por
Hay pocos entornos tan implacables como el océano. Sus patrones climáticos impredecibles y las limitaciones de las comunicaciones han dejado vastas extensiones de océano sin explorar y envueltas en misterio.
«El océano es un entorno fascinante con una serie de desafíos continuos, como los microplásticos, la proliferación de algas, la decoloración de los corales y el aumento de las temperaturas», dice Wim van Rees, profesor de desarrollo profesional de ABS en el MIT. . «Al mismo tiempo, el océano ofrece innumerables oportunidades, desde la acuicultura hasta la recolección de energía y la exploración de las muchas criaturas oceánicas que aún tenemos que descubrir».
Los ingenieros oceánicos y los ingenieros mecánicos, como van Rees, utilizan los avances en computación científica para abordar los numerosos desafíos del océano y aprovechar sus oportunidades. Estos investigadores están desarrollando tecnologías para comprender mejor nuestros océanos y cómo los organismos y vehículos creados por el hombre pueden moverse a través de ellos, desde escalas micro a macro.
Dispositivos submarinos bioinspirados
Se lleva a cabo una intrincada danza mientras los peces nadan en el agua. Las aletas flexibles se agitan en las corrientes de agua, dejando un rastro de remolinos a su paso.
«Los peces tienen una musculatura interna compleja para adaptar la forma precisa de su cuerpo y aletas. Esto les permite impulsarse de diferentes maneras, mucho más allá de lo que cualquier vehículo hecho por el hombre puede hacer en términos de maniobrabilidad, agilidad o adaptabilidad», explica van Rees. .
Según van Rees, gracias a los avances en la fabricación aditiva, las técnicas de optimización y el aprendizaje automático, estamos más cerca que nunca de reproducir aletas de peces flexibles y cambiantes para su uso en robótica submarina. Como tal, es más necesario comprender cómo estas aletas blandas impactan la propulsión.
Van Rees y su equipo desarrollan y utilizan enfoques de simulación numérica para explorar el espacio de diseño de dispositivos submarinos que tienen mayores grados de libertad, por ejemplo, debido a aletas deformables similares a las de los peces.
Estas simulaciones están ayudando al equipo a comprender mejor la interacción entre la mecánica estructural y de fluidos de las aletas de peces blandas y flexibles a medida que se mueven a través del flujo de fluidos. Como resultado, pueden comprender mejor cómo las deformaciones en la forma de las aletas pueden afectar o mejorar el rendimiento de natación. «Al desarrollar técnicas numéricas precisas e implementaciones paralelas escalables, podemos usar supercomputadoras para resolver qué sucede exactamente en esta interfaz entre el flujo y la estructura», agrega van Rees.
Al combinar sus algoritmos de simulación para estructuras submarinas flexibles con técnicas de optimización y aprendizaje automático, van Rees tiene como objetivo desarrollar una herramienta de diseño automatizada para una nueva generación de dispositivos submarinos autónomos. Esta herramienta podría ayudar a los ingenieros y diseñadores a desarrollar, por ejemplo, aletas robóticas y vehículos submarinos que puedan adaptar de forma inteligente su forma para lograr mejor sus objetivos operativos inmediatos, ya sea nadar más rápido y de manera más eficiente o realizar maniobras.
“Podemos usar esta optimización e IA para revertir el diseño en todo el espacio de parámetros y construir dispositivos inteligentes y adaptables desde cero, o usar simulaciones individuales precisas para identificar los principios físicos que explican por qué una forma funciona mejor que otra”, dice van Rees. .
Algoritmos de enjambre para vehículos robóticos
Al igual que van Rees, el científico investigador principal Michael Benjamin quiere mejorar la forma en que los vehículos maniobran en el agua. En 2006, mientras era becario postdoctoral en el MIT, Benjamin lanzó un proyecto de software de código abierto para una tecnología de pilotaje autónomo que estaba desarrollando. El software, que ha sido utilizado por empresas como Sea Machines, BAE/Riptide, Thales UK y Rolls Royce, así como por la Marina de los EE. UU., utiliza un nuevo método de optimización multiobjetivo. Este método de optimización, desarrollado por Benjamin durante su doctorado, permite que un vehículo elija de forma autónoma el rumbo, la velocidad, la profundidad y la dirección en la que debe ir para lograr varios objetivos simultáneos.
Actualmente, Benjamin está llevando esta tecnología más allá al desarrollar algoritmos de evasión de obstáculos y enjambres. Estos algoritmos permitirían que decenas de vehículos no tripulados se comuniquen entre sí y exploren una parte determinada del océano.
Para comenzar, Benjamin está investigando la mejor manera de dispersar vehículos autónomos en el océano.
“Supongamos que desea lanzar 50 vehículos en una sección del Mar de Japón. Queremos saber: ¿Tiene sentido dejar los 50 vehículos en un solo lugar o hacer que una nave nodriza los deje en ciertos puntos de un área determinada? explica Benjamín.
Él y su equipo han desarrollado algoritmos que responden a esta pregunta. Usando tecnología de enjambre, cada vehículo comunica periódicamente su posición a otros vehículos cercanos. El software de Benjamin permite que estos vehículos se dispersen en una distribución óptima para la parte del océano en la que operan.
La capacidad de evitar colisiones es fundamental para el éxito de los vehículos de enjambre. La prevención de colisiones se complica por las reglas marítimas internacionales conocidas como COLREGS, o «regulaciones de colisión». Estas reglas determinan qué vehículos tienen el «derecho de paso» cuando se cruzan, lo que plantea un desafío único para los algoritmos de enjambre de Benjamin.
COLREGS están escritos con la perspectiva de evitar otro contacto único, pero el algoritmo de enjambre de Benjamin tenía que tener en cuenta varios vehículos no tripulados que intentaban evitar colisionar entre sí.
Para resolver este problema, Benjamin y su equipo crearon un algoritmo de optimización de objetos múltiples que clasificaba maniobras específicas en una escala de cero a 100. Un cero sería una colisión directa, mientras que 100 significaría que los vehículos evitaron la colisión por completo.
“Nuestro software es el único software marino donde la optimización multiobjetivo es la base matemática básica para la toma de decisiones”, dice Benjamin.
Mientras que investigadores como Benjamin y van Rees utilizan el aprendizaje automático y la optimización multiobjetivo para abordar la complejidad de los vehículos que se mueven a través de entornos oceánicos, otros como Pierre Lermusiaux, el profesor Nam Pyo Suh del MIT, utilizan el aprendizaje automático para comprender mejor el entorno oceánico. sí mismo.
Mejora de la modelización y la previsión oceánica
Los océanos son quizás el mejor ejemplo de lo que se llama un sistema dinámico complejo. La dinámica de fluidos, las mareas cambiantes, los patrones meteorológicos y el cambio climático hacen del océano un entorno impredecible que difiere de un momento a otro. La naturaleza cambiante del entorno oceánico puede hacer que la predicción sea increíblemente difícil.
Los investigadores han utilizado modelos de sistemas dinámicos para hacer predicciones sobre los entornos oceánicos, pero como explica Lermusiaux, estos modelos tienen sus limitaciones.
“No se puede tener en cuenta cada molécula de agua en el océano al construir modelos. La resolución y precisión de los modelos, así como las mediciones oceánicas, son limitadas. Podría haber un punto de datos del modelo cada 100 metros, cada kilómetro, o si observa los modelos climáticos oceánicos globales, podría tener un punto de datos cada 10 kilómetros más o menos. Esto puede tener un gran impacto en la precisión de su predicción”, dice Lermusiaux.
El estudiante graduado Abhinav Gupta y Lermusiaux han desarrollado un nuevo marco de aprendizaje automático para ayudar a compensar la falta de resolución o precisión en estos modelos. Su algoritmo toma un modelo simple de baja resolución y puede llenar los vacíos, emulando un modelo más preciso y complejo con un alto grado de resolución.
Por primera vez, el marco de Gupta y Lermusiaux aprende e introduce demoras en los modelos aproximados existentes para mejorar sus capacidades predictivas.
“Las cosas en el mundo natural no suceden instantáneamente; sin embargo, todos los modelos comunes asumen que las cosas suceden en tiempo real”, dice Gupta. «Para hacer que un modelo aproximado sea más preciso, el aprendizaje automático y los datos que ingresa en la ecuación deben representar los efectos de los estados pasados en la predicción futura».
El «modelo de cierre neuronal» del equipo, que explica estos retrasos, podría conducir potencialmente a mejores predicciones para cosas como una corriente circular que golpea una plataforma petrolera en el Golfo de México, o la cantidad de fitoplancton en una parte determinada del océano. .
A medida que las tecnologías computacionales como el modelo de cierre neuronal de Gupta y Lermusiaux continúan mejorando y avanzando, los investigadores pueden comenzar a desentrañar más misterios oceánicos y desarrollar soluciones para los muchos desafíos que enfrentan nuestros océanos.
