MIT工程师利用AI技术解决在捕捉破碎波时遇到的复杂性问题

　　当海浪膨胀到一个临界高度时就会发生破碎，然后在波峰处坠落成水滴和气泡的淋浴。这些波浪可以大到像冲浪者的破碎波点，小到像滚到岸边的温柔涟漪。几十年来，波浪如何以及何时破碎的动态变化对科学家来说仍旧太过复杂而无法预测。
　　资料图
　　现在，来自麻省理工学院的工程师们已经找到了一种新方法来模拟海浪如何破碎。研究人员利用机器学习和波浪罐测试的数据调整了以前用于预测波浪行为的方程式。据悉，工程师们经常使用这种方程来帮助他们设计坚固的海上平台和结构。但直到现在，这些方程还无法捕捉到破碎波的复杂性。
　　研究人员发现，修改后的模型能更准确地预测波浪如何以及何时会破碎。比如跟与传统的波浪方程相比，该模型能更准确地评估波浪在破碎前不久的陡峭度以及破碎后的能量和频率。
　　他们的成果最近发表在《自然通讯》上，其将帮助科学家了解破碎波如何影响它周围的水。准确地了解这些波浪如何相互作用可以帮助做出海上结构的设计。另外，它还可以改善对海洋跟大气相互作用方式的预测。有了对波浪如何破碎的更好估计，科学家可以预测诸如海洋可以吸收多少二氧化碳和其他大气气体等问题。
　　这项研究的报告作者Themis Sapsis说道：＂这听起来可能是一个细节，但如果你把它的影响乘以整个海洋的面积，破碎波开始变得对气候预测具有根本性的重要性。＂Sapsis是机械和海洋工程的副教授，也是MIT数据、系统和社会研究所的一名成员。
　　学习罐
　　为了预测破碎波的动态，科学家通常采取以下两种方法的其中一种--他们要么尝试在单个水和空气分子的尺度上精确模拟波浪，要么通过实验的方式以试图用实际测量来描述波浪的特征。第一种方法计算成本高，即使在小范围内也很难模拟；第二种方法需要大量的时间来进行足够的实验以产生具有统计学意义的结果。
　　MIT的团队则从这两种方法中借鉴了一些片段，然后利用机器学习开发出了一个更有效和准确的模型。研究人员从一套被认为是波浪行为的标准描述的方程开始。他们的目标是通过在实际实验中的破碎波数据上＂训练＂该模型来改进该模型。
　　研究人员通过在一个40米长的水箱中进行实验获得破碎波数据。水箱的一端装有一个桨，研究小组用它来启动每个波浪。研究小组将桨设置为在水箱的中间产生一个破碎波，然沿着水箱的长度测量水的高度。
　　＂进行这些实验需要大量的时间。在每个实验之间，你必须等待水完全平静下来然后再启动下一个实验，否则它们会相互影响，＂Eeltink说道。
　　安全港湾
　　据了解，研究团队总共进行了约250次实验，他们用其中的数据来训练一种被称为神经网络的机器学习算法。具体来说，该算法被训练来比较实验中的真实波和简单模型中的预测波，根据两者之间的任何差异，该算法调整模型以适应现实。
　　在对实验数据进行训练后，研究团队将模型引入到全新的数据中。在这种情况下，来自两个独立实验的测量结果，每个实验都在不同尺寸的波浪槽中运行。在这些测试中，研究人员发现更新的模型比简单的、未经训练的模型做出了更准确的预测。
　　另外，新模型还捕捉到了破碎波的一个基本属性，即＂下移＂，即波的频率被转移到一个较低的值。一个波的速度取决于它的频率。对于海浪来说，低频率的海浪比高频率的海浪移动得更快。因此，在下移之后，波浪将移动得更快。新模型在每个破碎波前和破碎波后预测了频率的变化，这在准备沿海风暴时可能特别有用。
　　该研究团队更新的波浪模型是以开源代码的形式出现，这意味着其他人可能会使用它。另外，该代码还可以用于海上平台和海岸结构的模拟测试。
　　Sapsis介绍道：＂这个模型的首要目的是预测波浪会做什么。如果你没有正确地模拟破碎波，那么它将对结构的行为产生巨大的影响。有了这个，你可以模拟波浪，从而帮助更好、更有效地设计结构，且没有巨大的安全系数。＂