Tradycyjnie, aby przewidzieć zachowanie załamującej się fali, naukowcy stosują jedną z dwóch metod: albo
W swojej nowej pracy, opublikowanej w czasopiśmieNature Communications, naukowcy z MIT wykorzystali zarówno metody, jak i uczenie maszynowe, aby skutecznie przewidywać zachowanie załamujących się fal. Naukowcy odkryli, że nowy model jest lepszy w przewidywaniu, jak i kiedy załamują się fale. Na przykład sztuczna inteligencja oszacowała stromość fali tuż przed załamaniem, a także jej energię i częstotliwość po załamaniu, dokładniej niż konwencjonalne równania falowe.
Naukowcy zebrali dane na temat ruchu fal podczasczas eksperymentów w 40-metrowym zbiorniku. Na jednym końcu czołgu autorzy pracy zainstalowali wiosło, którego ruch doprowadził do pojawienia się fali w środku czołgu. Czujniki na całej długości basenu mierzyły wysokość wody w miarę rozchodzenia się fali.
Takie eksperymenty zajmują dużo czasu.czas. Pomiędzy każdym eksperymentem musisz poczekać, aż woda całkowicie się uspokoi przed rozpoczęciem następnego eksperymentu, w przeciwnym razie będą one na siebie wpływać.
Debbie Iltink, współautorka badania
Obraz: MIT
Naukowcy przeprowadzili około 250 eksperymentów iwykorzystał dane pomiarowe do trenowania sieci neuronowej. Na przykład algorytm nauczył się porównywać rzeczywiste fale w eksperymentach z falami przewidzianymi w prostym modelu i na podstawie różnic między nimi dostroić model tak, aby pasował do rzeczywistości.
Po przeszkoleniu algorytmu na eksperymentalnymBadacze ci przetestowali wydajność sieci neuronowej na danych z dwóch niezależnych eksperymentów, z których każdy przeprowadzany jest w oddzielnych zbiornikach falowych o różnych rozmiarach. Testy wykazały, że sieć neuronowa daje dokładniejsze przewidywania niż wyniki uzyskane za pomocą równań falowych.
Jak zauważają autorzy pracy, AI również złapałoważna właściwość fal załamujących się, znana jako „przesunięcie w dół”, w której częstotliwość fali jest przesunięta na niższą wartość. Zdaniem naukowców jest to bardzo ważny czynnik, ponieważ wraz ze spadkiem częstotliwości fala przyspiesza. Sieć neuronowa przewiduje zmianę częstotliwości przed i po każdej załamującej się fali, co może być szczególnie ważne podczas przygotowań do sztormów przybrzeżnych.
„Jeśli chcesz przewidzieć, kiedy jest wysokifale dotrą do portu i opuszczą go, zanim te fale nadejdą, a jeśli podasz nieprawidłową częstotliwość fali, obliczona prędkość zbliżania się fali będzie nieprawidłowa” – dodaje Yltink.
Naukowcy przedstawili swój model w formieoprogramowanie open source, które jest dostępne dla wszystkich użytkowników. Autorzy uważają, że może on być przydatny m.in. w modelowaniu klimatycznym zdolności oceanów do pochłaniania dwutlenku węgla i innych gazów atmosferycznych, a także w modelowaniu testów platform morskich i obiektów przybrzeżnych.
Czytaj więcej:
Poluje się na nią od wieków: co wiemy o planecie Vulcan obok Słońca?
Fizycy eksperymentalnie potwierdzili nowe prawo podstawowe dla cieczy
Astronomowie znaleźli planetę w pobliżu Ziemi: ma bardzo dziwną orbitę