Истражувачи од Кина развија хибриден модел што комбинира физички правила и вештачка интелигенција за попрецизно предвидување на височината на брановите за време на тајфуни. Таквите бранови претставуваат сериозна опасност за бродовите, морските платформи и крајбрежната инфраструктура во северозападниот дел на Тихиот Океан.
Моделот е замислен како дополнителен корективен слој за SWAN — широко користен систем за симулирање бранови во крајбрежни подрачја. SWAN понекогаш ја потценува значајната височина на брановите, особено при екстремни услови, делумно поради неизвесностите во податоците за ветерот.
Новиот пристап ги спојува физички информирана невронска мрежа (PINN) и генеративна противничка мрежа (GAN). Вештачката интелигенција ги коригира резултатите од SWAN користејќи податоци за брановите, ветерот, местоположбата, длабочината и енергијата на морето, додека физичките ограничувања помагаат резултатите да останат реалистични.
Истражувачите го тестирале системот со симулации на тајфуните Бебинка и Пуласан од септември 2024 година, споредувајќи ги со мерења од 29 пловки и крајбрежни станици. За време на слабеењето на Бебинка, хибридниот модел ја намалил средната квадратна грешка за 34,9 проценти во споредба со некоригираниот SWAN. Во тестот со Пуласан, кој го опфатил целиот животен циклус на тајфунот, подобрувањето изнесувало 11 проценти.
Најголема корист е забележана кај брановите повисоки од три метри, каде што SWAN покажувал најизразена тенденција за потценување. Резултатите исто така укажуваат дека PINN се снаоѓа подобро од GAN кога моделот се применува на услови различни од оние со кои бил обучуван, што ја нагласува важноста на физичките правила.
Сепак, истражувањето има ограничувања. Моделот бил проверен само со два тајфуни, а во близина на сложени крајбрежја во еден тест покажал и мало влошување на прогнозите. Потребни се дополнителни испитувања со повеќе бури, различни морски подрачја и податоци во реално време пред системот да се користи во оперативното прогнозирање.
Студијата, објавена во списанието Ocean Engineering, покажува дека спојувањето на физичките модели со машинското учење може да понуди практичен начин за подобрување на предупредувањата при опасни морски услови.
