Insinyur menggunakan kecerdasan buatan untuk menangkap kerumitan gelombang pecah

Gelombang pecah begitu mereka membengkak ke ketinggian kritis, sebelum memuncak dan menabrak semprotan tetesan dan gelembung. Gelombang ini bisa sebesar titik istirahat peselancar dan sekecil riak lembut yang bergulir ke pantai. Selama beberapa dekade, dinamika bagaimana dan kapan gelombang pecah terlalu rumit untuk diprediksi.

Sekarang, para insinyur MIT telah menemukan cara baru untuk memodelkan bagaimana gelombang pecah. Tim menggunakan pembelajaran mesin bersama dengan data dari eksperimen tangki gelombang untuk mengubah persamaan yang secara tradisional digunakan untuk memprediksi perilaku gelombang. Insinyur biasanya mengandalkan persamaan tersebut untuk membantu mereka merancang platform dan struktur lepas pantai yang tangguh. Namun hingga saat ini, persamaan tersebut belum mampu menangkap kompleksitas gelombang pecah.

Model yang diperbarui membuat prediksi yang lebih akurat tentang bagaimana dan kapan gelombang pecah, para peneliti menemukan. Misalnya, model memperkirakan kecuraman gelombang sesaat sebelum pecah, dan energi serta frekuensinya setelah pecah, lebih akurat daripada persamaan gelombang konvensional.

Hasil mereka, yang diterbitkan hari ini di jurnal Nature Communications, akan membantu para ilmuwan memahami bagaimana gelombang pecah mempengaruhi air di sekitarnya. Mengetahui secara tepat bagaimana gelombang ini berinteraksi dapat membantu mengasah desain struktur lepas pantai. Ini juga dapat meningkatkan prediksi tentang bagaimana laut berinteraksi dengan atmosfer. Memiliki perkiraan yang lebih baik tentang bagaimana gelombang pecah dapat membantu para ilmuwan memprediksi, misalnya, berapa banyak karbon dioksida dan gas atmosfer lainnya yang dapat diserap laut.

"Pemecah gelombang adalah apa yang menempatkan udara ke laut," kata penulis studi Themis Sapsis, seorang profesor teknik mesin dan kelautan dan afiliasi dari Institute for Data, Systems, and Society di MIT. “Ini mungkin terdengar seperti detail, tetapi jika Anda melipatgandakan efeknya di seluruh wilayah lautan, pemecah gelombang mulai menjadi sangat penting untuk prediksi iklim.”

Rekan penulis studi ini termasuk penulis utama dan postdoc MIT Debbie Eeltink, Hubert Branger dan Christopher Luneau dari Universitas Aix-Marseille, Amin Chabchoub dari Universitas Kyoto, Jerome Kasparian dari Universitas Jenewa, dan TS van den Bremer dari Universitas Teknologi Delft.

Learning tank

Untuk memprediksi dinamika gelombang pecah, para ilmuwan biasanya mengambil salah satu dari dua pendekatan: Mereka mencoba untuk secara tepat mensimulasikan gelombang pada skala molekul individu air dan udara, atau mereka menjalankan eksperimen untuk mencoba dan mengkarakterisasi gelombang dengan pengukuran yang sebenarnya. Pendekatan pertama secara komputasi mahal dan sulit untuk disimulasikan bahkan di area yang kecil; yang kedua membutuhkan banyak waktu untuk menjalankan eksperimen yang cukup untuk menghasilkan hasil yang signifikan secara statistik.

Tim MIT malah meminjam potongan dari kedua pendekatan untuk mengembangkan model yang lebih efisien dan akurat menggunakan pembelajaran mesin. Para peneliti memulai dengan seperangkat persamaan yang dianggap sebagai deskripsi standar perilaku gelombang. Mereka bertujuan untuk meningkatkan model dengan "melatih" model pada data gelombang pecah dari eksperimen yang sebenarnya.

“Kami memiliki model sederhana yang tidak menangkap gelombang pecah, dan kemudian kami memiliki kebenaran, yang berarti eksperimen yang melibatkan pemecahan gelombang,” jelas Eeltink. “Kemudian kami ingin menggunakan pembelajaran mesin untuk mempelajari perbedaan di antara keduanya.”

Para peneliti memperoleh data pemecah gelombang dengan menjalankan eksperimen di tangki sepanjang 40 meter. Tangki dipasang di salah satu ujungnya dengan dayung yang digunakan tim untuk memulai setiap gelombang. Tim mengatur dayung untuk menghasilkan gelombang pecah di tengah tangki. Pengukur sepanjang tangki mengukur ketinggian air saat gelombang merambat ke bawah tangki.

“Dibutuhkan banyak waktu untuk menjalankan eksperimen ini,” kata Eeltink. "Di antara setiap percobaan Anda harus menunggu air benar-benar tenang sebelum Anda meluncurkan percobaan berikutnya, jika tidak, mereka saling mempengaruhi."

Pelabuhan yang aman

Secara keseluruhan, tim menjalankan sekitar 250 eksperimen, data yang mereka gunakan untuk melatih jenis algoritma pembelajaran mesin yang dikenal sebagai jaringan saraf. Secara khusus, algoritme dilatih untuk membandingkan gelombang nyata dalam eksperimen dengan gelombang yang diprediksi dalam model sederhana, dan berdasarkan perbedaan antara keduanya, algoritme menyetel model agar sesuai dengan kenyataan.

Setelah melatih algoritme pada data eksperimen mereka, tim memperkenalkan model ke data yang sama sekali baru — dalam hal ini, pengukuran dari dua eksperimen independen, masing-masing dijalankan pada tangki gelombang terpisah dengan dimensi berbeda. Dalam pengujian ini, mereka menemukan model yang diperbarui membuat prediksi yang lebih akurat daripada model sederhana yang tidak terlatih, misalnya membuat perkiraan yang lebih baik tentang kecuraman gelombang pecah.

Model baru ini juga menangkap sifat penting dari gelombang pecah yang dikenal sebagai "pergeseran turun", di mana frekuensi gelombang digeser ke nilai yang lebih rendah. Cepat rambat gelombang bergantung pada frekuensinya. Untuk gelombang laut, frekuensi yang lebih rendah bergerak lebih cepat daripada frekuensi yang lebih tinggi. Oleh karena itu, setelah downshift, gelombang akan bergerak lebih cepat. Model baru memprediksi perubahan frekuensi, sebelum dan sesudah setiap gelombang pecah, yang bisa sangat relevan dalam mempersiapkan badai pantai.

“Bila Anda ingin meramalkan kapan gelombang tinggi dari sebuah gelombang besar akan mencapai pelabuhan, dan Anda ingin meninggalkan pelabuhan sebelum gelombang itu tiba, maka jika Anda mendapatkan frekuensi gelombang yang salah, maka kecepatan gelombang yang mendekat salah, Kata Eeltink.

Model gelombang yang diperbarui tim adalah dalam bentuk kode sumber terbuka yang berpotensi digunakan oleh orang lain, misalnya dalam simulasi iklim potensi laut untuk menyerap karbon dioksida dan gas atmosfer lainnya. Kode ini juga dapat digunakan dalam pengujian simulasi platform lepas pantai dan struktur pantai.

"Tujuan nomor satu dari model ini adalah untuk memprediksi apa yang akan dilakukan gelombang," kata Sapsis. “Jika Anda tidak memodelkan pemecah gelombang dengan benar, itu akan memiliki implikasi yang luar biasa terhadap bagaimana struktur berperilaku. Dengan ini, Anda dapat mensimulasikan gelombang untuk membantu merancang struktur dengan lebih baik, lebih efisien, dan tanpa faktor keamanan yang besar.”

Penelitian ini didukung, sebagian, oleh Swiss National Science Foundation, dan oleh US Office of Naval Research.