 Meter langen Tank durchführten. Der Tank war an einem Ende mit einem Paddel ausgestattet, mit dem das Team jede Welle auslöste. Das Team stellte das Paddel so ein, dass es in der Mitte des Tanks eine brechende Welle erzeugte. Messgeräte entlang der Länge des Tanks maßen die Wasserhöhe, während sich Wellen im Tank ausbreiteten.

„Es braucht viel Zeit, um diese Experimente durchzuführen“, sagt Eeltink. „Zwischen jedem Experiment muss man warten, bis sich das Wasser vollständig beruhigt hat, bevor man das nächste Experiment startet, sonst beeinflussen sie sich gegenseitig.“

siehe auch  Was auch immer im März auf den Mond traf, es hinterließ einen Doppelkrater • The Register

Sicherer Hafen

Insgesamt führte das Team etwa 250 Experimente durch, mit deren Daten sie eine Art maschinellen Lernalgorithmus trainierten, der als neuronales Netzwerk bekannt ist. Insbesondere wird der Algorithmus darauf trainiert, die realen Wellen in Experimenten mit den vorhergesagten Wellen im einfachen Modell zu vergleichen, und basierend auf etwaigen Unterschieden zwischen den beiden stimmt der Algorithmus das Modell auf die Realität ab.

Nachdem das Team den Algorithmus mit seinen experimentellen Daten trainiert hatte, führte es das Modell mit völlig neuen Daten ein – in diesem Fall Messungen aus zwei unabhängigen Experimenten, die jeweils an separaten Wellentanks mit unterschiedlichen Abmessungen durchgeführt wurden. Bei diesen Tests stellten sie fest, dass das aktualisierte Modell genauere Vorhersagen machte als das einfache, nicht trainierte Modell, beispielsweise bessere Schätzungen der Steilheit einer brechenden Welle.

Das neue Modell erfasste auch eine wesentliche Eigenschaft brechender Wellen, die als „Herunterschalten“ bekannt ist, bei der die Frequenz einer Welle auf einen niedrigeren Wert verschoben wird. Die Geschwindigkeit einer Welle hängt von ihrer Frequenz ab. Bei Meereswellen bewegen sich niedrigere Frequenzen schneller als höhere Frequenzen. Daher bewegt sich die Welle nach dem Herunterschalten schneller. Das neue Modell sagt die Frequenzänderung vor und nach jeder brechenden Welle voraus, was besonders für die Vorbereitung auf Küstenstürme relevant sein könnte.

„Wenn Sie vorhersagen möchten, wann hohe Wellen einer Dünung einen Hafen erreichen würden, und Sie den Hafen verlassen möchten, bevor diese Wellen eintreffen, dann ist die Geschwindigkeit, mit der sich die Wellen nähern, falsch, wenn Sie die Wellenfrequenz falsch angeben. “, sagt Eeltink.

Das aktualisierte Wellenmodell des Teams liegt in Form eines Open-Source-Codes vor, den andere potenziell verwenden könnten, beispielsweise in Klimasimulationen des Potenzials des Ozeans, Kohlendioxid und andere atmosphärische Gase zu absorbieren. Der Code kann auch in simulierte Tests von Offshore-Plattformen und Küstenstrukturen eingearbeitet werden.

„Der Hauptzweck dieses Modells besteht darin, vorherzusagen, was eine Welle tun wird“, sagt Sapsis. „Wenn Sie den Wellenbruch nicht richtig modellieren, hätte dies enorme Auswirkungen auf das Verhalten von Strukturen. Damit könnten Sie Wellen simulieren, um Strukturen besser, effizienter und ohne große Sicherheitsfaktoren zu entwerfen.“

Referenz: „Nonlinear wave evolution with data-driven breaking“ von D. Eeltink, H. Branger, C. Luneau, Y. He, A. Chabchoub, J. Kasparian, TS van den Bremer & TP Sapsis, 29. April 2022, Naturkommunikation.
DOI: 10.1038/s41467-022-30025-z

Diese Forschung wird teilweise vom Schweizerischen Nationalfonds und vom US Office of Naval Research unterstützt.

Newsletter

Leave a Reply

Your email address will not be published.

This site uses Akismet to reduce spam. Learn how your comment data is processed.