Buzz
Trong tương lai, AI sẽ giúp máy bay và UAV di chuyển qua các khu vực nhiễu động không khí một cách êm ái, giảm thiểu xóc nảy. Các thử nghiệm trong hầm gió với mô hình cánh máy bay cho thấy AI có khả năng học hỏi và điều chỉnh kịp thời với những thay đổi trong luồng khí. Tuy nhiên, vẫn còn nhiều vấn đề cần giải quyết trước khi áp dụng công nghệ này cho máy bay thương mại.Nhiễu động không khí là hiện tượng phổ biến do chuyển động không đều của không khí, khiến máy bay bị rung lắc. Có nhiều nguyên nhân gây ra nhiễu động không khí như:
- Nhiễu động không khí trời quang (Clear Air Turbulence - CAT) xuất hiện ở độ cao lớn, trời trong và yên tĩnh. Nó thường xảy ra ở các vùng biên của dòng phản lực, nơi tốc độ gió thay đổi nhanh chóng hoặc do ma sát giữa các khối không khí di chuyển với tốc độ khác nhau.
- Nhiễu động nhiệt xuất hiện khi có sự chênh lệch nhiệt độ giữa các khối không khí. Không khí ấm bốc lên từ mặt đất vào ban ngày, chủ yếu ở các khu vực đất liền, tạo ra dòng đối lưu trong khi không khí lạnh chìm xuống.
- Nhiễu động cơ học xảy ra khi gió thổi qua các vật cản như núi, tòa nhà cao tầng, gây ra các dòng khí không đồng đều hoặc gió xoáy.
- Nhiễu động biên xảy ra khi hai khối không khí với nhiệt độ và độ ẩm khác nhau va chạm, trong đó khối không khí lạnh hơn đẩy khối không khí ấm hơn lên trên. Biên giới giữa hai khối khí này rất khó hòa hợp, tạo ra nhiễu động do sự ma sát giữa chúng.
- Nhiễu động do máy bay (Wake Turbulence) phát sinh từ các dòng khí xoáy, hỗn loạn (wake vortex) do đầu cánh của máy bay tạo ra.
Dòng khí xoáy (wake vortex) là hiện tượng khí xoáy xuất hiện ngay sau máy bay.
Giống như chim có thể cảm nhận được sự thay đổi trong không khí để điều chỉnh bay mượt mà, máy bay cần đến sự hỗ trợ của phi công và công nghệ để giảm thiểu tác động của nhiễu động không khí. Khi bay vào vùng nhiễu động, phi công có thể thay đổi độ cao để tìm dòng không khí êm ái hơn, thay đổi lộ trình để tránh thời tiết xấu, giảm tốc độ hoặc sử dụng chế độ Autopilot để điều chỉnh cánh và giảm thiểu tác động lên máy bay và hành khách. Trong tương lai, AI có thể thực hiện những thao tác này một cách chính xác và hiệu quả.
Cụ thể, nhóm nghiên cứu từ Trung tâm công nghệ và hệ thống tự động (CAST) của Caltech và NVIDIA đang phát triển hệ thống AI mang tên FALCON (Fourier Adaptive Learning and CONtrol). FALCON được huấn luyện qua phương pháp học tăng cường (Reinforcement Learning - RL), trong đó AI sẽ trải qua quá trình thử và sai để tìm ra phương án tối ưu. Khác với học giám sát (Supervised Learning) và học không giám sát (Unsupervised Learning), học tăng cường không yêu cầu dữ liệu đã được gán nhãn mà AI sẽ học qua tương tác trực tiếp với môi trường. Hệ thống này được đào tạo để hiểu rõ nguyên lý gây ra nhiễu động không khí và có thể thích ứng với mọi điều kiện.
Các nhà nghiên cứu cũng áp dụng phương pháp biến đổi Fourier, trong đó sóng hình sin được dùng để biểu diễn dữ liệu. Họ nhận thấy rằng việc mô hình hóa điều kiện gió dưới dạng sóng định kỳ là cách hiệu quả để hiểu rõ nhiễu động không khí, do sự lên xuống và dòng chảy của không khí theo mô hình sóng. Giáo sư Hever Moncayo từ trường đại học Embry-Riddle tin rằng công nghệ như FALCON rất khả thi, đặc biệt khi kết hợp với các nền tảng điện toán như NVIDIA Jetson, giúp AI học và thích ứng theo thời gian thực cùng với việc phân tích biến đổi Fourier.
FALCON đã được thử nghiệm với mô hình cánh máy bay trong hầm gió tại Caltech, mô phỏng một chiếc UAV. Cánh máy bay này được thiết kế với hình dạng khí động học, trang bị cảm biến áp suất và các bề mặt điều khiển để giúp FALCON nhận diện thay đổi áp suất và điều chỉnh cánh nhằm duy trì sự ổn định. Ngoài ra, một vật thể hình trụ có thể di chuyển được đặt trước cánh trong hầm gió, tạo ra dao động ngẫu nhiên trong vùng nhiễu động khí.
Kết quả thử nghiệm cho thấy chỉ sau 9 phút trong hầm gió, FALCON đã linh hoạt thích nghi với các dạng nhiễu động và tự động điều chỉnh để duy trì ổn định cho cánh máy bay. Theo nhà nghiên cứu Mocayo, việc FALCON có thể học và phản ứng chỉ trong vài phút cho thấy tiềm năng ứng dụng vào các máy bay lớn hơn. Tuy nhiên, ông cũng nhấn mạnh rằng vẫn còn nhiều thách thức trong thực tế, đặc biệt là khả năng thích nghi nhanh chóng với các điều kiện không ổn định và đa dạng, cũng như hiệu quả của FALCON khi áp dụng cho nhiều cấu hình UAV và các môi trường gió khác nhau.
Với khả năng tự động thích ứng với nhiễu động không khí, nghiên cứu này hứa hẹn giúp UAV và máy bay thương mại vận hành êm ái hơn. Các nhà nghiên cứu sẽ tiếp tục phát triển dự án, tập trung vào việc tối ưu hóa độ chính xác của các dự đoán trong khi giảm thiểu thời gian học của mô hình, vì FALCON hoạt động hiệu quả nhất khi có thể thích nghi nhanh chóng với sự thay đổi của điều kiện môi trường. Họ cũng đề xuất việc chia sẻ dữ liệu môi trường giữa các máy bay để cảnh báo về nhiễu động không khí, điều này khả thi nhưng sẽ cần các giao thức bảo mật vững chắc để tránh rủi ro an ninh mạng.
Caltech; Livescience
