Machine-learning-assisted phase-amplitude reduction for fast synchronization of airfoil wakes with constrained fluctuations

हवा वस्तुओं के चारों ओर इस तरह से बहती है जो अत्यधिक पूर्वानुमान योग्य और बेहद अराजक दोनों हो सकती है। जब एक ठोस आकृति, जैसे कि हवाई जहाज का पंख, हवा में आगे बढ़ता है, तो तरल पदार्थ हमेशा उसकी सतह पर सुचारू रूप से नहीं फिसलता है। इसके बजाय, यह अक्सर अलग हो जाता है, जिससे पीछे की ओर एक लयबद्ध, दोहराते हुए पैटर्न में घूमते हुए भंवर (vortices) बनने लगते हैं। यह घटना, जिसे 'वोर्टेक्स शेडिंग' (vortex shedding) कहा जाता है, तरल पदार्थों का एक मौलिक व्यवहार है जो पुल के पास से बहती हवा से लेकर जहाज के हल के चारों ओर बहते पानी तक हर जगह होता है। हालांकि ये घूमते हुए पैटर्न प्राकृतिक हैं, वे समस्याएँ पैदा कर सकते हैं। इनसे उत्पन्न होने वाली लयबद्ध थरथराहट संरचनात्मक थकान (structural fatigue), अत्यधिक शोर, या लिफ्ट (lift) की कमी का कारण बन सकती है जो उड़ान को अक्षम बनाती है। इंजीनियरों के लिए लक्ष्य अक्सर इन प्रवाहों को वश में करना होता है, या तो इस थरथराहट को रोकना या इसकी लय को कुछ अधिक प्रबंधनीय बनाने के लिए बदलना होता है। हालांकि, हवा एक जटिल, उच्च-आयामी प्रणाली है, जिसका अर्थ है कि इसमें अनगिनत चलते हुए हिस्से हैं जो कठिन-से-अनुमान लगाने योग्य तरीकों से परस्पर क्रिया करते हैं। ऐसी प्रणाली को नियंत्रित करने का प्रयास करने के लिए आमतौर पर भारी मात्रा में डेटा और कंप्यूटिंग शक्ति की आवश्यकता होती है, जो वास्तविक दुनिया के अनुप्रयोगों के लिए एक कठिन कार्य बना देता है जहाँ सेंसर सीमित होते हैं और समय कम होता है।

शोधकर्ताओं की एक टीम ने बहुत कम जानकारी का उपयोग करके इन अराजक वायुप्रवाहों को तेजी से और सटीक रूप से नियंत्रित करने की एक नई विधि विकसित की है। जटिल लय को सरल बनाने वाली एक गणितीय तकनीक को आधुनिक मशीन लर्निंग के साथ जोड़कर, उन्होंने दिखाया कि कैसे एक पंख से हवा के घूमने की गति को बदला जा सकता है, और वह भी पंख पर लगने वाले बलों को स्थिर रखते हुए। अध्ययन ने एक विशिष्ट परिदृश्य पर ध्यान केंद्रित किया जहाँ एक हवाई जहाज का पंख एक तीव्र कोण पर झुका हुआ था, जिससे हवा अलग हो गई और एक विक्षुब्ध प्रवाह (turbulent wake) बन गया। इस अवस्था में, पंख एक लयबद्ध भंवर शेडिंग का अनुभव करता है जो खतरनाक हो सकता है। शोधकर्ता इस विक्षुभित प्रवाह को स्वाभाविक रूप से होने वाली गति से अधिक तेज़ी से बदलने के लिए मजबूर करना चाहते थे, लेकिन उनके सामने एक महत्वपूर्ण बाधा थी: वे यह अनुमति नहीं दे सकते थे कि बदलावों के कारण लिफ्ट बल में बड़े उतार-चढ़ाव हों, जो विमान को अस्थिर बना देते।

इसे हल करने के लिए, टीम को सबसे पहले वायुप्रवाह की "धड़कन" को समझना था। उन्होंने घूमते हुए विक्षुभित प्रवाह को एक अराजक अव्यवस्था के रूप में नहीं, बल्कि एक लयबद्ध दोलक (oscillator) के रूप में माना, जो एक पेंडुलम की तरह है जो आगे-पीछे झूलता है। प्रत्येक लय की एक विशिष्ट टाइमिंग, या 'फेज' (phase), और एक विशिष्ट शक्ति, या 'एम्प्लीट्यूड' (amplitude) होती है। शोधकर्ताओं को यह जानने की आवश्यकता थी कि हवा की गति बदलने के लिए कब दबाव डालना है और बिना लय को बहुत अधिक अनियंत्रित किए कितनी जोर से दबाव डालना है। पारंपरिक रूप से, दबाव डालने के सही क्षण को खोजने के लिए पंख के चारों ओर की हवा के प्रत्येक बिंदु की संवेदनशीलता को जानना आवश्यक होता है, जो कि पूरे प्रवाह क्षेत्र को सिम्युलेट करने के लिए एक सुपरकंप्यूटर की मांग करता है। इसके बजाय, इस टीम ने एक चतुर शॉर्टकट का उपयोग किया। उन्होंने पंख की सतह पर केवल तीन छोटे सेंसर लगाए ताकि स्थानीय वायु व्यवहार को मापा जा सके। एक मशीन लर्निंग एल्गोरिदम का उपयोग करके, उन्होंने एक ऐसा गणितीय मॉडल बनाया जो केवल इन तीन बिंदुओं के रीडिंग के आधार पर पूरे विक्षुभित प्रवाह (wake) के जटिल, घूमते हुए प्रवाह की भविष्यवाणी कर सकता था।

इस सरलीकृत मॉडल के साथ, शोधकर्ताओं ने 'फेज-एम्प्लीट्यूड रिडक्शन' नामक तकनीक लागू की। इस पद्धति ने उन्हें केवल तीन सेंसरों के डेटा का उपयोग करके पूरे वायुप्रवाह के लिए एक "संवेदनशीलता मानचित्र" (sensitivity map) बनाने की अनुमति दी। इस मानचित्र ने उन्हें दिखाया कि हवा कहाँ और कब दबाव के प्रति सबसे अधिक संवेदनशील थी। उन्होंने पाया कि कार्य करने के लिए सबसे प्रभावी स्थान पंख के अग्रणी किनारे (leading edge) के पास था। इससे भी महत्वपूर्ण बात यह थी कि उन्होंने पाया कि लय बदलने के लिए दबाव डालने का सबसे अच्छा समय, पंख को बहुत अधिक हिलाने से बचने के लिए दबाव डालने के सबसे अच्छे समय से भिन्न था। यदि वे केवल गति की परवाह करते, तो वे एक क्षण में दबाव डालते; यदि वे स्थिरता की परवाह करते, तो उन्हें दूसरे क्षण में दबाव डालना पड़ता।

इसके बाद टीम ने एक विशिष्ट नियंत्रण संकेत (control signal), एक तरंग (waveform) तैयार की, जो हवा के लिए एक सटीक निर्देश के रूप में कार्य करती थी। यह संकेत इस तरह से गणना किया गया था कि यह विक्षुभित प्रवाह की लय को एक नई, तेज़ आवृत्ति (frequency) के साथ यथाशीघ्र सिंक्रोनाइज़ करे, और साथ ही किसी भी ऐसे कार्य को दंडित (penalize) करे जिससे लिफ्ट बल में अत्यधिक उतार-चढ़ाव आए। जब उन्होंने कंप्यूटर सिमुलेशन में इसका परीक्षण किया, तो परिणाम आश्चर्यजनक थे। नई विधि ने पंख से बाहर निकलने वाली हवा की आवृत्ति को एक मानक, साधारण आगे-पीछे के दबाव की तुलना में आठ गुना तेज़ी से बदल दिया। इसके अलावा, अपनी गणना में एम्प्लीट्यूड उतार-चढ़ाव के दंड को शामिल करके, वे केवल गति पर ध्यान केंद्रित करने वाली विधि की तुलना में लिफ्ट बल के उतार-चढ़ाव को बीस प्रतिशत तक कम करने में सफल रहे।

यह अध्ययन पुष्टि करता है कि बहुत ही विरल (sparse) जानकारी के साथ जटिल तरल गतिकी (fluid dynamics) को नियंत्रित करना संभव है। मशीन लर्निंग का उपयोग करके कुछ सेंसर रीडिंग और पूर्ण, त्रि-आयामी प्रवाह के बीच के अंतर को पाटकर, शोधकर्ताओं ने तेज़, कुशल प्रवाह नियंत्रण का मार्ग बनाया जिसके लिए महंगे, फुल-फील्ड सेंसर या विशाल कंप्यूटिंग संसाधनों की आवश्यकता नहीं है। यह दृष्टिकोण सुझाव देता है कि भविष्य में, इंजीनियर विमानों या पवन टर्बाइनों पर सरल सेंसर एरे स्थापित कर सकते हैं ताकि संरचना को अस्थिर किए बिना ड्रैग (drag) और शोर को सक्रिय रूप से प्रबंधित किया जा सके। यह तकनीक विभिन्न पंखों के आकार और कोणों पर प्रभावी साबित हुई, जो दर्शाती है कि इन लयबद्ध प्रवाहों की अंतर्निहित भौतिकी को गति और स्थिरता के बीच के नाजुक संतुलन का सम्मान करने वाली एक स्मार्ट, डेटा-संचालित रणनीति के साथ वश में किया जा सकता है।