Tradycyjne metody obliczeniowe się wyczerpały
Do tej pory jedynym sposobem na dokładne przewidzenie zachowania płynów były bezpośrednie symulacje numeryczne. Metoda ta, choć precyzyjna, pochłaniała niewyobrażalne ilości mocy obliczeniowej i czasu. W praktyce oznaczało to, iż poza laboratoriami akademickimi nikt nie mógł sobie na nią pozwolić.
Pamiętam, że jedna symulacja, którą wykonałem do artykułu z 2011 roku, zajęła dwa miesiące. To jest po prostu nie do przyjęcia w przemyśle – wspomina Birendra Jha z USC Viterbi School of Engineering
Czytaj też: Hiszpania odkryła bogate złoża litu i rubidu. Europa ma nowego asa w rękawie
Dla przedsiębiorstw zajmujących się eksploatacją złóż ropy czy sekwestracją CO₂ tak długi czas oczekiwania na wyniki przekładał się na wymierne straty finansowe. Dodatkowym problemem były błędy numeryczne: symulacje czasami pokazywały obecność gęstszego płynu tam, gdzie fizycznie nie mógł się znaleźć. Zespół z Uniwersytetu Południowej Kalifornii opracował system łączący dwie techniki sztucznej inteligencji. Autoenkoder przekształca skomplikowane wzory płynów w zwarte reprezentacje cyfrowe, podczas gdy specjalny algorytm matematyczny zamienia nieliniowe, chaotyczne równania na prostszy do analizy system liniowy. Połączenie tych metod pozwala modelowi przewidywać zarówno lokalne cechy, jak globalne parametry przepływu. Najbardziej imponujące jest jednak tempo działania – po zakończeniu procesu uczenia, który zajmuje około godziny, system generuje wyniki praktycznie natychmiast.
Nie tylko szybciej, ale i dokładniej
Okazuje się, że nowa metoda nie tylko przyspiesza obliczenia, lecz dodatkowo poprawia ich dokładność. Eliminuje charakterystyczne dla tradycyjnych symulacji błędy numeryczne, precyzyjnie odtwarzając zarówno szczegóły formacji palczastych, jak i ich ogólne właściwości. Zastosowania tej technologii wykraczają poza przemysł wydobywczy. W mikroprzepływowych układach stosowanych w diagnostyce medycznej i farmacji występują te same zjawiska fizyczne, choć w znacznie mniejszej skali.
W urządzeniach mikroprzepływowych masz bardzo małe przestrzenie do przepływu płynu i choć nie jest to skała, palczastość lepkościowa nadal stanowi problem, ponieważ fizyka jest ta sama – dodaje Jha
Technologia może znaleźć zastosowanie w projektowaniu chipów do analizy krwi, precyzyjnych dozowników leków czy czujników biologicznych – wszędzie tam, gdzie spotykają się płyny o różnej gęstości. Mimo niewątpliwych sukcesów, opracowana metoda ma swoje słabe strony. Jakość wyników zależy od danych treningowych, a dokładność może spadać w warunkach znacznie różniących się od tych wykorzystanych podczas uczenia. Obecnie układ pracuje głównie z modelami dwuwymiarowymi w kontrolowanych warunkach, podczas gdy rzeczywiste zastosowania obejmują przestrzeń trójwymiarową i niejednorodne środowiska.
Czytaj też: Elektrony wykorzystane jako sonda. Nigdy wcześniej to się nie udało!
Naukowcy pracują nad rozszerzeniem zakresu danych treningowych, aby objąć różne typy materiałów porowatych, współczynniki lepkości i geometrie wtrysku. Prowadzone są również prace nad adaptacją systemu do zastosowań biomedycznych i mikroprzepływowych. Widzimy przy okazji, jak sztuczna inteligencja może radzić sobie z problemami, które tradycyjne metody rozwiązywały przez dziesięciolecia. Gdy symulacja, która niegdyś zajmowała miesiące, dziś wykonuje się w sekundy, otwierają się możliwości, o których wcześniej można było tylko marzyć.