فراخوان «دستیابی به مدل شبیه‌سازی و پیش‌‎بینی وضع هوا در مقیاس کوچک با استفاده از مدل‌های یادگیری عمیق مبتنی بر فیزیک»

توضیحات فراخوان

بنیاد ملی علم ایران در راستای هدفمند شدن پژوهش‌‌ها و حمایت از طرح‌‌های پژوهشی که به فناوری روز دنیا می‌‌پردازد، سلسله فراخوان‌‌هایی در قالب برنامه حمایت از پژوهش عمیق مورد نیاز شرکت‌‌های دانش‌‌بنیان منتشر می‌‌کند. دستیابی به مدل شبیه‌‌سازی و پیش‌‌بینی وضع هوا در مقیاس کوچک با استفاده از مدل‌‌های یادگیری عمیق مبتنی بر فیزیک به‌عنوان یکی دیگر از فراخوان‌‌های این برنامه است که کلیه پژوهشگران واجد شرایط تا ۹ مرداد ۱۴۰۵ فرصت دارند که پروپوزال خود را از طریق سامانه کایپر برای بنیاد ملی علم ایران ارسال نمایند.

توسعه پیش‌بینی‌های جوی در مقیاس شهری، در سطح جهانی طی و دو دهه گذشته، از اتکا به مدل‌‌های عددی کلاسیک با تفکیک مکانی افقی در مقیاس کیلومتری، به سمت استفاده از شبیه‌سازی‌های با تفکیک بسیار بالا (۱۰۰ تا ۵۰۰ متر) مبتنی بر روش شبیه‌‌سازی گردابه‌‌های بزرگ (Large Eddy Simulation - LES) حرکت کرده است. این روش مبتنی بر شبیه‌‌سازی عددی در دینامیک سیالات محاسباتی است که در آن گردابه‌‌های بزرگ‌جریان به‌صورت مستقیم حل شده و اثر گردابه‌‌های کوچکتر از طریق مدل‌‌های زیرشبکه‌‌ای مدل‌‌سازی می‌‌شود. در مراکز پیشرفته‌ای مانند اداره ملی اقیانوسی و جوی (NOAA) و مرکز اروپایی پیش‌‌بینی‌‌های هواشناسی میان‌‌مدت (ECMWF) از روش LES به‌عنوان ابزاری مرجع برای مطالعه دقیق دینامیک لایه مرزی شهری، پدیده جزیره حرارتی و الگوهای جریان‌ در اطراف ساختمان‌ها و زیرساخت‌‌های شهری به کار گرفته می‌شود. با‌این‌حال، به‌دلیل هزینه محاسباتی بسیار بالا و نیاز به منابع پردازشی قابل توجه، کاربرد عملی این روش‌‌ها عمدتاً به مطالعات پژوهشی و شبیه‌‌سازی‌‌های موردی محدود مانده است.

هم‌زمان با این روند، در سال‌های اخیر بهره‌‌گیری از مدل‌‌های هوش مصنوعی مانند شبکه‌‌های عصبی مبتنی بر فیزیک (Physics-Informed Neural Networks - PINNs)، با هدف تقریب رفتار معادلات ناویر–استوکس و شبیه‌‌سازی جریان‌های ژئوفیزیکی با سرعت بالا، در پیش‌‌بینی‌‌های میان‌‌مدت هواشناسی به‌طور قابل توجهی گسترش یافته است. این رویکردها می‌‌توانند با حفظ سازگاری با قیود فیزیکی مسئله، دقتی نزدیک به شبیه‌‌سازی‌‌های LES ارائه دهند، درحالی‌که هزینه‌‌ محاسباتی آن‌‌ها به مراتب کمتر بوده و امکان استفاده عملیاتی در سامانه‌‌های پیش‌‌بینی و با تفکیک مکانی بالا را فراهم می‌‌سازد.

هدف از این طرح، تلفیق مدل‌‌های دینامیک سیالات با شبکه‌‌های عصبی مبتنی بر فیزیک برای شبیه‌‌سازی جریان‌‌های متلاطم شهری با دقت زیرکیلومتری است. این رویکرد، امکان پیش‌‌بینی پدیده‌‌های خرد اقلیمی را با دقتی هم‌‌تراز با شبیه‌‌سازی‌‌های LES (۱۰۰ تا ۵۰۰ متر) فراهم می‌‌آورد، درحالی‌که به‌‌واسطه بهینه‌‌سازی ساختار محاسباتی، زمان پردازش را حداقل تا ده‌برابر نسبت به روش‌‌های کلاسیک کاهش می‌‌دهد.

پیشینه مسئله پژوهشی؛ در ایران، پیش‌بینی‌های جوی و اقلیمی عمدتاً بر پایه مدل‌های عددی میان‌مقیاس و منطقه‌ای مانند مدل پژوهش و پیش‌‌بینی هواشناسی (Weather Research and Forecasting Model - WRF) استوار است؛ درحالی‌که کاربرد روش‌‌هایی چون LES و مدل‌‌های هوش مصنوعی مبتنی بر فیزیک (PINNs) تاکنون عمدتاً به پژوهش‌‌های دانشگاهی محدود شده است.

یکی از قابلیت‌‌های کلیدی این سامانه، امکان تشخیص و پایش تقریباً لحظه‌‌ای الگوهای جریان و پدیده‌‌های خرد اقلیمی است. با بهره‌‌گیری از داده‌‌های ورودی حاصل از ایستگاه‌‌های هواشناسی، حسگرهای محیطی و داده‌‌های سنجش‌‌ازدور، مدل می‌‌تواند وضعیت جریان هوا، انتقال حرارت و توزیع آلاینده‌‌ها را به‌‌صورت پیوسته تحلیل کرده و تغییرات ناگهانی در الگوهای جریان یا تشکیل مناطق تجمع آلاینده را شناسایی کند. این ویژگی امکان توسعه سامانه‌‌های هشدار سریع برای پدیده‌‌هایی مانند حبس آلاینده‌‌ها در دره‌‌های شهری، شکل‌‌گیری جزیره‌‌های حرارتی موضعی یا تغییرات ناگهانی میدان باد در مناطق پرتراکم را فراهم می‌‌کند. در نتیجه، مدل نه‌‌تنها به‌‌عنوان یک ابزار شبیه‌‌سازی، بلکه به‌‌عنوان یک سامانه هوشمند پایش و تصمیم‌‌یار در مدیریت محیط شهری قابل استفاده خواهد بود.

علاوه‌بر این، معماری سامانه به‌‌گونه‌‌ای طراحی خواهد شد که قابلیت به‌‌روزرسانی خودکار مدل با داده‌‌های جدید را داشته باشد. در این چارچوب، داده‌‌های جدید مشاهده‌‌ای و سنجشی، می‌‌توانند به‌‌صورت دوره‌‌ای یا پیوسته در فرایند آموزش مدل، وارد شده و پارامترهای شبکه عصبی به‌‌طور تطبیقی تنظیم شوند. این سازوکار موجب می‌‌شود مدل بتواند خود را با تغییرات بلندمدت اقلیمی تطبیق دهد و دقت پیش‌‌بینی در طول زمان حفظ یا حتی بهبود یابد.

مشروح مسئله پژوهشی؛ روش متداول LES اگرچه دقت بالایی در شبیه‌سازی لایه مرزی جو کوچک مقیاس دارد، اما به‌دلیل هزینه محاسباتی سنگین، در عمل برای پیش‌بینی عملیاتی قابل استفاده نیست. در مقابل، PINNها با ترکیب داده‌های منتخب LES و معادلات بنیادی دینامیک سیالات، قادرند همان سطح از دقت را با هزینه محاسباتی به‌مراتب کمتر بازتولید کنند. این ویژگی، امکان توسعه یک مدل جانشین سبک و سریع را فراهم می‌سازد که قابلیت اتصال به سامانه‌های پیش‌بینی عددی موجود را دارد.

در این طرح، گام‌های اصلی شامل تولید داده‌های مرجع LES در یک دامنه شهری، طراحی و آموزش مدل PINN، اعتبارسنجی با داده‌های مستقل و توسعه یک رابط نرم‌افزاری برای یکپارچه‌سازی (coupling) آن با مدل‌های هواشناسی خواهد بود. خروجی پروژه، یک نمونه‌ آزمایشی از مدل جایگزین LES است که می‌تواند مبنای توسعه نرم‌افزار عملیاتی برای شهرهای هوشمند، مدیریت ریسک اقلیمی و ارتقای ایمنی شهری قرار گیرد.

چالش‌‌های کلیدی نیاز فناورانه

• نیاز به توان پردازشی بسیار بالا برای اجرای شبیه‌سازی‌های LES و آموزش شبکه‌های عصبی فیزیک‌محور (PINN) که وابستگی به زیرساخت‌های پردازش موازی را افزایش می‌‌دهد.
• حجم بسیار زیاد داده‌های تولیدشده در شبیه‌سازی‌های LES که چالش‌های قابل‌توجهی در ذخیره‌سازی، انتقال، پردازش و مدیریت داده‌ها ایجاد می‌کند.
• پیچیدگی فنی در هم‌بندی و یکپارچه‌سازی مدل‌های PINN با مدل‌های پیش‌بینی عددی هواشناسی
• ماهیت میان‌رشته‌ای طرح و نیاز هم‌زمان به تخصص در حوزه‌های دینامیک سیالات محاسباتی (CFD)، شبیه‌سازی LES، یادگیری عمیق و علوم جو که تأمین نیروی انسانی متخصص را دشوار کرده و وابستگی به همکاری با تیم‌ها و نهادهای تخصصی را افزایش می‌دهد.

گام‌‌های پژوهشی

• ایجاد پایگاه داده از مجموعه داده‌‌های ورودی مدل‌‌های عددی
• آماده‌سازی مدل هواشناسی با امکان استفاده از LES جهت پارامترسازی فیزیکی لایه مرزی جو
• ایجاد پایگاه داده شبیه‌‌سازی لایه مرزی در شرایط جوی مختلف با اجرای مدل‌‌های عددی
• طراحی معماری شبکه، تعریف تابع هزینه مبتنی بر معادلات ناویر-استوکس
• آموزش مدل شبکه عصبی بر مبنای فیزیک با داده‌های مدل دینامیک سیالاتی LES
• اعتبارسنجی مدل
• توسعه بسته نرم‌افزاری متن‌باز رابط
• یکپارچه‌سازی و تست عملیاتی بر روی داده‌‌های هواشناسی در اختیار شرکت متقاضی مربوط به دکل نفتی

خروجی پژوهش

• سامانه پیش‌‌بینی وضعیت آب‌و‌هوا در مقیاس کوچک با استفاده از شبکه عصبی مبتنی بر فیزیک با دقت تشخیص ۶۰درصد.
• تحلیل پارامترهای جوی در کمتر از 5 ثانیه
• قابلیت پیش‌‌بینی وضعیت آب‌و‌هوا در مقیاس کوچک (۱۰۰ تا ۵۰۰ متر) در مقایسه با مدل‌‌های عددی کلاسیک با تفکیک افقی در مقیاس کیلومتری
• امکان پیش‌‌بینی وضع هوا به صورت گزارش‌‌های میان‌‌مدت (۱۵ تا ۲۰ روز آینده) در مقایسه با سایر روش‌‌های پیش‌‌بینی وضع هوا (گزارش‌‌های کوتاه‌‌مدت ۵ الی ۱۰ روزه)

تسهیم مالکیت فکری

مالکیت معنوی: مجری در مالکیت معنوی ناشی از اجرای پژوهش سهیم خواهد بود و انتشار مقاله مشترک توسط مجری و متقاضی در ژورنال‌‌های داخلی و خارجی، ارائه مقاله در کنفرانس‌‌ها و سمینارها با موافقت و اشاره به نام همه دست‌‌اندرکاران مجاز خواهد بود.

مالکیت منافع مادی: با توجه به مدل کسب‌‌وکار و اجرا و اثبات دستاوردهای حاصل از طرح توسط شرکت متقاضی، منافع مالی ناشی از توسعه این فناوری برای شرکت متقاضی خواهد شد اما مطابق تراضی بین شرکت متقاضی و مجری، قابل اشتراک بین آنها خواهد بود.

نحوه پذیرش

پذیرش طرح‌‌ها رقابتی است و از بین پروپوزال‌‌های دریافتی، موردی که شرایط زیر را داشته باشد، در اولویت خواهد بود:

1. ترکیب متخصصین تیم پیشنهادی مرتبط باشد.
2. افراد پیشنهادشده، دارای سابقه پژوهشی و فنی در آن موضوع باشند.
3. زمان‌‌بندی، هزینه و شرح خدمات، متناسب و مرتبط با پژوهش موردتقاضا باشد. (در این بخش، مجری می‌‌تواند برآورد اولیه خود را اعلام کند اما بدیهی است جزئیات اجرایی در ابتدای امر مشخص نیست و مجری و کارفرما با علم به این موضوع وارد این توافق خواهند شد.)
4. پروپوزال، طبق فرمت پیشنهادی بنیادملی علم، تهیه و از طریق سامانه کایپر ارسال شده باشد.
5. فونت حروف و اعداد فارسی B Nazanin و اندازه قلم 13 و فونت حروف و اعداد انگلیسی، Times New Roman و اندازه قلم 11 باشد.

هزینه‌‌های قابل قبول

• حق‌‌التحقیق نیروی انسانی؛
• تجهیزات و زیرساخت‌‌های فنی
• خدمات

حوزه‌‌های اولویت‌‌دار

• ژئوفیزیک
• هواشناسی
• مهندسی عمران
• مهندسی مکانیک
• هوش مصنوعی
• مهندسی نرم‌‌افزار

واجدین شرایط

پژوهشگر اصلی تیم لازم است عضو هیئت‌‌علمی فعال یکی از دانشگاه‌‌ها و مؤسسات آموزش عالی کشور باشد. پس از دریافت پروپوزال از طریق سامانه، ارزیابی انجام گرفته و در صورت کسب امتیاز بالا، تیم برگزیده جهت مذاکره با بنیاد و شرکت متقاضی دعوت خواهد شد.

فایل‌‌های پیوست

• فرم درخواست پیشنهاده (پروپوزال)
• متن فراخوان

تاریخ فراخوان

کلیه افراد واجد شرایط به مدت یک ماه از تاریخ انتشار فراخوان یعنی از ۹ تیر تا ۹ مرداد ۱۴۰۵ فرصت دارند که پروپوزال خود را از طریق سامانه کایپر برای بنیاد ملی علم ایران ارسال نمایند.

شایان ذکر است که مهلت ثبت این پیشنهاده، تاریخ اعلام شده در فراخوان بوده و پیشنهاده‌‌هایی که پس از این تاریخ ثبت شوند مورد بررسی قرار نخواهند گرفت.

شیوه ثبت‌‌نام و ارسال درخواست

متقاضیان جهت ثبت‌‌نام می‌‌توانند به سامانه کایپر مراجعه و از طریق بخش متقاضیان/پژوهشگران اقدام نمایند. درصورتی‌که در این سامانه پروفایل مشخصات فردی ندارید ابتدا ثبت‌‌نام نموده و سپس به وسیله نام کاربری (Email) و رمز عبور اعطا شده وارد سامانه شوید. پس از ورود در بخش ارسال طرح جدید می‌‌توانید از کارتابل پژوهش عمیق شرکت‌‌های دانش بنیان اقدام به ارسال طرح نمایید.

مسئول پاسخگویی

پژوهشگران پس از مطالعه توضیحات فراخوان و آیین‌‌نامه‌‌های مربوطه در پورتال بنیاد علم، در صورت داشتن هرگونه ابهام یا سؤال در خصوص فرآیند ارسال طرح، شرایط و محتوای علمی فراخوان می‌‌توانند از پروفایل خود در سامانه کایپر با کارگروه دانش‌‌بنیان از طریق تیکت، یا با ارسال ایمیل به hatamkhani.a@insf.org  سؤالات خود را مطرح نمایند یا با شماره تلفن ۰۲۱۸۲۱۶۱۱۵۰ (آقای مهندس حتم‌خانی) تماس حاصل فرمایند.