Zeeschepen en offshore platforms ondergaan een constante batterij van golven en stromingen. Gedurende tientallen jaren van werking, deze structuren kunnen zonder waarschuwing, ontmoet frontaal met een schurkengolf, buitenissige storm, of een andere extreme gebeurtenis, met mogelijk schadelijke gevolgen.

Nu hebben ingenieurs van MIT een algoritme ontwikkeld dat snel de soorten extreme gebeurtenissen lokaliseert die zich waarschijnlijk in een complex systeem zullen voordoen, zoals een oceaanomgeving, waar golven van verschillende groottes, lengtes, en hoogtes kunnen spanning en druk veroorzaken op een schip of offshore platform. De onderzoekers kunnen de krachten en spanningen simuleren die extreme gebeurtenissen - in de vorm van golven - op een bepaalde structuur kunnen genereren.

In vergelijking met traditionele methoden, de techniek van het team zorgt voor een veel snellere, nauwkeurigere risicobeoordeling voor systemen die op een bepaald moment tijdens hun verwachte levensduur een extreme gebeurtenis zullen doorstaan, door niet alleen rekening te houden met de statistische aard van het fenomeen, maar ook met de onderliggende dynamiek.

“Met onze aanpak je kunt beoordelen, vanaf de voorontwerpfase, hoe een structuur zich zal gedragen, niet voor één golf, maar voor de algemene verzameling of familie van golven die deze structuur kunnen raken, " zegt Themistoklis Sapsis, universitair hoofddocent mechanische en oceaantechniek aan het MIT. "Je kunt je structuur beter zo ontwerpen dat je geen structurele problemen of spanningen hebt die een bepaalde limiet overschrijden."

Sapsis zegt dat de techniek niet beperkt is tot schepen en oceaanplatforms, maar kan worden toegepast op elk complex systeem dat kwetsbaar is voor extreme gebeurtenissen. Bijvoorbeeld, de methode kan worden gebruikt om het type storm te identificeren dat ernstige overstromingen in een stad kan veroorzaken, en waar die overstroming kan optreden. Het kan ook worden gebruikt om de soorten elektrische overbelastingen in te schatten die stroomuitval kunnen veroorzaken, en waar die stroomuitval zou optreden in het elektriciteitsnet van een stad.

Sapsis en Mustafa Mohamad, een voormalige afgestudeerde student in de groep van Sapsis, momenteel assistent-onderzoeker bij Courant Institute of Mathematical Sciences aan de New York University, publiceren hun resultaten deze week in de Proceedings van de National Academy of Sciences .

Een snelkoppeling omzeilen

Ingenieurs meten doorgaans het uithoudingsvermogen van een structuur tegen extreme gebeurtenissen door rekenintensieve simulaties te gebruiken om de reactie van een structuur op te modelleren, bijvoorbeeld, een golf die uit een bepaalde richting komt, met een bepaalde hoogte, lengte, en snelheid. Deze simulaties zijn zeer complex, omdat ze niet alleen de golf van interesse modelleren, maar ook de interactie met de structuur. Door het hele "golfveld" te simuleren terwijl een bepaalde golf binnenrolt, ingenieurs kunnen dan inschatten hoe een constructie kan worden geschud en geduwd door een bepaalde golf, en welke resulterende krachten en spanningen schade kunnen veroorzaken.

Deze risicobeoordelingssimulaties zijn ongelooflijk nauwkeurig en kunnen in een ideale situatie voorspellen hoe een constructie zou reageren op elk mogelijk golftype, extreem of niet. Maar voor zulke precisie zouden ingenieurs miljoenen golven moeten simuleren, met verschillende parameters zoals hoogte- en lengteschaal - een proces dat maanden kan duren om te berekenen.

"Dat is een waanzinnig duur probleem, " zegt Sapsis. "Om een ​​mogelijke golf te simuleren die kan optreden gedurende 100 seconden, er is een moderne grafische processor nodig, wat erg snel is, ongeveer 24 uur. We zijn geïnteresseerd om te begrijpen wat de kans is op een extreme gebeurtenis over een periode van 100 jaar."

Als een meer praktische kortere weg, ingenieurs gebruiken deze simulators om slechts een paar scenario's uit te voeren, kiezen om verschillende willekeurige golftypes te simuleren waarvan ze denken dat ze maximale schade kunnen veroorzaken. Als een constructief ontwerp deze extremen overleeft, willekeurig gegenereerde golven, ingenieurs gaan ervan uit dat het ontwerp bestand is tegen soortgelijke extreme gebeurtenissen in de oceaan.

Maar bij het kiezen van willekeurige golven om te simuleren, Sapsis zegt, ingenieurs kunnen andere, minder voor de hand liggende scenario's over het hoofd zien, zoals combinaties van middelgrote golven, of een golf met een bepaalde helling die zou kunnen uitgroeien tot een schadelijke extreme gebeurtenis.

"Wat we hebben weten te doen, is deze logica van willekeurige steekproeven te laten varen, ' zegt Sapsis.

Een snelle leerling

In plaats van miljoenen golven of zelfs meerdere willekeurig gekozen golven door een rekenintensieve simulatie te laten gaan, Sapsis en Mohamad ontwikkelden een algoritme voor machine learning om eerst snel de "belangrijkste" of "meest informatieve" golf te identificeren om door een dergelijke simulatie te lopen.

Het algoritme is gebaseerd op het idee dat elke golf een bepaalde kans heeft om bij te dragen aan een extreme gebeurtenis op de constructie. De waarschijnlijkheid zelf heeft enige onzekerheid, of fout, omdat het het effect van een complex dynamisch systeem vertegenwoordigt. Bovendien, sommige golven dragen meer bij aan een extreme gebeurtenis dan andere.

De onderzoekers hebben het algoritme zo ontworpen dat ze snel verschillende soorten golven en hun fysieke eigenschappen kunnen invoeren, samen met hun bekende effecten op een theoretisch offshore-platform. Van de bekende golven die de onderzoekers in het algoritme pluggen, het kan in wezen "leren" en een ruwe schatting maken van hoe het platform zich zal gedragen als reactie op een onbekende golf. Door deze stap van machine learning, het algoritme leert hoe de offshore constructie zich over alle mogelijke golven gedraagt. Het identificeert dan een bepaalde golf die de fout van de waarschijnlijkheid voor extreme gebeurtenissen maximaal vermindert. Deze golf heeft een grote kans van optreden en leidt tot een extreme gebeurtenis. Op deze manier gaat het algoritme verder dan een puur statistische benadering en houdt het rekening met het dynamische gedrag van het systeem in kwestie.

De onderzoekers testten het algoritme op een theoretisch scenario met een vereenvoudigd offshore-platform dat wordt blootgesteld aan inkomende golven. Het team begon met het aansluiten van vier typische golven in het machine learning-algoritme, inclusief de bekende effecten van de golven op een offshore platform. Van dit, het algoritme identificeerde snel de afmetingen van een nieuwe golf die een grote kans heeft om te voorkomen, en het reduceert maximaal de fout voor de waarschijnlijkheid van een extreme gebeurtenis.

Het team stopte deze golf vervolgens in een meer rekenintensief, open-source simulatie om de respons van een vereenvoudigd offshore platform te modelleren. Ze voerden de resultaten van deze eerste simulatie terug in hun algoritme om de volgende beste golf te identificeren om te simuleren, en herhaalde het hele proces. In totaal, de groep voerde gedurende meerdere dagen 16 simulaties uit om het gedrag van een platform onder verschillende extreme gebeurtenissen te modelleren. In vergelijking, de onderzoekers voerden simulaties uit met een meer conventionele methode, waarin ze blindelings zoveel mogelijk golven simuleerden, en waren in staat om vergelijkbare statistische resultaten te genereren na het uitvoeren van duizenden scenario's gedurende meerdere maanden.

Sapsis zegt dat de resultaten aantonen dat de methode van het team snel inspeelt op de golven die het meest zeker betrokken zijn bij een extreme gebeurtenis, en biedt ontwerpers meer geïnformeerde, realistische scenario's om te simuleren, om het uithoudingsvermogen te testen van niet alleen offshore-platforms, maar ook elektriciteitsnetten en overstromingsgevoelige gebieden.

"Deze methode maakt de weg vrij om risicobeoordelingen uit te voeren, ontwerp, en optimalisatie van complexe systemen op basis van statistieken over extreme gebeurtenissen, dat is iets dat niet eerder is overwogen of gedaan zonder ernstige vereenvoudigingen, " zegt Sapsis. "We bevinden ons nu in een positie waarin we kunnen zeggen:gebruik van dit soort ideeën, u uw systeem kunt begrijpen en optimaliseren, volgens risicocriteria voor extreme gebeurtenissen."

Dit onderzoek werd ondersteund, gedeeltelijk, door het Office of Naval Research, Legeronderzoeksbureau, en Air Force Office of Scientific Research, en werd geïnitieerd door een subsidie ​​van het American Bureau of Shipping.