Teknologi prototipe menyusut AI untuk menghadirkan fungsionalitas seperti otak dalam satu perangkat yang kuat - ScienceDaily
Top News

Ilmuwan mendemonstrasikan bagaimana api membakar dan menyebar dalam kondisi lingkungan yang berbeda – ScienceDaily


Insinyur mesin Michael Gollner dan mahasiswa pascasarjana, Sriram Bharath Hariharan, dari Universitas California, Berkeley, baru-baru ini melakukan perjalanan ke Pusat Penelitian John H. Glenn NASA di Cleveland, Ohio. Di sana, mereka menjatuhkan benda yang terbakar ke dalam lubang yang dalam dan mempelajari bagaimana pusaran api terbentuk dalam gayaberat mikro. Glenn Center memiliki Fasilitas Penelitian Gravitasi Nol, yang mencakup menara peletakan eksperimental yang mensimulasikan pengalaman berada di luar angkasa.

“Anda mendapatkan gayaberat mikro selama lima detik,” kata Gollner. Para peneliti menyalakan sumbu parafin kecil untuk menghasilkan pusaran api dan menjatuhkannya, mempelajari api sampai ke bawah.

Eksperimen seperti ini, yang dipresentasikan pada Pertemuan Tahunan ke-73 Divisi Dinamika Fluida American Physical Society, dapat membantu ilmuwan api menjawab dua jenis pertanyaan. Pertama, mereka menerangi cara-cara agar api dapat menyala tanpa adanya gravitasi – dan bahkan dapat menginformasikan tindakan perlindungan bagi astronot. “Jika ada sesuatu yang terbakar, itu bisa menjadi situasi yang sangat berbahaya di luar angkasa,” kata Gollner. Kedua, ini dapat membantu peneliti lebih memahami peran gravitasi dalam pertumbuhan dan penyebaran kebakaran yang merusak.

Api terbakar secara berbeda tanpa gravitasi, kata Gollner. Nyala api lebih pendek – dan lebih lebar. “Kami melihat sangat lambatnya pembakaran,” kata Gollner. “Kami tidak melihat pusaran dramatis yang sama seperti yang kita miliki dengan gravitasi biasa.”

Peneliti lain, termasuk tim dari Los Alamos National Laboratory di New Mexico, memperkenalkan perkembangan baru pada model dinamika fluida komputasi yang dapat menggabungkan bahan bakar dengan berbagai kadar air. Banyak model lingkungan yang ada rata-rata kelembapan semua bahan bakar di suatu daerah, tetapi pendekatan itu gagal menangkap variasi yang ditemukan di alam, kata insinyur kimia Alexander Josephson, seorang peneliti postdoctoral yang mempelajari prediksi kebakaran di Los Alamos. Akibatnya, model tersebut mungkin menghasilkan prediksi yang tidak akurat dalam perilaku kebakaran hutan, katanya.

“Jika Anda berjalan melalui hutan, Anda melihat kayu di sini dan rumput di sana, dan ada banyak variasi,” kata Josephson. Rerumputan kering, lumut basah, dan dahan gantung tidak memiliki kandungan air yang sama dan terbakar dengan cara yang berbeda. Api mungkin menguapkan kelembapan dari lumut basah, misalnya, pada saat yang sama memakan anggota tubuh yang lebih kering. “Kami ingin mengeksplorasi bagaimana interaksi antara bahan bakar tersebut terjadi saat api melintas.”

Ilmuwan Los Alamos bekerja untuk meningkatkan model mereka yang disebut FIRETEC (dikembangkan oleh Rod Linn), bekerja sama dengan para peneliti di Universitas Alberta di Kanada dan Dinas Kehutanan Kanada. Perkembangan baru mereka mengakomodasi variasi dalam kadar air dan karakteristik lain dari jenis bahan bakar yang disimulasikan. Peneliti Ginny Marshall dari Dinas Kehutanan Kanada baru-baru ini mulai membandingkan simulasinya dengan data dunia nyata dari hutan boreal di Kanada utara.

Selama sesi tentang aliran reaksi, Matthew Bonanni, seorang mahasiswa pascasarjana di lab insinyur Matthias Ihme di Universitas Stanford di California, menggambarkan model baru untuk penyebaran api berdasarkan platform pembelajaran mesin. Memprediksi di mana dan kapan api akan menyala adalah proses yang kompleks, kata Ihme, yang didorong oleh campuran kompleks dari pengaruh lingkungan.

Tujuan kelompok Ihme adalah membangun alat yang akurat dan cepat, dapat digunakan untuk penilaian risiko, sistem peringatan dini, dan merancang strategi mitigasi. Mereka membuat model pada platform komputer khusus yang disebut TensorFlow, yang dirancang oleh peneliti di Google untuk menjalankan aplikasi pembelajaran mesin. Saat model berlatih pada lebih banyak data fisik, kata Ihme, simulasi akumulasi panas dan dinamika penyebaran api meningkat – dan menjadi lebih cepat.

Ihme mengatakan dia senang melihat apa yang dibawa alat komputasi canggih ke prediksi api. “Dulunya daerah penelitian sangat empiris, berdasarkan pengamatan fisik, dan komunitas kami bekerja pada masalah yang lebih mendasar,” katanya. Namun menambahkan pembelajaran mesin ke kotak alat, katanya, menunjukkan bagaimana algoritme dapat meningkatkan kesetiaan eksperimen. “Ini jalur yang sangat menarik,” katanya.

Dipersembahkan Oleh : Lapak Judi

Baca Juga : Slot Online