Волны разбиваются, как только они набухают до критической высоты, а затем достигают гребня и разбиваются о брызги капель и пузырьков. Эти волны могут быть как большими, как серфер, так и маленькими, как легкая рябь, катящаяся к берегу. На протяжении десятилетий динамика того, как и когда разбивается волна, была слишком сложной для предсказания.

Теперь инженеры Массачусетского технологического института нашли новый способ моделирования того, как разбиваются волны. Команда использовала машинное обучение вместе с данными экспериментов с волновым резервуаром, чтобы настроить уравнения, которые традиционно использовались для прогнозирования поведения волн. Инженеры обычно полагаются на такие уравнения при проектировании устойчивых морских платформ и сооружений. Но до сих пор уравнения не могли отразить сложность разбивающихся волн.

Исследователи обнаружили, что обновленная модель дает более точные прогнозы того, как и когда разбиваются волны. Например, модель оценивала крутизну волны непосредственно перед обрушением, а также ее энергию и частоту после обрушения более точно, чем обычные волновые уравнения.

Их результаты, опубликованные сегодня в журнале Nature Communications , помогут ученым понять, как прибойная волна влияет на воду вокруг нее. Точное знание того, как взаимодействуют эти волны, может помочь отточить конструкцию морских сооружений. Это также может улучшить прогнозы взаимодействия океана с атмосферой. Более точные оценки того, как разбиваются волны, могут помочь ученым предсказать, например, сколько углекислого газа и других атмосферных газов может поглотить океан.

«Разрушение волн — это то, что помещает воздух в океан», — говорит автор исследования Фемис Сапсис, адъюнкт-профессор машиностроения и океанотехники и член Института данных, систем и общества в Массачусетском технологическом институте. «Это может показаться мелочью, но если вы умножите его влияние на площадь всего океана, волнообразование станет фундаментально важным для предсказания климата».

Соавторами исследования являются ведущий автор и постдоктор Массачусетского технологического института Дебби Элтинк, Хьюберт Брангер и Кристофер Люно из Экс-Марсельского университета, Амин Чабчуб из Киотского университета, Джером Каспарян из Женевского университета и Т.С. ван ден Бремер из Делфтского технологического университета.

Учебный танк

Чтобы предсказать динамику прибойной волны, ученые обычно используют один из двух подходов: они либо пытаются точно смоделировать волну в масштабе отдельных молекул воды и воздуха, либо проводят эксперименты, пытаясь охарактеризовать волны с помощью реальных измерений. Первый подход требует значительных вычислительных ресурсов, и его трудно смоделировать даже на небольшой площади; второй требует огромного количества времени для проведения достаточного количества экспериментов, чтобы получить статистически значимые результаты.

Вместо этого команда Массачусетского технологического института позаимствовала элементы обоих подходов для разработки более эффективной и точной модели с использованием машинного обучения. Исследователи начали с набора уравнений, который считается стандартным описанием волнового поведения. Они стремились улучшить модель, «обучив» модель на данных о прибойных волнах из реальных экспериментов.

«У нас была простая модель, которая не учитывала обрушение волн, а затем у нас была правда, то есть эксперименты, включающие обрушение волн», — объясняет Илтинк. «Затем мы хотели использовать машинное обучение, чтобы понять разницу между ними».

Исследователи получили данные об опрокидывании волн, проведя эксперименты в 40-метровом резервуаре. На одном конце бака была установлена ​​лопатка, которую команда использовала для запуска каждой волны. Команда установила весло так, чтобы в середине резервуара возникала волна. Датчики по длине резервуара измеряли высоту воды, когда волны распространялись по резервуару.

«Проведение этих экспериментов занимает много времени, — говорит Илтинк. «Между каждым экспериментом вы должны ждать, пока вода полностью успокоится, прежде чем запускать следующий эксперимент, иначе они влияют друг на друга».

Безопасная гавань

Всего команда провела около 250 экспериментов, данные из которых они использовали для обучения алгоритма машинного обучения, известного как нейронная сеть. В частности, алгоритм обучен сравнивать реальные волны в экспериментах с волнами, предсказанными в простой модели, и на основе любых различий между ними алгоритм настраивает модель в соответствии с реальностью.

После обучения алгоритма на своих экспериментальных данных команда ввела в модель совершенно новые данные — в данном случае измерения из двух независимых экспериментов, каждый из которых проводится в отдельных волновых резервуарах с разными размерами. В этих тестах они обнаружили, что обновленная модель дает более точные прогнозы , чем простая необученная модель, например, лучше оценивает крутизну прибойной волны.

Новая модель также уловила важное свойство обрушивающихся волн, известное как «сдвиг вниз», при котором частота волны смещается к более низкому значению. Скорость волны зависит от ее частоты. Для океанских волн более низкие частоты движутся быстрее, чем более высокие частоты. Поэтому после понижения волна будет двигаться быстрее. Новая модель предсказывает изменение частоты до и после каждой прибойной волны, что может быть особенно актуально при подготовке к прибрежным штормам.

«Если вы хотите предсказать, когда высокие волны зыби достигнут гавани, и вы хотите покинуть гавань до того, как эти волны придут, тогда, если вы ошибетесь в частоте волн, то скорость, с которой волны приближаются, неверна, — говорит Элтинк.

Обновленная волновая модель команды представлена ​​в виде кода с открытым исходным кодом, который потенциально могут использовать другие, например, в климатическом моделировании способности океана поглощать углекислый газ и другие атмосферные газы. Код также можно использовать для моделирования испытаний морских платформ и прибрежных сооружений.

«Главная цель этой модели — предсказать, что будет делать волна», — говорит Сапсис. «Если вы не смоделируете обрушение волн правильно, это будет иметь огромные последствия для поведения конструкций. Благодаря этому вы можете моделировать волны , чтобы помочь проектировать конструкции лучше, эффективнее и без огромных факторов безопасности».