Mokslininkai sukūrė metodą, kuris galėtų sušvelninti turbulencijos poveikį dinamiškoms konstrukcijoms ir transporto priemonėms, ypač daug dėmesio skiriant bepiločiams orlaiviams (UAV), skelbia „Live Science“.

Turbulencija – taip vadiname oro slėgio pokyčius, dėl kurių orlaiviai dreba.

Ji labiausiai juntama, kai orlaivis dreba, kai skrydžio metu keičiasi oro slėgis. Kitaip nei skraidantys gyvūnai, kurie išsiugdė natūralų gebėjimą pajusti turbulenciją sukeliančius aplinkos pokyčius ir greitai prisitaikyti, kad skrydis būtų sklandus, orlaiviams tai padaryti ne taip lengva.

Rugsėjo 24 d. žurnale „NPJ Robotics“ paskelbtame tyrime aprašyta, kaip mokslininkai galėtų sukurti orlaivių valdymo metodą.

Šiam metodui reikėjo naudoti dirbtinio intelekto (DI) sistemą, pavadintą FALCON, kuri automatiškai koreguotų skrydį, kad kompensuotų turbulenciją.

Sustiprintasis mokymasis – dirbtinio intelekto mokymo metodas – anksčiau buvo naudojamas dirbtinio intelekto papildytoms valdymo sistemoms kurti, tačiau tik konkrečioms aplinkoms arba transporto priemonėms. FALCON, priešingai, buvo išmokytas suprasti pagrindinius principus, kurie sukelia turbulenciją, kad galėtų prisitaikyti prie bet kokių sąlygų.

„FALCON“ pagrįstas Fourier metodais, kuriuose duomenims atvaizduoti naudojamos kompleksinės sinusoidės. Tyrėjai nustatė, kad skaitmeninis vėjo sąlygų vaizdavimas periodinėmis bangomis yra veiksminga priemonė turbulencijai modeliuoti, nes vėjo atoslūgis ir srautas bei jo poveikis natūraliai atitinka bangų pobūdį.

Ne tik skambus pavadinimas? Tiesiog puikus vaizdas už laaabai biudžetinę kainą („Titan Army P27GR“ monitoriaus apžvalga) 1486 Apie gamintoją pavadinimu „Titan Army“ išgirdau tik visai neseniai. O po trijų mėnesių naudojimosi monitoriumi„Titan Army P27GR“, galiu drąsiai pasakyti - daugumai vartotojų nėra prasmės švaistyti pinigus brangesniems įrenginiams. Išsamiau

„Įsidėmėtinas pastiprinto mokymosi panaudojimas prisitaikymui realiuoju laiku, nes jis išmoksta pagrindinį turbulencijos modelį, – „Live Science“ sakė Embry-Riddle Aeronautikos universiteto (JAV) aerokosminės inžinerijos profesorius Heveras Moncayo.

„Manau, kad ši technologija yra labai įmanoma, ypač turint dabartines skaičiavimo galimybes, tokias kaip „Jetson“, kurios palaiko prisitaikančiojo mokymosi, Fourier analizės ir skaičiavimo integravimą realiuoju laiku“, – kalbėjo jis.

Mokslininkai išbandė dirbtinį intelektą Kalifornijos technologijų universiteto („Caltech“) aerodinaminiame tunelyje, naudodami aerodinaminį sparną, vaizduojantį bepilotį orlaivį, ir įrengdami jame slėgio jutiklius bei valdymo paviršius. Jais naudodamasis orlaivis „jautė“ slėgio pokyčius ir jei reikėjo, reguliavo posvyrį ir nuokrypį, kad išlaikytų stabilumą. Be to, vėjo tunelyje prieš sparną buvo įtaisytas judantis cilindras tam, kad būtų galima sukurti atsitiktinius turbulencijos svyravimus.

Nustatyta, kad po devynių minučių mokymosi, kai „FALCON“ nuolat bandė prisitaikyti prie besikeičiančios turbulencijos ir koregavo rezultatus, dirbtinis intelektas sugebėjo išlaikyti aerodinaminio sparno stabilumą vėjo tunelyje.

„Caltech“ vėjo tunelio bandymai rodo, kad „FALCON“ gali apsimokyti per kelias minutes – o tai rodo, kad jį galima pritaikyti ir didesniems orlaiviams“, – sakė H.Moncayo.

Vis dėlto, pasak jo, išlieka iššūkių, ypač susijusių su greitu prisitaikymu prie įvairių ir nenuspėjamų sąlygų ir su našumo patvirtinimu įvairiose bepiločių orlaivių konfigūracijose ir vėjo aplinkoje.

Šie tyrimai, suteikiantys galimybę automatiškai prisitaikyti prie turbulencijos, gali padėti sklandžiau skraidyti bepiločiams ir komerciniams orlaiviams.

Tyrėjai taip pat pasiūlė galimybę orlaiviams dalytis aplinkos duomenimis, kad būtų galima įspėti apie trikdžius. Tačiau, atsižvelgiant į orlaivių valdymo sistemų kibernetinio saugumo problemas, tam reikėtų patikimo saugumo protokolo, kuris turėtų būti iš anksto kruopščiai peržiūrėtas ir išbandytas.

„Tolesnis vystymas greičiausiai bus sutelktas į prognozavimo tikslumo tobulinimą ir apsimokymo laiko mažinimą, o tai yra įmanoma, tačiau sudėtinga“, – sakė H.Moncayo.

Be to, anot jo, dalijimasis informacija tarp orlaivių padidins sistemos prognozavimo galią, tačiau, norint ją pritaikyti plačiau, greičiausiai reikės patikimų ryšių standartų ir duomenų tvarkymo protokolų.

Kitame tyrimo etape siekiama sutrumpinti dirbtinio intelekto mokymosi laiką. Tikėtina, kad tai taps pagrindiniu tyrėjų uždaviniu, nes gebėjimas greitai prisitaikyti prie aplinkos sąlygų yra labai svarbus praktiniam sprendimui turbulencijos atveju.

Komentarai ()