AI, kunstmatige intelligentie, ontwricht de ene industrie na de andere. In dit artikel laten we zien hoe ons nieuwe kunstmatige neurale netwerk je kan helpen de simulatietijd van GHEtool aanzienlijk te verbeteren.
Het overkoepelende probleem
Centraal bij de simulatie van boorvelden staat de berekening van g-functies. Deze niet-dimensionale functies beschrijven hoe een boorveld zich op lange termijn gedraagt, waarbij de verschillende boorgaten met elkaar en met de omringende grond interageren. (Als je ons artikel over g-functies nog niet hebt gelezen, kun je het vinden op hier.)
Historisch gezien was de simulatie van g-functies, vooral voor vrij grote boorvelden, extreem traag. Tegenwoordig kan de mens, dankzij enkele slimme wiskundige trucs en intelligente algoritmen, deze g-waarden in ongeveer 0,5 seconde berekenen, wat meer dan acceptabel is als het gaat om de eenvoudige simulatie van boorgat temperaturen.
Er ontstaat echter een probleem als er bij ingewikkelder en geavanceerdere methoden meerdere g-waarden moeten worden gesimuleerd, bijvoorbeeld bij de methode die de vereiste boordiepte berekent. Voor elke iteratie moeten voor dit doel meerdere g-waarden worden berekend, wat leidt tot simulatietijden van tien tot dertig seconden of soms zelfs hoger. Met de trend naar geavanceerdere methoden is deze toename in simulatietijd geen rooskleurig vooruitzicht.
Daarom werd er gezocht naar een nieuwe manier om de simulatie van deze g-functies te versnellen zonder dat dit ten koste ging van de nauwkeurigheid. Dit is waar kunstmatige intelligentie, of beter gezegd een kunstmatig neuraal netwerk, in beeld kwam.
Kunstmatig neuraal netwerk
AI is een zeer breed begrip en omvat alles van grote taalmodellen (zoals ChatGPT) tot mensachtige robots en zelfrijdende systemen. Binnen dit AI-gebied is er iets dat een kunstmatig neuraal netwerk (kortweg ANN) wordt genoemd. In de volgende secties zullen we deze ANN's introduceren, uitleggen hoe we ze getraind hebben en wat hun nauwkeurigheid is.
Wat is het?
Het concept van een ANN is om het gedrag van het menselijk brein na te bootsen, of tenminste de manier waarop we denken dat het werkt. Wanneer we zintuiglijke input ontvangen, of het nu geur, aanraking of geluid is, wordt dit naar de neuronen in onze hersenen gestuurd, waar het signaal van neuron naar neuron beweegt totdat we eindigen met een bepaalde gedachte, actie, gevoel enzovoort. Dit gedrag, waarbij we vertrekken van een reeks inputs en door een reeks neuronen bewegen om tot een bepaalde conclusie te komen, is precies wat we proberen te modelleren met een ANN. In de onderstaande figuur wordt een schematische voorstelling van een ANN gegeven.
Hoewel deze neurale netwerken er in allerlei vormen kunnen zijn, is de structuur min of meer hetzelfde. Uitgaande van een reeks invoerparameters, in ons geval de boorveldgegevens (configuratie, diepte, thermische diffusie van de grond enzovoort), gaan de gegevens naar een reeks knooppunten in de eerste laag. Hier worden de gegevens in elk knooppunt (of neuron) gewogen met de waarde in het neuron en naar de neuronen in de volgende laag gestuurd. Hetzelfde proces vindt daar plaats, totdat we de uitvoerlaag bereiken, die in ons geval bestaat uit de overeenkomstige g-waarden.
Afhankelijk van de modelarchitectuur van je ANN kan het aantal verborgen lagen verschillen, evenals het aantal neuronen in elke laag. De belangrijkste uitdaging is om een model te vinden dat net complex genoeg is om de fysica die je nodig hebt te leren of te representeren, en niet te ingewikkeld, want hoe meer neuronen je in je model hebt, hoe uitgebreider je trainingsset moet zijn.
Training
Net als een baby die ter wereld komt en nog bijna alles moet leren, kan ons neurale netwerk niet alles direct goed doen. Zoals eerder gezegd, is het concept van een neuraal netwerk dat gegevens door verschillende wegingsknooppunten gaan om uiteindelijk te worden getransformeerd in de werkelijke uitvoer die we nodig hebben. Deze wegingsfactoren zijn echter niet algemeen, maar zeer geval- en modelspecifiek. Daarom moeten we het trainen en het ANN leren hoe het zich moet gedragen, of specifieker voor onze situatie, wat de g-waarden zijn voor een bepaalde set inputs.
!Let op
De training en ontwikkeling van het ANN voor dit domein is gebaseerd op het werk van Tobias Blanke, die ook het ANN model ontwikkelde dat momenteel geïmplementeerd is in GHEtool.
Voor onze trainingsdataset zijn we uitgegaan van regelmatige configuraties (lijn-, L- en U-vormig, rechthoeken en dichte boorvelden) en hebben we deze gesimuleerd met parameters in de volgende bereiken:
- Grootte boorveld: 30×30 boorgaten, dus tot 900 boorgaten voor onze rechthoekige en holle boorvelden.
- Boordiepte: 50-400m
- Afstand tussen boorgaten: 2-10m
- Boorgatdiameters: 100-300 mm
- Warmtediffusie in de grond: 2,5e-7 - 2,67e-6
Gezien de permutaties van alle bovenstaande gegevensbereiken hebben we ons model getraind met meer dan zes miljoen gegevenspunten.
Nauwkeurigheid
Hoewel er veel verschillende formele maatstaven zijn om de nauwkeurigheid van ANNs te beoordelen, houden we het graag eenvoudig en begrijpelijk. Daarom kun je in de grafiek hieronder de vereiste boorgatdiepte zien voor negen verschillende gevallen, berekend met zowel het reguliere model (waarbij de g-waarden expliciet worden berekend) als het ANN-model. De gevallen zijn zo gekozen dat ze een breed scala aan situaties bestrijken, zoals beperking door de maximale of minimale gemiddelde vloeistoftemperatuur, verschillende geothermische warmtefluxen, variabele vloeistofeigenschappen enzovoort.
Uit bovenstaande grafiek blijkt duidelijk dat er een uitstekende overeenkomst is tussen het reguliere model en het nieuwe kunstmatige model. In de meeste gevallen gaf de ANN een lichte overschatting van de vereiste boordiepte, terwijl in geval 7 een iets lagere diepte werd gesimuleerd. Over het geheel genomen was de nauwkeurigheid van de ANN binnen 4% van het reguliere model, wat aantoonbaar in de orde van grootte is van de andere onzekerheden die worden gebruikt in geothermische ontwerpen.
!Let op
Omwille van de nauwkeurigheid wordt, nadat de dimensionering is voltooid, het temperatuurprofiel dat je ziet in GHEtool berekend met het exacte, reguliere model. Dit betekent dat de AI-versnelling alleen wordt gebruikt om de iteratie te versnellen om de vereiste diepte te vinden, maar niet om de temperaturen op deze diepte te simuleren. Op deze manier heb je het voordeel van een sneller model in combinatie met de hoogste nauwkeurigheid voor de temperatuursimulatie.
In de grafiek hieronder wordt de simulatietijd voor de verschillende gevallen getoond.
n de bovenstaande grafiek is duidelijk te zien dat het ANN aanzienlijk beter presteert dan de reguliere aanpak, met tijdbesparingen variërend van 25% tot 75%. Rekening houdend met het feit dat het verschil in nauwkeurigheid slechts 4% is, kunnen we zeggen dat dit een goede afweging is.
!Let op
Naast de rekentijd die nodig is voor de g-functies, vergen andere delen van de code ook enige tijd. Met het ANN-model is de rekentijd van de g-waarden aanzienlijk verminderd, waardoor andere aspecten, zoals de berekening van de effectieve warmteweerstand van het boorgat, dominanter worden in de totale simulatietijd.
Wat is het volgende?
Dus wat is de volgende stap? Zullen alle GHEtool berekeningen vanaf nu gebaseerd zijn op AI modellen? Absoluut niet.
Hoewel we de waarde van het vertrouwen op AI om bepaalde methoden te versnellen hebben gezien en aangetoond, geven we nog steeds de voorkeur aan de nauwkeurigheid van de reguliere, op fysica gebaseerde benadering. Daarom is het ANN vanaf vandaag beschikbaar in GHEtool bij het gebruik van het doel ‘bereken vereiste diepte’, onder de ‘doelspecifieke instellingen’. Voor andere methoden is het naar onze mening nog geen toegevoegde waarde.
Dit gezegd hebbende, opent de implementatie van onze eerste ANN de deur naar een hele reeks nieuwe mogelijkheden, nieuwe methoden en meer geavanceerde optimalisaties.
Blijf op de hoogte
Volgende week introduceren we ons eerste gloednieuwe doel, mogelijk gemaakt door precies dit ANN. Blijf daarvoor op de hoogte!
Conclusie
Dit artikel heeft de basis gelegd voor een hele reeks nieuwe mogelijkheden binnen GHEtool. Met de implementatie van een kunstmatig neuraal netwerk om de simulatietijd van g-functies te versnellen, kan de vereiste functie voor het berekenen van de boorgatdiepte 25-75% sneller worden gemaakt met behoud van dezelfde nauwkeurigheid.
Referenties
- Bekijk onze video over dit artikel op onze YouTube pagina hier.
- Blanke, T., Pfeiffer, F., Göttsche, J., & Döring, B. (2024, september). Gebruik van kunstmatige neurale netwerken voor het ontwerp van geothermische sondeervelden. In BauSim Conferentie 2024 (Deel 10, pp. 89-95). IBPSA-Duitsland en Oostenrijk.