امواج هنگامی که به ارتفاع بحرانی متورم می شوند،قبل از این که تاج بگیرند و با اسپری قطرات و حباب ها برخورد کنند، می شکنند. این امواج می توانند به بزرگی نقطه شکست یک موج سوار و به کوچکی یک موج ملایم باشد که به ساحل می رود. برای چندین دهه، پویایی چگونگی و زمان شکست یک موج برای پیش بینی بسیار پیچیده بوده است. اکنون مهندسان MIT راه جدیدی برای مدل سازی چگونگی شکستن امواج پیدا کرده اند. این تیم از یادگیری ماشین به همراه داده های آزمایش های مخزن موج برای تغییر معادلات استفاده کردند که به طور سنتی برای پیش بینی رفتار موج استفاده می شدند. مهندسان معمولا به چنین معادلاتی تکیه می کنند تا به آن ها در طراحی سکوها و سازه های دریایی انعطاف پذیر کمک کنند. اما تاکنون معادلات نتوانسته اند پیچیدگی شکستن امواج را به تصویر بکشند.
محققان دریافتند مدل به روز شده، پیش بینی های دقیق تری از چگونگی و زمان شکست امواج انجام می دهد. به عنوان مثال، مدل شیب موج را درست قبل از شکست و انرژی و فرکانس آن را پس از شکست، دقیق تر از معادلات موج معمولی تخمین زد. نتایج آن ها که امروز در مجله Nature Communications منتشر شد، به دانشمندان کمک می کند بفهمند که چگونه یک موج شکسته بر آب اطراف آن تاثیر می گذارد. دانستن دقیق نحوه تعامل این امواج می تواند به بهبود طراحی سازه های فراساحلی کمک کند. همچنین می تواند پیش بینی نحوه تعامل اقیانوس با جو را بهبود بخشد. به عنوان مثال، تخمین بهتری از نحوه شکست امواج می تواند به دانشمندان کمک کند تا میزان دی اکسید کربن و سایر گازهای جوی را که اقیانوس می توانند جذب کنند، پیش بینی کنند.
تمیس ساپسیس، نویسنده این مطالعه، دانشیار مهندسی مکانیک و اقیانوس و وابسته به موسسه داده ها، سیستم ها و جامعه در MIT، می گوید: «شکستن موج چیزی است که هوا را وارد اقیانوس می کند. ممکن است جزییات به نظر برسد، اما اگر تاثیر آن را در سطح کل اقیانوس چند برابر کنید، شکستن موج برای پیش بینی آب و هوا از اهمیت اساسی برخوردار می شود.» نویسندگان مشترک این مطالعه عبارتند از نویسنده اصلی و فوق دکترای MIT Debbie Eeltink، Hubert Branger و Christopher Luneau از دانشگاه Aix-Marseille، امین Chabchoub از دانشگاه کیوتو، Jerome Kasparian از دانشگاه ژنو، و T.S. ون دن برمر از دانشگاه صنعتی Delft.
برای پیش بینی دینامیک موج شکن، دانشمندان معمولا یکی از دو رویکرد را اتخاذ می کنند: آن ها یا سعی می کنند موج را در مقیاس تک تک مولکول های آب و هوا شبیه سازی کنند، یا آزمایش هایی را برای شناسایی امواج با اندازه گیری های واقعی انجام می دهند. روش اول از نظر محاسباتی گران است و شبیه سازی آن حتی در یک منطقه کوچک دشوار است. دومی نیاز به زمان زیادی برای انجام آزمایش های کافی برای به دست آوردن نتایج آماری معنی دار دارد. تیم MIT در عوض قطعاتی از هر دو رویکرد را برای توسعه یک مدل کارآمدتر و دقیق‌تر با استفاده از یادگیری ماشین به کار گرفت. محققان با مجموعه ای از معادلات شروع کردند که توصیف استاندارد رفتار موج در نظر گرفته می شود. هدف آن ها بهبود مدل با “آموزش” مدل بر روی داده های شکستن امواج از آزمایش های واقعی بود.
Eeltink توضیح می دهد: “ما یک مدل ساده داشتیم که شکست موج را ثبت نمی کند و سپس حقیقت را داشتیم، یعنی آزمایش هایی که شامل شکستن موج است. سپس می خواستیم از یادگیری ماشینی برای یادگیری تفاوت بین این دو استفاده کنیم.” محققان با انجام آزمایشات در یک مخزن به طول 40 متر، داده های شکست موج را به دست آوردند. مخزن در یک انتهای آن با یک پارو نصب شده بود که تیم برای شروع هر موج از آن استفاده می کرد. تیم پارو را برای ایجاد موج شکستن در وسط تانک تنظیم کرد. اندازه گیری ها در طول مخزن، ارتفاع آب را با انتشار امواج در مخزن اندازه گیری می کردند. Eeltink می گوید: “اجرای این آزمایش ها زمان زیادی می برد. بین هر آزمایش، قبل از شروع آزمایش بعدی، باید منتظر بمانید تا آب کاملا آرام شود، در غیر این صورت آن ها روی یکدیگر تاثیر می گذارند.”
در مجموع، این تیم حدود 250 آزمایش انجام داد، داده هایی که از آن ها برای آموزش نوعی الگوریتم یادگیری ماشینی به نام شبکه عصبی استفاده کردند. به طور خاص، الگوریتم برای مقایسه امواج واقعی در آزمایش ها با امواج پیش بینی شده در مدل ساده آموزش داده می شود و بر اساس هر تفاوتی بین این دو، الگوریتم مدل را مطابق با واقعیت تنظیم می کند. پس از آموزش الگوریتم بر روی داده های تجربی خود، تیم این مدل را با داده های کاملا جدیدی معرفی کرد – در این مورد، اندازه گیری های دو آزمایش مستقل که هر کدام در مخازن موج جداگانه با ابعاد مختلف اجرا می شوند. در این آزمایش ها، آن ها دریافتند که مدل به روز شده، پیش بینی های دقیق تری نسبت به مدل ساده و آموزش دیده انجام می دهد، به عنوان مثال، تخمین های بهتری از شیب موج شکسته انجام می دهد.
مدل جدید همچنین ویژگی اساسی شکستن امواج را به نام “downshift” نشان می دهد که در آن فرکانس موج به مقدار کمتری تغییر می کند. سرعت یک موج به فرکانس آن بستگی دارد. برای امواج اقیانوس، فرکانس های پایین تر سریع تر از فرکانس های بالاتر حرکت می کنند. بنابراین، پس از تغییر شیفت، موج سریع تر حرکت می کند. مدل جدید تغییر فرکانس، قبل و بعد از هر موج شکسته را پیش بینی می کند که می تواند به ویژه در آمادگی برای طوفان های ساحلی مرتبط باشد. Eeltink می گوید: “وقتی می خواهید پیش بینی کنید که چه زمانی امواج بلند موجی به یک بندر می رسد و می خواهید بندر را قبل از رسیدن آن امواج ترک کنید، اگر فرکانس موج را اشتباه بگیرید، سرعت نزدیک شدن امواج اشتباه است.” مدل موج به روز شده این تیم به شکل یک کد منبع باز است که دیگران می توانند به طور بالقوه از آن استفاده کنند، به عنوان مثال در شبیه سازی آب و هوا از پتانسیل اقیانوس برای جذب دی اکسید کربن و دیگر گازهای اتمسفر. این کد همچنین می تواند در آزمایشات شبیه سازی شده سکوهای فراساحلی و سازه های ساحلی کار شود.
ساپسیس می گوید: “هدف شماره یک این مدل این است که پیش بینی کند که یک موج چه کاری انجام می دهد.” اگر شکست موج را درست مدل نکنید، پیامدهای فوق العاده ای برای نحوه رفتار سازه ها خواهد داشت. با این کار، می توانید امواج را برای کمک به طراحی بهتر، کارآمدتر و بدون فاکتورهای ایمنی بزرگ شبیه سازی کنید. این تحقیق تا حدی توسط بنیاد ملی علوم سوئیس و توسط دفتر تحقیقات نیروی دریایی ایالات متحده پشتیبانی می شود.
www.nn4e.com
nn4e@aol.com
شناسه تلگرام @nimanamira
09360703858
کانال تلگرام https://t.me/nn4enamira
کانال تام تام https://tt.me/nn4enamira
اینستاگرام https://www.instagram.com/nn4enamira