Menneskets hjerne afslører bygningers svagheder
Hjernen er verdens bedste informationsfilter. Ved at udnytte vores indsigt i den konstante rangering af sanseindtryk har danske forskere vist, hvordan man kan afsløre bygning-konstruktioners skjulte egenskaber.

En matematisk efterligning af hjernens metode til at sortere i informationer kan potentielt afsløre bygning-konstruktioners skjulte egenskaber. (Foto: <a href="http://www.shutterstock.com/pic-118491940/stock-photo-magnetic-resonance... target="_blank">Shutterstock</a>)

 

Menneskehjernen er universets mest raffinerede og komplekse redskab. Hvert sekund opfanger vores sanseapparat millionvis af indtryk fra omgivelserne. Langt de fleste af disse informationer sorteres imidlertid fra, mens kun en brøkdel opfattes af vores bevidsthed.

Et dansk forskningsprojekt har netop vist, hvordan en matematisk efterligning af denne evne til at sortere i input kan anvendes til at rangere ydre belastninger på bygnings-konstruktioner, efter hvor meget skade de forvolder. På den måde er det muligt at kortlægge konstruktioners underliggende egenskaber hurtigt og effektivt.

NB: Metoden og resultaterne, som er beskrevet i denne artikel, præsenteres i dag, tirsdag 10. juni, af Niels Hørbye Christiansen ved offshore-branchens store årlige konference, som afholdes i San Francisco.

Derfor tænker du ikke over, at du har sko på

Hele frasorteringsprocessen håndteres i så højt et tempo af vores hjerne, at vi sjældent når at opfatte det. Evnen til at kunne frasortere ligegyldig information er imponerende effektiv og yderst nødvendig. Hvis man for eksempel fokuserer på sine fødder, kan man sagtens mærke, om man har fodtøj på eller ej.

Men denne sanseinformation frasorteres heldigvis, i det øjeblik man retter sit fokus andetsteds hen. Hvis hjernen ikke var i stand til at frasortere ligegyldig information, ville vores bevidsthed hurtigt blive overbelastet.

Fakta

Vinder af formidlingskonkurrence Niels Hørbye Christiansen har vundet 3. præmien i Erhvervs-PhD-foreningens formidlingspris 2014 for denne artikel om, hvordan hjernens evne til at sortere i informationer kan kopieres matematisk og bruges til at styrke store konstruktioner – for eksempel boreplatforme. ErhvervsPhD-Foreningen uddeler hvert år priser til tre erhvervs-ph.d.er for klar og forståelig formidling af deres forskning. Prisen blev overrakt af Uddannelsesminister Sofie Carsten Nielsen ved årsmødet for Akademiet for de Tekniske Videnskaber den 6. maj 2014.

Hjernen har altså udviklet et filter, der gør os i stand til ubevidst at sortere i sanseapparatets voldsomme informationsstrøm, så vi kan fokusere på det vigtigste, i forhold til den situation vi befinder os i, og slippe for konstant at skulle forholde os til uvæsentlig information.

Hjernens struktur kopieres matematisk

Menneskehjernen består af flere milliarder neuroner, som er forbundet på kryds og tværs af et svimlende antal synapser. Det er denne struktur, der tillader os at bearbejde og reagere på sanseindtryk utroligt hurtigt.

Det er eksempelvis denne egenskab, der gør os i stand til at genkende ansigter på en brøkdel af et sekund med stor sikkerhed og faktisk så hurtigt, at det er umuligt at undertrykke det. Denne evne kan efterlignes matematisk. Metoden kaldes ’Neurale Netværk’ og er et af de værktøjer, man overordnet kender som kunstig intelligens.

I løbet af det seneste årti, er det blevet demonstreret, hvordan neurale netværk kan benyttes til at foretage forbløffende hurtig simulering af de bevægelser som bygningskonstruktioner hele tiden står og laver på grund af ydre belastninger.

Grunden til at denne metode er så effektiv, er at konstruktioner ofte bevæger sig i et fast mønster. Netop mønstergenkendelse er menneskehjernens, og derved også neurale netværks, store styrke. Men ligesom med virkelige hjerner, skal kunstige hjerner trænes, før de kan bruges til noget.

Netværkets forbindelser sammenlignes med bakker og dale

Til højre ses Niels Hørbye Christiansen, som vandt tredjepræmien i Erhvervs-PhD-foreningens formidlingspris 2014.

Neurale netværk trænes ved, at man opstiller et matematisk udtryk for, hvor præcise forudsigelser netværket giver.

Dette udtryk kan betragtes som et rum, hvor hver forbindelse mellem neuronerne i den kunstige hjerne udgør en dimension.

I dette rum med mange dimensioner vil nøjagtigheden af det neurale netværk danne et landskab med bakker og dale. Bakketoppene vil være udtryk for stor nøjagtighed – altså et velfungerende netværk – mens dale vil være lig med lav nøjagtighed – og altså områder hvor netværket præsterer dårligst.

Selve træningen gøres ved, at man bevæger sig rundt i dette ’nøjagtighedslandskab’ for at finde den bakketop, hvor hjernen fungerer optimalt.

 

Nedbrydningen af hjernen giver den afgørende indsigt

Et trænet og velfungerende neuralt netværk kan som nævnt foretage lynhurtig simulering af konstruktioners bevægelser, men denne evne afslører ikke noget om effekten af de enkelte belastninger på konstruktionen. Den information opnår man rent faktisk først, når netværket nedbrydes.

Fakta

Niels Hørbye Christiansen vandt tredjepræmien i Erhvervs-PhD-foreningens formidlingspris 2014. Niels Hørbye Christiansen blev i 2006 færdiguddannet som civilingeniør på DTU, hvorefter han blev anset i DNV GL og arbejde tre år med designverifikation af offshore-konstruktioner, inden han startede på sit ErhvervsPhD-projekt.

Metoden til målrettet nedbrydning af neurale netværk er kendt som ’Optimal Brain Damage’ (optimal hjerneskade). Metoden tager udgangspunkt i det trænede netværk – dvs. når man har fundet den bakketop, hvor netværket præsterer bedst.

Herfra kigger man nu på krumningerne i landskabet, da disse fortæller noget om vigtigheden af de forskellige forbindelser i netværket. Jo større krumning, desto større betydning. Det vil sige, at når vi står på bakketoppen og kigger ned, vil den retning, hvor bakken er stejlest, angive, hvilken hjerneforbindelse der er vigtigst.

Det handler med andre ord om at finde den fladeste vej ned fra bakketoppen, når man gennemfører den målrettede nedbrydning af det neurale netværk. Metoden foreskriver, at man finder den mindste krumning, og så sletter den tilhørende forbindelse i netværket. I princippet kan denne procedure gentages, til netværket er helt væk.

 

Som at hjernescanne en bygning

Resultatet af den strukturerede nedbrydning af neurale netværk kan sammenlignes med, at man med udgangspunkt i en hjernescanning fra en person, der foretager en tillært handling, vurderer, hvilke sanseindtryk der tillægges mest fokus undervejs i handlingen.

Hvis man for eksempel måler hjerneaktiviteten på en pianist, mens han spiller klaver, vil man sikkert kunne konstatere, at syns-, høre- og følesanserne arbejder på højtryk, mens smags- og lugtesanserne ikke får megen opmærksomhed.

 

Belastningers påvirkning

Fakta

Niels Hørbye Christiansen har skrevet denne artikel på baggrund af sin ph.d.-afhandling. Afhandlingen og artiklen handler om, hvordan en matematisk efterligning af hjernens evne til at sortere i input kan anvendes til at rangere ydre belastninger på konstruktioner efter, hvor meget skade de forvolder. På den måde er det muligt at kortlægge konstruktioners underliggende egenskaber hurtigt og effektivt. Denne kortlægning er et vigtigt led i design af de systemer, man benytter ved olie-/gasudvinding på dybt vand. Erhvervs-ph.d.-afhandlingen har Niels Hørbye Christiansen skrevet i samarbejde med konsulentvirksomheden Det Norske Veritas (DNV GL) og Danmarks Tekniske Universitet, Institut for Mekanisk Teknologi. Niels Hørbye Christiansen (1978) er født og opvokset i Kalundborg hvorfra han blev student i 1997. Han blev færdig som civilingeniør på Danmarks Tekniske Universitet i 2006 og blev derefter anset i DNV GL, hvor han arbejdede et par år, inden han fik et erhvervs-ph.d.-stipendiat. Niels Hørbye Christiansen har ved siden af arbejdet med sin afhandling ført tilsyn med offshore-virksomheden NOV Flexible. Virksomheden producerer nogle af de produkter, som Niels Hørbye Christiansens projekt handler om.

Store konstruktioner udsættes ofte for mange forskellige ydre belastninger. Det kan være vind, bølger, trafik o.a.

Ofte vil man rent intuitivt kunne vurdere, hvordan de forskellige belastninger påvirker konstruktionen, men nogle gange er det ikke så simpelt at gennemskue, hvilke typer af belastning har den største indvirkning.

I sådanne tilfælde må man ty til de såkaldt ’følsomhedsstudier’. Med klassiske beregningsmetoder kræver sådanne analyser mange langsommelige simuleringer, men med et neuralt netværk og Optimal Brain Damage kan disse følsomhedsstudier klares med blot én simulering.

 

En overraskende robust metode

Metoden er indtil videre blevet testet på en forankringsline til en flydende olieplatform.

I det pågældende eksempel forudså det neurale netværk, hvilke kræfter der opstod i forankringslinen på baggrund af platformens bevægelser. I dette tilfælde er det ikke så ligetil at se, hvilke bevægelser resulterer i de største kræfter.

Analysen gav nogle resultater, som stred mod al forventning, og som ingeniørerne ikke umiddelbart kunne forklare. Efter at have gransket modellen kunne de imidlertid konstatere, at der ikke var tale om en fejl, men at det optimerede netværk havde afsløret skjulte egenskaber ved konstruktionen.

Hvis vi vender tilbage til eksemplet med pianisten, svarer det til at få nogle uforklarlige scanningssekvenser, der for eksempel antyder, at synssansen ikke spiller nogen rolle, når man spiller klaver – og så først efterfølgende få at vide, at dataene stammer fra en blind pianist. Metoden er med andre ord så robust, at den er i stand til at afsløre egenskaber, selv når disse strider mod intuitiv logik. 

Projektets formål

Projekts formål er at udvikle en metode, som kan reducere den voldsomme beregningsmængde, der knytter sig til simulering af flydende dybhavsinstallationer.

Klassiske simuleringsmetoder bygger på løsning af store mængder af koblede differentialligninger, hvilket stiller store krav til computerkapacitet. Ved brug af statistiske metoder, inspireret af udvikling af kunstig intelligens, kan man simulere fleksible konstruktioners bevægelser uhyre effektivt og derved reducere beregningstider dramatisk, så beregninger, der normalt tager mange timer, kan gennemføres på ganske få minutter.

Simulering af konstruktioners bevægelser er et vigtigt led i design af de systemer, man benytter ved olie-/gasudvinding på dybt vand.