Бразильские исследователи разработали технику оценки силы, воздействующей на каждое зерно песка в дюне, по изображениям
Бразильские учёные создали метод, который оценивает силу, действующую на каждое зерно песка в дюне, используя изображения. Этот метод, основанный на численном моделировании и искусственном интеллекте (ИИ), трансформирует изучение динамики гранулированных систем и открывает путь для исследования ранее неизмеримых физических процессов. Его применение варьируется от гражданского строительства до освоения космоса.
Результаты [опубликованы](https://agupubs.onlinelibrary.wiley.com/doi/10.1029/2025GL116942) в журнале Geophysical Research Letters.
Исследование было сосредоточено на «барханных дюнах» — структурах в форме полумесяца, кончики которых ориентированы в направлении потока ветра или воды.
«Эти дюны появляются в самых разных условиях: внутри труб, на дне рек и морей, в земных пустынях и даже на поверхности других планет, таких как Марс. Эта форма полумесяца является аттрактором. Итак, всё, что вам нужно, — это достаточное количество зёрен на неразмываемой почве и жидкость, текущая в одном направлении, чтобы образовалась барханная дюна», — объясняет Эрик Франклин, профессор факультета машиностроения Государственного университета Кампинаса (FEM-UNICAMP) и координатор исследования.
Масштабы варьируются в огромных пределах. В лабораторных [акваториях](https://phys.org/tags/aquatic+environment/) они могут быть всего 10 сантиметров и перемещаться менее чем за минуту. В земных пустынях они достигают около 100 метров и перемещаются в течение года. На Марсе они могут достигать одного километра и перемещаться примерно за тысячу лет.
«Несмотря на эту разницу в масштабах, лежащая в основе динамика очень похожа», — отмечает Франклин.
Именно это позволяет предсказывать эволюцию поверхности Марса по небольшой лабораторной [дюне](https://phys.org/tags/dune/).
Простое наблюдение за формой и движением дюны позволяет нам сделать вывод о направлении и средней интенсивности ветров. Однако знание результирующей силы, действующей на каждое зерно песка, всегда считалось невыполнимой задачей.
«Лабораторная подводная дюна может содержать 100 000 зёрен, каждое диаметром 0,2 миллиметра. Чтобы измерить силу, действующую на каждое зерно, нужно было бы разместить на каждом из них крошечный акселерометр, чего просто не существует. В дюнах земных пустынь количество зёрен увеличивается до 10¹⁵ (1 квадриллион), а на Марсе — до 10¹⁷ (100 квадриллионов)», — объясняет исследователь.
Даже с помощью [высокоскоростных камер](https://phys.org/tags/high-speed+cameras/) и передовых методов измерения движения сила, действующая на каждое зерно, всегда была вне досягаемости эксперимента. Решение состояло в том, чтобы объединить лабораторные эксперименты с подводными дюнами, которые формируются и перемещаются за считанные минуты, с [численным моделированием](https://phys.org/tags/numerical+simulations/), которое позволяет рассчитать динамику (силы и движения) каждого зерна в каждый момент времени.
Эти симуляции имеют высокое пространственное и временное разрешение и точно воспроизводят наблюдаемые дюны. Они также предоставляют карты сил, которые невозможно получить напрямую в большом масштабе.
Исследование объединило фактические изображения поверхностей дюн с картами сил, полученными с помощью моделирования, предоставив данные о каждом зерне в виде изображения и измерения силы.
«На основе этого мы обучили свёрточную нейронную сеть оценивать результирующие силы, действующие на реальные зёрна дюн», — сообщает Ренато Миотто, постдокторант FEM-UNICAMP и приглашённый исследователь Сиракузского университета в США.
[Свёрточная нейронная сеть](https://phys.org/tags/convolutional+neural+network/) (CNN) — это модель [искусственного интеллекта](https://phys.org/tags/artificial+intelligence/), предназначенная для обработки пространственно структурированных данных, таких как изображения. CNN используют свёрточные слои, которые применяют фильтры к небольшим областям входных данных для обнаружения локальных закономерностей (например, краёв, текстур и форм) и генерируют карты объектов. С помощью нескольких слоёв CNN может объединять простые закономерности в сложные структуры, позволяя распознавать объекты, классифицировать изображения или извлекать информацию автоматически и эффективно.
CNNs широко используются в компьютерном зрении, распознавании лиц, медицинском анализе и других задачах обнаружения и классификации.
«В исследовании сеть смогла вывести распределение сил из простых изображений дюн и даже обобщить свои прогнозы на формы, которые она никогда раньше не видела», — отмечает Миотто.
Уильям Вольф, профессор FEM-UNICAMP и соавтор исследования, подчёркивает, что при подготовке данных для процесса требовалась особая осторожность.
«Мы использовали высокоточные трёхмерные симуляции, которые позволили нам получить высокое разрешение пространственных и временных масштабов, что дало нам уровень детализации, очень близкий к реальности. Таким образом, детали динамики и морфологии дюн были изучены CNN, и эти параметры необходимы для того, чтобы сеть могла обобщать экспериментальные изображения», — добавляет Миотто.
Миотто отмечает, что методология не ограничивается песком: «Любая гранулированная система, которую можно увидеть на изображении — будь то лёд, соль или синтетические частицы — может быть проанализирована, если есть симуляция, способная точно воспроизвести поведение материала».
По словам исследователей, технику можно адаптировать для изучения других систем, образованных движущимися частицами, и решения конкретных задач, таких как заиливание рек, эрозия пляжей, движение песка в портах и промышленные стоки.
«Эти процессы имеют огромные экономические издержки и влияют на целые сообщества. Такие инструменты могут помочь прогнозировать и смягчать ущерб. В случае Марса можно сделать вывод на основе широко доступных изображений об интенсивности ветров в прошлом и эволюции дюн в будущем», — подчёркивает Франклин.
Вольф подчёркивает коллегиальный характер исследования: «Мы работаем вместе уже много лет, объединяя наш опыт в области физики потоков, механики жидкостей и вычислительного анализа. Это пример того, как постоянная поддержка фундаментальных исследований может привести к достижениям, имеющим значение во многих областях».
Предоставлено [FAPESP](https://phys.org/partners/fapesp/).