Maskinlæringsmodel giver risikovurdering for komplekse ikke-lineære systemer, herunder både og offshore platforme

Søfartsfartøjer og offshoreplatforme tåler et konstant batteri af bølger og strømme. Gennem årtiers drift, disse strukturer kan, Uden varsel, mødes frontalt med en useriøs bølge, vild storm, eller en anden ekstrem begivenhed, med potentielt skadelige konsekvenser.

Nu har ingeniører ved MIT udviklet en algoritme, der hurtigt identificerer de typer ekstreme hændelser, der sandsynligvis vil forekomme i et komplekst system, såsom et havmiljø, hvor bølger af varierende størrelse, længder, og højder kan skabe stress og pres på et skib eller offshore platform. Forskerne kan simulere de kræfter og understreger, at ekstreme begivenheder - i form af bølger - kan generere på en bestemt struktur.

Sammenlignet med traditionelle metoder, holdets teknik giver en meget hurtigere, mere nøjagtig risikovurdering for systemer, der sandsynligvis vil udstå en ekstrem hændelse på et tidspunkt i løbet af deres forventede levetid, ved ikke kun at tage højde for fænomenets statistiske karakter, men også den underliggende dynamik.

"Med vores tilgang, du kan vurdere, fra den foreløbige designfase, hvordan en struktur vil opføre sig ikke over for én bølge, men over for den samlede samling eller familie af bølger, der kan ramme denne struktur, " siger Themistoklis Sapsis, lektor i maskin- og havteknik ved MIT. "Du kan bedre designe din struktur, så du ikke har strukturelle problemer eller belastninger, der overskrider en vis grænse."

Sapsis siger, at teknikken ikke er begrænset til skibe og oceanplatforme, men kan anvendes på ethvert komplekst system, der er sårbart over for ekstreme begivenheder. For eksempel, metoden kan bruges til at identificere typen af ​​storme, der kan generere alvorlige oversvømmelser i en by, og hvor den oversvømmelse kan forekomme. Det kan også bruges til at estimere de typer elektriske overbelastninger, der kan forårsage strømafbrydelser, og hvor disse strømafbrydelser ville forekomme i hele en bys elnet.

Sapsis og Mustafa Mohamad, en tidligere kandidatstuderende i Sapsis' gruppe, i øjeblikket assisterende forsker ved Courant Institute of Mathematical Sciences ved New York University, offentliggør deres resultater i denne uge i Proceedings of the National Academy of Sciences .

Omgå en genvej

Ingeniører måler typisk en strukturs udholdenhed over for ekstreme hændelser ved at bruge beregningsintensive simuleringer til at modellere en strukturs reaktion på, for eksempel, en bølge, der kommer fra en bestemt retning, med en vis højde, længde, og hastighed. Disse simuleringer er meget komplekse, da de ikke blot modellerer interessebølgen, men også dens interaktion med strukturen. Ved at simulere hele "bølgefeltet", når en bestemt bølge ruller ind, ingeniører kan derefter vurdere, hvordan en struktur kan blive rystet og skubbet af en bestemt bølge, og hvilke deraf følgende kræfter og spændinger, der kan forårsage skade.

Disse risikovurderingssimuleringer er utrolig præcise og kan i en ideel situation forudsige, hvordan en struktur ville reagere på hver enkelt mulig bølgetype, om det er ekstremt eller ej. Men en sådan præcision ville kræve ingeniører til at simulere millioner af bølger, med forskellige parametre såsom højde- og længdeskala - en proces, der kan tage måneder at beregne.

"Det er et sindssygt dyrt problem, " siger Sapsis. "For at simulere en mulig bølge, der kan forekomme over 100 sekunder, det kræver en moderne grafisk processorenhed, hvilket er meget hurtigt, omkring 24 timer. Vi er interesserede i at forstå, hvad der er sandsynligheden for en ekstrem begivenhed over 100 år."

Som en mere praktisk genvej, ingeniører bruger disse simulatorer til at køre nogle få scenarier, vælger at simulere flere tilfældige bølgetyper, som de tror kan forårsage maksimal skade. Hvis et strukturelt design overlever disse ekstreme, tilfældigt genererede bølger, ingeniører antager, at designet vil stå op mod lignende ekstreme begivenheder i havet.

Men ved at vælge tilfældige bølger at simulere, Sapsis siger, ingeniører kan gå glip af andre mindre indlysende scenarier, såsom kombinationer af mellemstore bølger, eller en bølge med en vis hældning, der kan udvikle sig til en skadelig ekstrem begivenhed.

"Det, vi har formået at gøre, er at opgive denne tilfældige stikprøvelogik, " siger Sapsis.

En hurtig lærende

I stedet for at køre millioner af bølger eller endda flere tilfældigt udvalgte bølger gennem en beregningsintensiv simulering, Sapsis og Mohamad udviklede en maskinlæringsalgoritme til først hurtigt at identificere den "vigtigste" eller "mest informative" bølge, der skal køre gennem en sådan simulering.

Algoritmen er baseret på ideen om, at hver bølge har en vis sandsynlighed for at bidrage til en ekstrem begivenhed på strukturen. Sandsynligheden i sig selv har en vis usikkerhed, eller fejl, da det repræsenterer effekten af ​​et komplekst dynamisk system. I øvrigt, nogle bølger er mere sikre på at bidrage til en ekstrem begivenhed frem for andre.

Forskerne har designet algoritmen, så de hurtigt kan indtage forskellige typer bølger og deres fysiske egenskaber, sammen med deres kendte effekter på en teoretisk offshore platform. Fra de kendte bølger, som forskerne sætter ind i algoritmen, den kan i det væsentlige "lære" og lave et groft skøn over, hvordan platformen vil opføre sig som reaktion på enhver ukendt bølge. Gennem dette maskinlæringstrin, Algoritmen lærer, hvordan offshore-strukturen opfører sig over alle mulige bølger. Den identificerer derefter en bestemt bølge, der maksimalt reducerer fejlen i sandsynligheden for ekstreme hændelser. Denne bølge har stor sandsynlighed for at forekomme og fører til en ekstrem begivenhed. På denne måde går algoritmen ud over en rent statistisk tilgang og tager højde for den dynamiske opførsel af det pågældende system.

Forskerne testede algoritmen på et teoretisk scenarie, der involverer en forenklet offshore-platform udsat for indkommende bølger. Holdet startede med at tilslutte fire typiske bølger til maskinlæringsalgoritmen, herunder bølgernes kendte effekter på en offshore platform. Fra dette, Algoritmen identificerede hurtigt dimensionerne af en ny bølge, der har stor sandsynlighed for at opstå, og det reducerer maksimalt fejlen for sandsynligheden for en ekstrem hændelse.

Holdet tilsluttede derefter denne bølge til en mere beregningsintensiv, open source-simulering for at modellere responsen fra en forenklet offshore-platform. De fodrede resultaterne af denne første simulering tilbage i deres algoritme for at identificere den næstbedste bølge at simulere, og gentog hele processen. I alt, gruppen kørte 16 simulationer over flere dage for at modellere en platforms adfærd under forskellige ekstreme begivenheder. Sammenlignet med, forskerne udførte simuleringer ved hjælp af en mere konventionel metode, hvor de blindt simulerede så mange bølger som muligt, og var kun i stand til at generere lignende statistiske resultater efter at have kørt tusindvis af scenarier over flere måneder.

Sapsis siger, at resultaterne viser, at holdets metode hurtigt griber ind på de bølger, der er mest sikre på at være involveret i en ekstrem begivenhed, og giver designere mere informerede, realistiske scenarier at simulere, for at teste udholdenheden af ​​ikke kun offshore platforme, men også elnet og oversvømmelsestruede regioner.

"Denne metode baner vejen for at udføre risikovurdering, design, og optimering af komplekse systemer baseret på statistik over ekstreme hændelser, hvilket er noget, der ikke er blevet overvejet eller gjort før uden alvorlige forenklinger, " siger Sapsis. "Vi er nu i en position, hvor vi kan sige, bruge ideer som denne, du kan forstå og optimere dit system, i henhold til risikokriterier til ekstreme begivenheder."

Denne forskning blev støttet, delvis, af Office of Naval Research, Hærens forskningskontor, og Air Force Office of Scientific Research, og blev indledt gennem en bevilling fra American Bureau of Shipping.