.
Identificar a causa subjacente de eventos extremos, como inundações, fortes chuvas ou tornados, é imensamente difícil e pode exigir um esforço concertado dos cientistas ao longo de várias décadas para chegar a explicações físicas viáveis.
Eventos extremos causam desvios significativos do comportamento esperado e podem ditar o resultado global de uma série de problemas científicos e situações práticas. Por exemplo, os cenários práticos onde uma compreensão fundamental dos eventos extremos pode ser de vital importância incluem ondas perigosas no oceano que podem pôr em perigo navios e estruturas offshore ou “chuvas de 1.000 anos” cada vez mais frequentes, como o dilúvio com risco de vida em Abril que depositou 50 centímetros de chuva em um período de sete horas na área de Fort Lauderdale.
No centro da descoberta de tais eventos extremos está a física dos fluidos – especificamente fluxos turbulentos, que exibem uma ampla gama de comportamentos interessantes no tempo e no espaço. Na dinâmica dos fluidos, um fluxo turbulento refere-se a um fluxo irregular em que ocorrem redemoinhos, redemoinhos e instabilidades de fluxo. Devido à natureza aleatória e à irregularidade dos fluxos turbulentos, eles são notoriamente difíceis de compreender ou de aplicar ordem através de equações.
Pesquisadores da Faculdade de Engenharia e Ciência da Computação da Florida Atlantic University aproveitaram uma técnica de aprendizagem profunda de visão computacional e a adaptaram para análise não linear de eventos extremos em fluxos turbulentos limitados por paredes, que são difundidos em inúmeras aplicações de física e engenharia e impactam a energia eólica e hidrocinética , entre outros.
O estudo concentrou-se no reconhecimento e regulação de estruturas organizadas dentro de fluxos turbulentos limitados por paredes, usando uma variedade de técnicas de aprendizado de máquina para superar a natureza não linear desse fenômeno.
Resultados, publicados na revista Fluidos de revisão física, demonstram que a técnica empregada pelos pesquisadores pode ser inestimável para identificar com precisão as fontes de eventos extremos de uma maneira totalmente baseada em dados. O quadro que formularam é suficientemente geral para ser extensível a outros domínios científicos, onde a dinâmica espacial subjacente que governa a evolução dos fenómenos críticos pode não ser conhecida de antemão.
Usando uma arquitetura de rede neural chamada Rede Neural Convolucional (CNN), especializada em descobrir relações espaciais, os pesquisadores treinaram uma rede para estimar a intensidade relativa das estruturas de ejeção na simulação de fluxo turbulento sem qualquer conhecimento a priori da dinâmica de fluxo subjacente.
“Compreender e controlar a turbulência delimitada por paredes tem sido buscado há muito tempo em descobertas científicas e de engenharia, mas de um ponto de vista fundamental, há muito que permanece desconhecido”, disse Siddhartha Verma, Ph.D., autor sênior e professor assistente no Departamento da FAU. de Engenharia Oceânica e Mecânica. “Nossas descobertas indicam que, com as modificações específicas que fizemos, CNNs 3D juntamente com a técnica GradCAM multicamadas modificada podem provar ser imensamente úteis para analisar correlações não lineares e para revelar características espaciais salientes presentes em dados de fluxo turbulento.”
A estrutura geral que os pesquisadores empregaram aproveita uma combinação de CNNs 3D e a técnica recém-modificada GradCAM multicamadas (mapeamento de ativação de classe ponderada por gradiente), que fornece uma interpretação explicável das associações aprendidas de uma CNN relacionadas a eventos de ejeção em fluxos turbulentos limitados por paredes. .
“Embora a identificação usando técnicas como as empregadas neste estudo seja um objetivo importante, o controle e a regulação dessas estruturas coerentes têm inúmeras aplicações científicas e práticas, como a redução do arrasto em navios ou a eficiência na infraestrutura de serviços públicos”, disse Eric Jagodinski, Ph.D. ., aluno de doutorado da Faculdade de Engenharia e Ciência da Computação da FAU e principal engenheiro de IA da Northrop Grumman. “No entanto, o controle de fluxos turbulentos tem sido um problema desafiador devido à evolução não linear inerente das estruturas coerentes, portanto, identificá-los com precisão é crucial.“
Os pesquisadores da FAU modificaram a arquitetura CNN e a técnica GradCAM para torná-las mais adequadas à análise de estruturas de fluxo turbulento. Usando a estrutura CNN-GradCAM modificada, eles examinaram eventos de ejeção intermitente, que são conhecidos por influenciar a geração de energia cinética turbulenta dentro das camadas limites.
“Este importante estudo fornece uma nova compreensão dos fluxos turbulentos limitados por paredes usando aprendizagem profunda”, disse Stella Batalama, Ph.D., reitora da Faculdade de Engenharia e Ciência da Computação da FAU. “As técnicas desenvolvidas pelos nossos pesquisadores permitem a descoberta de relações não lineares em sistemas massivos e complexos, como dados encontrados frequentemente em simulações de dinâmica de fluidos.”
Xingquan (Hill) Zhu, Ph.D., professor do Departamento de Engenharia Elétrica e Ciência da Computação da Faculdade de Engenharia e Ciência da Computação da FAU é coautor do estudo.
Este trabalho foi apoiado pela National Science Foundation (NSF) (concessão CBET-2103536) e os recursos computacionais foram fornecidos pela NSF (concessão CNS-1828181).
.
