การบินและระบบขับเคลื่อนของเครื่องบิน

การวิจัยทางประวัติศาสตร์ที่อาศัยการเคลื่อนไหวของกลุ่มมนุษย์และสัตว์เสนอกฎง่ายๆ 3 ข้อ: ออกห่างจากผู้ที่อยู่ใกล้เกินไป มุ่งไปสู่ผู้ที่อยู่ห่างไกล สอดรับกับทิศทางการเคลื่อนไหวของเพื่อนบ้าน การวิจัยนี้ใช้โดยเฉพาะอย่างยิ่งสำหรับการเดินทางทางอากาศที่มีความเสี่ยงเพิ่มขึ้นสำหรับการติดเชื้อหรือโรคติดต่อ เช่น การระบาดทั่วโลกล่าสุดของไวรัสโคโรนา ซึ่งเป็นสาเหตุของโรคโควิด-19 "สายการบินใช้หลายโซนในการขึ้นเครื่อง" Ashok Srinivasan ศาสตราจารย์ภาควิชาวิทยาการคอมพิวเตอร์แห่งมหาวิทยาลัย West Florida กล่าว "เมื่อขึ้นเครื่องบิน ผู้คนจะถูกกั้นและถูกบังคับให้ยืนใกล้กับคนวางสัมภาระลงถังขยะ -- ผู้คนอยู่ใกล้กันมาก ปัญหานี้รุนแรงขึ้นเมื่อมีการใช้หลายโซน การลงจากเครื่องบินทำได้ราบรื่นและรวดเร็วกว่ามาก -- มี ไม่มีเวลามากพอที่จะติดเชื้อ " Srinivasan เป็นผู้ตรวจสอบหลักของงานวิจัยใหม่เกี่ยวกับแบบจำลองพลศาสตร์คนเดินถนน ซึ่งเพิ่งถูกนำมาใช้ในการวิเคราะห์ขั้นตอนเพื่อลดความเสี่ยงของการแพร่กระจายของโรคในเครื่องบิน งานวิจัยนี้ตีพิมพ์ในวารสารPLOS ONEในเดือนมีนาคม 2020 เป็นเวลาหลายปีที่นักวิทยาศาสตร์ใช้แบบจำลอง SPED (Self Propelled Entity Dynamics) ซึ่งเป็นแบบจำลองพลังทางสังคมที่ถือว่าแต่ละคนเป็นอนุภาคจุด คล้ายกับอะตอมในการจำลองพลวัตของโมเลกุล ในการจำลองดังกล่าว แรงดึงดูดและแรงผลักระหว่างอะตอมจะควบคุมการเคลื่อนที่ของอะตอม แบบจำลอง SPED แก้ไขรหัสและแทนที่อะตอมด้วยมนุษย์ "[แบบจำลอง SPED] เปลี่ยนค่าของพารามิเตอร์ที่ควบคุมปฏิสัมพันธ์ระหว่างอะตอม เพื่อให้สะท้อนถึงปฏิสัมพันธ์ระหว่างมนุษย์ ในขณะที่ยังคงรูปแบบการทำงานไว้เหมือนเดิม" Srinivasan กล่าว Srinivasan และเพื่อนร่วมงานของเขาใช้แบบจำลอง SPED เพื่อวิเคราะห์ความเสี่ยงของการระบาดของโรคอีโบลาในปี 2558 ซึ่งเป็นข่าวอย่างกว้างขวางในสำนักข่าวทั่วโลก อย่างไรก็ตาม ข้อจำกัดอย่างหนึ่งของโมเดล SPED คือการทำงานช้า ซึ่งทำให้ยากต่อการตัดสินใจอย่างทันท่วงที ต้องการคำตอบอย่างรวดเร็วในสถานการณ์เช่นการระบาดเช่น COVID-19 นักวิจัยตัดสินใจว่ามีความจำเป็นสำหรับแบบจำลองที่สามารถจำลองแอปพลิเคชันเดียวกันกับ SPED ในขณะที่เร็วกว่ามาก พวกเขาเสนอแบบจำลอง CALM (สำหรับการเคลื่อนไหวเชิงเส้นที่มีข้อจำกัดของบุคคลในฝูงชน) CALM ให้ผลลัพธ์ที่คล้ายกับ SPED แต่ไม่ได้ขึ้นอยู่กับรหัส MD กล่าวอีกนัยหนึ่ง CALM ได้รับการออกแบบมาให้ทำงานได้อย่างรวดเร็ว เช่นเดียวกับ SPED CALM ได้รับการออกแบบมาเพื่อจำลองการเคลื่อนไหวในทางเดินแคบๆ ที่เป็นเส้นตรง ผลการวิจัยแสดงให้เห็นว่า CALM ทำงานได้เร็วกว่ารุ่น SPED เกือบ 60 เท่า นอกจากประสิทธิภาพที่เพิ่มขึ้นแล้ว นักวิจัยยังได้จำลองพฤติกรรมคนเดินถนนเพิ่มเติมอีกด้วย "โมเดล CALM เอาชนะข้อจำกัดของ SPED ซึ่งจำเป็นต้องมีการตัดสินใจแบบเรียลไทม์" Srinivasan กล่าว งานคำนวณโดยใช้ Frontera นักวิทยาศาสตร์ได้ออกแบบโมเดล CALM ตั้งแต่เริ่มต้น เพื่อให้สามารถทำงานได้อย่างมีประสิทธิภาพบนคอมพิวเตอร์ โดยเฉพาะบน GPU (หน่วยประมวลผลกราฟิก สำหรับการวิจัยของพวกเขา Srinivasan และเพื่อนร่วมงานใช้ Frontera ซึ่งเป็นซูเปอร์คอมพิวเตอร์ที่ทรงพลังที่สุดอันดับ 5 ของโลกและซูเปอร์คอมพิวเตอร์เพื่อการศึกษาที่เร็วที่สุด ตามการจัดอันดับขององค์กร Top500 ในเดือนพฤศจิกายน 2019 Frontera ตั้งอยู่ที่ Texas Advanced Computing Center และได้รับการสนับสนุนจาก National Science Foundation Srinivasan กล่าวว่า "เมื่อ Blue Waters เริ่มเลิกใช้ Frontera เป็นตัวเลือกโดยธรรมชาติ เนื่องจากเป็นเครื่องเรือธงรุ่นใหม่ที่ได้รับทุนสนับสนุนจาก NSF" Srinivasan กล่าว "คำถามหนึ่งที่คุณมีคือคุณได้สร้างสถานการณ์จำลองจำนวนเพียงพอหรือไม่เพื่อให้ครอบคลุมช่วงของความเป็นไปได้ เราตรวจสอบสิ่งนี้โดยสร้างฮิสโตแกรมของปริมาณที่น่าสนใจและดูว่าฮิสโตแกรมมาบรรจบกันหรือไม่ เมื่อใช้ Frontera เราสามารถทำการจำลองที่มีขนาดใหญ่เพียงพอ ที่ตอนนี้เรารู้แล้วว่าคำตอบที่ชัดเจนนั้นเป็นอย่างไร" ในทางปฏิบัติ การคาดการณ์ที่แม่นยำนั้นเป็นไปไม่ได้เนื่องจากความไม่แน่นอนโดยธรรมชาติ โดยเฉพาะอย่างยิ่งในช่วงเริ่มต้นของการแพร่ระบาด ซึ่งเป็นสิ่งที่ทำให้การวิจัยนี้มีลักษณะการคำนวณที่ท้าทาย "เราจำเป็นต้องสร้างสถานการณ์ที่เป็นไปได้จำนวนมากเพื่อให้ครอบคลุมขอบเขตของความเป็นไปได้ ซึ่งทำให้ต้องใช้การคำนวณมาก" Srinivasan กล่าว ทีมตรวจสอบความถูกต้องของผลลัพธ์โดยการตรวจสอบเวลาขึ้นฝั่งของ เครื่องบิน สามประเภทที่แตกต่างกัน เนื่องจากการจำลองแบบเดียวไม่สามารถจับรูปแบบการเคลื่อนไหวของมนุษย์ที่หลากหลายได้ พวกเขาจึงทำการจำลองด้วยค่าต่างๆ รวมกัน 1,000 ค่าและเปรียบเทียบกับข้อมูลเชิงประจักษ์ เมื่อใช้ระบบย่อย GPU ของ Frontera นักวิจัยสามารถลดเวลาในการคำนวณลงได้ถึง 1.5 นาที "การใช้ GPU กลายเป็นทางเลือกที่โชคดีเพราะเราสามารถนำการจำลองเหล่านี้ไปใช้ในกรณีฉุกเฉินของ COVID-19 ได้ GPU บน Frontera เป็นวิธีสร้างคำตอบอย่างรวดเร็ว" แต่เดี๋ยวก่อน -- นางแบบไม่จับภาพเหตุการณ์ที่รุนแรง? ในแง่ของการเตรียมการทั่วไป Srinivasan ต้องการให้ผู้คนเข้าใจว่าแบบจำลองทางวิทยาศาสตร์มักไม่สามารถจับภาพเหตุการณ์ที่รุนแรงได้อย่างแม่นยำ แม้ว่าจะมีการศึกษาเชิงประจักษ์อย่างละเอียดในหลายเที่ยวบินเพื่อทำความเข้าใจพฤติกรรมของมนุษย์และความสะอาดของพื้นผิวและอากาศ แต่การระบาดของการติดเชื้อครั้งใหญ่ถือเป็นเหตุการณ์ที่รุนแรง ข้อมูลจากสถานการณ์ทั่วไปอาจไม่สามารถจับภาพได้ มีเที่ยวบินประมาณ 100,000 เที่ยวบินต่อวัน เหตุการณ์ที่มีความเป็นไปได้ต่ำมากอาจนำไปสู่การแพร่ระบาดของการติดเชื้อบ่อยครั้งเพียงเพราะจำนวนเที่ยวบินมีจำนวนมาก แม้ว่าแบบจำลองจะทำนายการแพร่เชื้อในเครื่องบินว่าไม่น่าเป็นไปได้ แต่ก็มีการระบาดที่ทราบกันหลายครั้ง Srinivasan เสนอตัวอย่าง “โดยทั่วไปเชื่อกันว่าการติดเชื้อแพร่กระจายในเครื่องบินเกิดขึ้น 2 แถวด้านหน้าและด้านหลังของผู้ป่วยดัชนี” เขากล่าว “ในช่วงที่มีการระบาดของโรคซาร์สในปี 2545 บนเที่ยวบินไม่กี่เที่ยวที่มีการแพร่ระบาดของเชื้อ ส่วนใหญ่เป็นเรื่องจริง อย่างไรก็ตาม การระบาดเพียงครั้งเดียวคิดเป็นมากกว่าครึ่งของผู้ติดเชื้อ และครึ่งหนึ่งของผู้ติดเชื้อได้นั่งห่างออกไปมากกว่าสองแถวในเที่ยวบินนั้น เราอาจถูกล่อลวงให้มองว่าการระบาดครั้งนี้เป็นค่าผิดปกติ แต่ 'ค่าผิดปกติ' มีผลกระทบมากที่สุด ดังนั้น ผู้คนที่อยู่ห่างออกไปมากกว่าสองแถวจึงนับเป็นจำนวนผู้ติดเชื้อโรคซาร์สในเที่ยวบินที่มีนัยสำคัญ" ปัจจุบันเกี่ยวกับ COVID-19 เชื่อว่าผู้ติดเชื้อโดยทั่วไปจะทำให้ผู้อื่นป่วย 2.5 คน อย่างไรก็ตาม มีชุมชนที่เป็น 'ซุปเปอร์สเปรดเดอร์' เพียงตัวเดียวที่ติดเชื้อคนจำนวนมากและมีบทบาทในการระบาด Srinivasan กล่าวว่าผลกระทบของเหตุการณ์สุดโต่งดังกล่าวและความยากลำบากในการสร้างแบบจำลองอย่างถูกต้องแม่นยำ ทำให้การคาดการณ์เป็นไปได้ยาก "ในแนวทางของเรา เราไม่ได้มุ่งหวังที่จะคาดการณ์จำนวนผู้ติดเชื้อที่แท้จริงอย่างแม่นยำ" Srinivasan กล่าว "แต่เราพยายามระบุช่องโหว่ในตัวเลือกนโยบายหรือขั้นตอนต่างๆ เช่น ขั้นตอนการขึ้นเครื่องที่แตกต่างกันบนเครื่องบิน เราสร้างสถานการณ์ที่เป็นไปได้จำนวนมากที่อาจเกิดขึ้นและตรวจสอบว่าตัวเลือกหนึ่งดีกว่าตัวเลือกอื่นอย่างสม่ำเสมอหรือไม่ หากเป็นเช่นนั้น จึงจะถือว่ามีประสิทธิภาพมากกว่า ในการตั้งค่าการตัดสินใจ เราอาจต้องการเลือกตัวเลือกที่มีประสิทธิภาพมากกว่า แทนที่จะพึ่งพาค่าที่คาดไว้จากการคาดคะเน" คำแนะนำการปฏิบัติบางอย่าง Srinivasan มีคำแนะนำที่เป็นประโยชน์สำหรับผู้อ่านเช่นกัน “คุณอาจยังคงเสี่ยง [สำหรับไวรัส] แม้ว่าคุณจะอยู่ห่างออกไปมากกว่าหกฟุต” เขากล่าว "ในการหารือกับนักสร้างโมเดลที่สนับสนุน ดูเหมือนว่าโมเดลเหล่านั้นไม่ได้คำนึงถึงการไหลของอากาศ เช่นเดียวกับลูกบอลที่ลอยไปไกลกว่าถ้าคุณขว้างด้วยลม ละอองที่บรรจุไวรัสจะลอยไปไกลกว่าในทิศทางของ การไหลของอากาศ" สิ่งเหล่านี้ไม่ได้เป็นเพียงการพิจารณาทางทฤษฎีเท่านั้น ในสิงคโปร์ พวกเขาสังเกตเห็นว่าช่องระบายอากาศเสียของโถส้วมที่ผู้ป่วยใช้ทดสอบผลบวกต่อไวรัสโคโรนาสายพันธุ์ใหม่ และระบุว่าเกิดจากการไหลของอากาศ "แบบจำลองไม่ได้คำนึงถึงปัจจัยทั้งหมดที่ส่งผลต่อความเป็นจริง เมื่อเดิมพันสูง เราอาจต้องการใช้ความระมัดระวัง" Srinivasan สรุป