بزرگنمایی:

دانشمندان اخیرا الگوریتم یادگیری ماشینی توسعه داده‌اند که می‌تواند قطعی برق ناشی از رعد و برق را پیش‌بینی کند.
به گزارش ایسنا، در حال حاضر از هوش مصنوعی می‌توان برای پیش‌بینی همه چیز از جرم و جنایت گرفته تا بیماری‌های روانی استفاده کرد. اکنون دانشمندان الگوریتمی را توسعه داده‌اند که می‌تواند قطعی برق ناشی از رعد و برق را نیز پیش‌بینی کند.
این خبر برای شرکت‌هایی مانند شرکت‌های برق خبر مهمی است چرا که توسط آن قادر به پیش‌بینی خسارت به زیرساخت‌های خود خواهند بود.
با توجه به این موضوع ، "روپ تروو"(Roope Tervo)، معمار نرم‌افزار موسسه هواشناسی فنلاند(FMI) و محقق مقطع دکتری "دانشگاه آلتو"(Aalto university) فنلاند از رویکرد یادگیری ماشین برای پیش‌بینی اینکه طوفان‌ها تا چه حد می‌توانند مخرب باشند، استفاده کرده است.
برای توسعه این سیستم، "تروو" ابتدا داده‌هایی از قطعی برق را به سیستم وارد کرد. این داده‌ها توسط سه شرکت انرژی فنلاندی تهیه شده بود.
دانشگاه آلتو طی بیانیه‌ای گفت: طوفان به چهار دسته طبقه‌بندی می‌شوند. طوفان دسته صفر هیچ آسیبی به ترانسفورماتورهای برق نمی‌زند، طوفان دسته یک، تا 10 درصد در جریان برق ترانسفورماتورها اختلال ایجاد می‌کند، طوفان دسته دو تا 50 درصد و طوفان دسته سه بیش از 50 درصد در جریان برق ترانسفورماتورها اختلال ایجاد می‌کند.
ترانسفورماتور یا ترَنسفورمر(Transformer) وسیله‌ای است که انرژی الکتریکی را بین دو یا چند سیم‌پیچ و از طریق القای الکترومغناطیسی منتقل می‌کند. به این صورت که یک جریان متغیر در سیم‌پیچ اولیه ترانسفورمر، موجب تولید میدان مغناطیسی متغیر می‌شود که این میدان منجر به ایجاد ولتاژ در سیم‌پیچ ثانویه می‌شود.
در گام دوم، تروو داده‌های به دست آمده از طوفان‌ها را جمع آوری کرد و درک و آنالیز را برای رایانه‌ها آسان‌تر کرد.
تروو گفت: ما از روش جدید مبتنی بر شیء برای تهیه داده‌ها استفاده کردیم که همین امر باعث هیجان این کار شد. طوفان‌ها از عناصر بسیاری تشکیل شده‌اند که می‌تواند نشان دهد که چقدر می‌توانند آسیب زننده باشند. با گروه‌بندی 16 ویژگی مختلف از هر طوفان (مساحت سطح، سرعت باد، دما و فشار) ما توانستیم به رایانه آموزش دهیم که طوفان‌ها در چه مواقعی مخرب خواهند بود.
تروو در انتها افزود: قدم بعدی ما این است که این مدل را امتحان و اصلاح کنیم تا برای طوفان‌های هر فصل عملکرد متفاوتی داشته باشد برای مثال نحوه دسته‌بندی طوفان‌های تابستان و زمستان متفاوت است بنابراین ما به روش‌های متفاوتی برای پیش‌بینی خسارت هر طوفان نیاز داریم.