A revolução da Inteligência Artificial na análise de eventos extremos
Identificar a causa subjacente de eventos extremos, como inundações, fortes chuvas ou tornados, é uma tarefa imensamente desafiadora e frequentemente exige o esforço conjunto de cientistas ao longo de várias décadas para chegar a explicações físicas viáveis.
Eventos extremos desviam significativamente do comportamento esperado e podem ter um impacto profundo em diversos problemas científicos e cenários práticos. Por exemplo, situações onde uma compreensão fundamental de eventos extremos é vital incluem ondas gigantes no oceano que podem ameaçar navios e estruturas offshore ou as cada vez mais frequentes “chuvas de 1.000 anos”, como a tempestade mortal de abril que depositou 20 polegadas de chuva em um período de sete horas na área de Fort Lauderdale.
No cerne da investigação desses eventos extremos está a física dos fluidos, especificamente os fluxos turbulentos, que exibem uma ampla gama de comportamentos interessantes no tempo e no espaço. Em dinâmica dos fluidos, um fluxo turbulento refere-se a um fluxo irregular no qual ocorrem redemoinhos, turbilhões e instabilidades de fluxo. Devido à natureza aleatória e irregular dos fluxos turbulentos, eles são notoriamente difíceis de entender ou de se aplicar equações.
Pesquisadores da Faculdade de Engenharia e Ciência da Computação da Universidade Atlântica da Flórida aproveitaram uma técnica de aprendizado profundo de visão computacional e a adaptaram para a análise não linear de eventos extremos em fluxos turbulentos limitados por paredes, que são prevalentes em várias aplicações de física e engenharia, impactando setores como energia eólica e hidrocinética, entre outros.
O estudo concentrou-se em reconhecer e regular estruturas organizadas dentro de fluxos turbulentos limitados por paredes usando uma variedade de técnicas de aprendizado de máquina para lidar com a natureza não linear desse fenômeno.
Os resultados, publicados na revista Physical Review Fluids, demonstram que a técnica utilizada pelos pesquisadores pode ser inestimável para identificar com precisão as fontes de eventos extremos de maneira totalmente baseada em dados. A estrutura que eles formularam é suficientemente geral para ser estendida a outros domínios científicos, nos quais a dinâmica espacial subjacente que governa a evolução de fenômenos críticos pode não ser conhecida antecipadamente.
Usando uma arquitetura de rede neural chamada Rede Neural Convolucional (CNN) que se especializa em descobrir relações espaciais, os pesquisadores treinaram uma rede para estimar a intensidade relativa de estruturas de ejeção dentro de simulações de fluxo turbulento, sem qualquer conhecimento prévio da dinâmica subjacente do fluxo.
“Saber e controlar a turbulência limitada por paredes tem sido há muito tempo perseguido em descobertas científicas e de engenharia, mas do ponto de vista fundamental, há muito que permanece desconhecido”, disse Siddhartha Verma, Ph.D., autor sênior e professor assistente no Departamento de Oceanografia e Engenharia Mecânica da FAU.
“Nossos resultados indicam que, com as modificações específicas que fizemos, as CNNs 3D acopladas à técnica GradCAM de múltiplas camadas modificada podem se mostrar imensamente úteis para analisar correlações não lineares e para revelar características espaciais relevantes presentes em dados de fluxo turbulento.”
A estrutura geral utilizada pelos pesquisadores combina as CNNs 3D com a técnica GradCAM de múltiplas camadas recentemente adaptada, fornecendo uma interpretação compreensível das associações aprendidas pela CNN em relação a eventos de ejeção em fluxos turbulentos limitados por paredes.
Eric Jagodinski, Ph.D., um ex-aluno doutoral da Faculdade de Engenharia e Ciência da Computação da FAU e engenheiro principal de IA na Northrop Grumman, acrescentou: “Embora a identificação usando técnicas como as empregadas neste estudo seja um objetivo importante, o controle e a regulamentação dessas estruturas coerentes têm inúmeras aplicações científicas e práticas, como a redução do arrasto em navios ou a eficiência na infraestrutura de utilidade. No entanto, o controle de fluxos turbulentos tem sido um problema desafiador devido à evolução não linear inerente das estruturas coerentes, sendo assim, identificá-las com precisão é crucial.”
Os pesquisadores da FAU modificaram a arquitetura da CNN e a técnica GradCAM para torná-las mais adequadas para a análise de estruturas de fluxo turbulento. Através dessa estrutura modificada CNN-GradCAM, eles examinaram eventos de ejeção intermitentes, que são conhecidos por influenciar a geração de energia cinética turbulenta dentro das camadas limite.
Stella Batalama, Ph.D., decana da Faculdade de Engenharia e Ciência da Computação da FAU, elogiou o estudo, afirmando: “Este estudo importante proporciona uma nova compreensão dos fluxos turbulentos limitados por paredes usando aprendizado profundo. As técnicas desenvolvidas pelos nossos pesquisadores permitem a descoberta de relações não lineares em sistemas massivos e complexos, como os dados frequentemente encontrados em simulações de dinâmica de fluidos.” [Phys]
