Identifikovanje osnovnog uzroka ekstremnih događaja kao što su poplave, jaki pljuskovi ili tornada je izuzetno teško i može zahtevati zajednički napor naučnika tokom nekoliko decenija da dođu do izvodljivih fizičkih objašnjenja.
Ekstremni događaji uzrokuju značajno odstupanje od očekivanog ponašanja i mogu diktirati ukupan ishod za niz naučnih problema i praktičnih situacija. Na primer, praktični scenariji u kojima fundamentalno razumevanje ekstremnih događaja može biti od vitalne važnosti uključuju nevaljale talase u okeanu koji bi mogli da ugroze brodove i priobalne strukture ili sve češće „hiljadugodišnje kiše“, kao što je poplava koja je opasna po život u aprilu. naneo 20 inča padavina u periodu od sedam sati u oblasti Fort Loderdejla.
U srži otkrivanja takvih ekstremnih događaja je fizika fluida – posebno turbulentnih tokova, koji pokazuju širok spektar zanimljivog ponašanja u vremenu i prostoru. U dinamici fluida, turbulentni tok se odnosi na nepravilan tok pri čemu se javljaju vrtlozi, vrtlozi i nestabilnosti toka. Zbog nasumične prirode i nepravilnosti turbulentnih tokova, one su notorno teške za razumevanje ili za primenu redosleda kroz jednačine.
Istraživači sa Fakulteta za inženjerstvo i računarstvo Univerziteta Florida Atlantik iskoristili su tehniku dubokog učenja kompjuterskog vida i prilagodili je za nelinearnu analizu ekstremnih događaja u turbulentnim tokovima ograničenim zidovima, koji su prisutni u brojnim fizičkim i inženjerskim aplikacijama i utiču na energiju vetra i hidrokinetičku energiju. , među drugima.
Studija se fokusirala na prepoznavanje i regulisanje organizovanih struktura u turbulentnim tokovima ograničenim zidovima koristeći različite tehnike mašinskog učenja kako bi se prevazišla nelinearna priroda ovog fenomena.
Rezultati, objavljeni u časopisu Phisical Reviev Fluids, pokazuju da tehnika koju su istraživači koristili može biti od neprocenjive vrednosti za precizno identifikovanje izvora ekstremnih događaja na način koji je u potpunosti zasnovan na podacima. Okvir koji su formulisali je dovoljno opšti da se može proširiti na druge naučne domene, gde osnovna prostorna dinamika koja upravlja evolucijom kritičnih fenomena možda nije poznata unapred.
Koristeći arhitekturu neuronske mreže nazvanu Konvoluciona neuronska mreža (CNN) koja je specijalizovana za otkrivanje prostornih odnosa, istraživači su obučili mrežu da proceni relativni intenzitet izbacivih struktura u okviru simulacije turbulentnog toka bez ikakvog apriornog znanja o osnovnoj dinamici toka.
„Razumevanje i kontrola turbulencije ograničene zidom dugo je tražena u inženjerskim i naučnim otkrićima, ali sa fundamentalne tačke gledišta, postoji mnogo toga što je ostalo nepoznato“, rekao je dr Sidarta Verma, viši autor i docent na odseku FAU. okeana i mašinstva.
„Naši nalazi pokazuju da se sa specifičnim modifikacijama koje smo napravili, 3D CNN u kombinaciji sa modifikovanom višeslojnom GradCAM tehnikom mogu pokazati izuzetno korisnim za analizu nelinearnih korelacija i za otkrivanje istaknutih prostornih karakteristika prisutnih u podacima turbulentnog toka.“
Opšti okvir koji su istraživači koristili koristi kombinaciju 3D CNN-a i novo modifikovane višeslojne GradCAM tehnike (mapiranje aktivacije klasa sa gradijentom), koja pruža razumljivo tumačenje naučenih asocijacija CNN-a u vezi sa događajima izbacivanja u turbulentnim tokovima ograničenim zidom. .
„Dok je identifikacija korišćenjem tehnika poput onih koje se koriste u ovoj studiji važan cilj, kontrola i regulacija ovih koherentnih struktura ima bezbroj naučne i praktične primene, poput smanjenja otpora brodova ili efikasnosti u komunalnoj infrastrukturi“, rekao je dr Erik Jagodinski, dr. ., student doktorskih studija FAU-ovog koledža za inženjerstvo i računarstvo i glavni inženjer veštačke inteligencije u Northrop Grumman-u.
„Međutim, kontrola turbulentnih tokova bila je izazovan problem zbog inherentne nelinearne evolucije koherentnih struktura, tako da je njihova tačna identifikacija ključna.“
Istraživači FAU-a su modifikovali CNN arhitekturu i GradCAM tehniku kako bi ih učinili pogodnijim za analizu struktura turbulentnog toka. Koristeći modifikovani CNN-GradCAM okvir, ispitali su povremene događaje izbacivanja, za koje je poznato da utiču na generisanje turbulentne kinetičke energije unutar graničnih slojeva.
„Ova važna studija pruža novo razumevanje turbulentnih tokova ograničenih zidom korišćenjem dubokog učenja“, rekla je dr Stella Batalama, dekan, FAU College of Engineering and Computer Science. „Tehnike koje su razvili naši istraživači omogućavaju otkrivanje nelinearnih odnosa u masivnim, složenim sistemima poput podataka koji se često nalaze u simulacijama dinamike fluida.“
