Sjöfartsfartyg och offshoreplattformar uthärdar ett konstant batteri av vågor och strömmar. Under årtionden av verksamhet, dessa strukturer kan, utan varning, möta frontal med en oseriös våg, galen storm, eller någon annan extrem händelse, med potentiellt skadliga konsekvenser.

Nu har ingenjörer vid MIT utvecklat en algoritm som snabbt pekar ut vilka typer av extrema händelser som sannolikt kommer att inträffa i ett komplext system, som en havsmiljö, där vågor av varierande storlek, längder, och höjder kan skapa stress och tryck på ett fartyg eller offshore-plattform. Forskarna kan simulera de krafter och betonar som extrema händelser – i form av vågor – kan generera på en viss struktur.

Jämfört med traditionella metoder, lagets teknik ger en mycket snabbare, mer exakt riskbedömning för system som sannolikt kommer att utstå en extrem händelse någon gång under sin förväntade livstid, genom att inte bara ta hänsyn till fenomenets statistiska karaktär utan även den underliggande dynamiken.

"Med vårt tillvägagångssätt, du kan bedöma, från den preliminära designfasen, hur en struktur kommer att bete sig inte mot en våg utan mot den övergripande samlingen eller familjen av vågor som kan träffa denna struktur, " säger Themistoklis Sapsis, docent i maskin- och havsteknik vid MIT. "Du kan bättre utforma din struktur så att du inte har strukturella problem eller påfrestningar som överskrider en viss gräns."

Sapsis säger att tekniken inte är begränsad till fartyg och havsplattformar, men kan appliceras på alla komplexa system som är sårbara för extrema händelser. Till exempel, metoden kan användas för att identifiera vilken typ av stormar som kan generera allvarliga översvämningar i en stad, och var den översvämningen kan inträffa. Det kan också användas för att uppskatta vilka typer av elektriska överbelastningar som kan orsaka strömavbrott, och där dessa strömavbrott skulle inträffa i hela stadens elnät.

Sapsis och Mustafa Mohamad, en före detta doktorand i Sapsis grupp, för närvarande biträdande forskare vid Courant Institute of Mathematical Sciences vid New York University, publicerar sina resultat denna vecka i Proceedings of the National Academy of Sciences .

Förbigå en genväg

Ingenjörer mäter vanligtvis en strukturs uthållighet vid extrema händelser genom att använda beräkningsintensiva simuleringar för att modellera en strukturs svar på, till exempel, en våg som kommer från ett visst håll, med en viss höjd, längd, och hastighet. Dessa simuleringar är mycket komplexa, eftersom de modellerar inte bara intressevågen utan också dess interaktion med strukturen. Genom att simulera hela "vågfältet" när en viss våg rullar in, ingenjörer kan sedan uppskatta hur en struktur kan skakas och tryckas av en viss våg, och vilka krafter och spänningar som kan orsaka skada.

Dessa riskbedömningssimuleringar är otroligt exakta och kan i en idealisk situation förutsäga hur en struktur skulle reagera på varje enskild möjlig vågtyp, vare sig det är extremt eller inte. Men sådan precision skulle kräva att ingenjörer simulerar miljontals vågor, med olika parametrar som höjd- och längdskala – en process som kan ta månader att beräkna.

"Det är ett vansinnigt dyrt problem, " säger Sapsis. "För att simulera en möjlig våg som kan inträffa över 100 sekunder, det kräver en modern grafisk processorenhet, vilket är väldigt snabbt, cirka 24 timmar. Vi är intresserade av att förstå vad som är sannolikheten för en extrem händelse under 100 år."

Som en mer praktisk genväg, ingenjörer använder dessa simulatorer för att köra några få scenarier, välja att simulera flera slumpmässiga vågtyper som de tror kan orsaka maximal skada. Om en strukturell design överlever dessa extrema, slumpmässigt genererade vågor, ingenjörer antar att designen kommer att stå emot liknande extrema händelser i havet.

Men när man väljer slumpmässiga vågor att simulera, Sapsis säger, ingenjörer kan missa andra mindre uppenbara scenarier, såsom kombinationer av medelstora vågor, eller en våg med en viss lutning som kan utvecklas till en skadlig extrem händelse.

"Vad vi har lyckats göra är att överge denna slumpmässiga samplingslogik, säger Sapsis.

En snabblärd

Istället för att köra miljontals vågor eller till och med flera slumpmässigt valda vågor genom en beräkningsintensiv simulering, Sapsis och Mohamad utvecklade en maskininlärningsalgoritm för att först snabbt identifiera den "viktigaste" eller "mest informativa" vågen att köra genom en sådan simulering.

Algoritmen bygger på tanken att varje våg har en viss sannolikhet att bidra till en extrem händelse på strukturen. Sannolikheten i sig har viss osäkerhet, eller fel, eftersom det representerar effekten av ett komplext dynamiskt system. Dessutom, vissa vågor är mer säkra på att bidra till en extrem händelse än andra.

Forskarna utformade algoritmen så att de snabbt kan mata in olika typer av vågor och deras fysiska egenskaper, tillsammans med deras kända effekter på en teoretisk offshore-plattform. Från de kända vågorna som forskarna kopplar in i algoritmen, den kan i huvudsak "lära sig" och göra en grov uppskattning av hur plattformen kommer att bete sig som svar på en okänd våg. Genom detta maskininlärningssteg, Algoritmen lär sig hur offshorestrukturen beter sig över alla möjliga vågor. Den identifierar sedan en viss våg som maximalt minskar felet i sannolikheten för extrema händelser. Denna våg har stor sannolikhet att inträffa och leder till en extrem händelse. På detta sätt går algoritmen bortom ett rent statistiskt tillvägagångssätt och tar hänsyn till det dynamiska beteendet hos det aktuella systemet.

Forskarna testade algoritmen på ett teoretiskt scenario som involverade en förenklad offshoreplattform som utsätts för inkommande vågor. Teamet började med att koppla in fyra typiska vågor i maskininlärningsalgoritmen, inklusive vågornas kända effekter på en offshore-plattform. Från detta, Algoritmen identifierade snabbt dimensionerna för en ny våg som har en hög sannolikhet att inträffa, och det reducerar maximalt felet för sannolikheten för en extrem händelse.

Teamet kopplade sedan in denna våg till en mer beräkningsintensiv, simulering med öppen källkod för att modellera svaret från en förenklad offshoreplattform. De matade tillbaka resultaten av denna första simulering till sin algoritm för att identifiera den näst bästa vågen att simulera, och upprepade hela processen. Totalt, gruppen körde 16 simuleringar under flera dagar för att modellera en plattforms beteende under olika extrema händelser. I jämförelse, forskarna genomförde simuleringar med en mer konventionell metod, där de blint simulerade så många vågor som möjligt, och kunde generera liknande statistiska resultat först efter att ha kört tusentals scenarier under flera månader.

Sapsis säger att resultaten visar att teamets metod snabbt finslipar de vågor som är mest säkra på att vara involverade i en extrem händelse, och ger designers mer informerade, realistiska scenarier att simulera, för att testa uthålligheten hos inte bara offshoreplattformar, men också elnät och översvämningsdrabbade regioner.

"Denna metod banar väg för att utföra riskbedömning, design, och optimering av komplexa system baserade på statistik över extrema händelser, vilket är något som inte har övervägts eller gjorts tidigare utan allvarliga förenklingar, " säger Sapsis. "Vi är nu i en position där vi kan säga, använda idéer som denna, du kan förstå och optimera ditt system, enligt riskkriterier för extrema händelser."

Denna forskning fick stöd, till viss del, av Office of Naval Research, Arméns forskningskontor, och flygvapnets kontor för vetenskaplig forskning, och initierades genom ett anslag från American Bureau of Shipping.