船隻設計的基礎，船模實驗大解密！——成功大學系統及船舶機電工程學系陳政宏副教授專訪

本文與 研華科技 合作，泛科學企劃執行。

每次 NVIDIA 執行長黃仁勳公開發言，總能牽動整個 AI 產業的神經。然而，我們不妨設想一個更深層的問題——如今的 AI 幾乎都倚賴網路連線，那如果哪天「網路斷了」，會發生什麼事？

想像你正在自駕車打個盹，系統突然警示：「網路連線中斷」，車輛開始偏離路線，而前方竟是萬丈深谷。又或者家庭機器人被駭，開始暴走跳舞，甚至舉起刀具向你走來。

這會是黃仁勳期待的未來嗎？當然不是！也因為如此，「邊緣 AI」成為業界關注重點。不靠雲端，AI 就能在現場即時反應，不只更安全、低延遲，還能讓數據當場變現，不再淪為沉沒成本。

什麼是邊緣 AI ？

邊緣 AI，乍聽之下，好像是「孤單站在角落的人工智慧」，但事實上，它正是我們身邊最可靠、最即時的親密數位夥伴呀。

當前，像是企業、醫院、學校內部的伺服器，個人電腦，甚至手機等裝置，都可以成為「邊緣節點」。當數據在這些邊緣節點進行運算，稱為邊緣運算；而在邊緣節點上運行 AI ，就被稱為邊緣 AI。簡單來說，就是將原本集中在遠端資料中心的運算能力，「搬家」到更靠近數據源頭的地方。

那麼，為什麼需要這樣做？資料放在雲端，集中管理不是更方便嗎？對，就是不好。

第一個不好是物理限制：「延遲」。
即使光速已經非常快，數據從你家旁邊的路口傳到幾千公里外的雲端機房，再把分析結果傳回來，中間還要經過各種網路節點轉來轉去…這樣一來一回，就算只是幾十毫秒的延遲，對於需要「即刻反應」的 AI 應用，比如說工廠裡要精密控制的機械手臂、或者自駕車要判斷路況時，每一毫秒都攸關安全與精度，這點延遲都是無法接受的！這是物理距離與網路架構先天上的限制，無法繞過去。

第二個挑戰，是資訊科學跟工程上的考量：「頻寬」與「成本」。
你可以想像網路頻寬就像水管的粗細。隨著高解析影像與感測器數據不斷來回傳送，湧入的資料數據量就像超級大的水流，一下子就把水管塞爆！要避免流量爆炸，你就要一直擴充水管，也就是擴增頻寬，然而這樣的基礎建設成本是很驚人的。如果能在邊緣就先處理，把重要資訊「濃縮」過後再傳回雲端，是不是就能減輕頻寬負擔，也能節省大量費用呢？

第三個挑戰：系統「可靠性」與「韌性」。
如果所有運算都仰賴遠端的雲端時，一旦網路不穩、甚至斷線，那怎麼辦？很多關鍵應用，像是公共安全監控或是重要設備的預警系統，可不能這樣「看天吃飯」啊！邊緣處理讓系統更獨立，就算暫時斷線，本地的 AI 還是能繼續運作與即時反應，這在工程上是非常重要的考量。

所以你看，邊緣運算不是科學家們沒事找事做，它是順應數據特性和實際應用需求，一個非常合理的科學與工程上的最佳化選擇，是我們想要抓住即時數據價值，非走不可的一條路！

邊緣 AI 的實戰魅力：從工廠到倉儲，再到你的工作桌

知道要把 AI 算力搬到邊緣了，接下來的問題就是─邊緣 AI 究竟強在哪裡呢？它強就強在能夠做到「深度感知（Deep Perception）」！

所謂深度感知，並非僅僅是對數據進行簡單的加加減減，而是透過如深度神經網路這類複雜的 AI 模型，從原始數據裡面，去「理解」出更高層次、更具意義的資訊。

以研華科技為例，旗下已有多項邊緣 AI 的實戰應用。以工業瑕疵檢測為例，利用物件偵測模型，快速將工業產品中的瑕疵挑出來，而且由於 AI 模型可以使用同一套參數去檢測，因此品管上能達到一致性，減少人為疏漏。尤其在高產能工廠中，檢測速度必須快、狠、準。研華這套 AI 系統每分鐘最高可處理 8,000 件產品，替工廠節省大量人力，同時確保品質穩定。這樣的效能來自於一台僅有膠囊咖啡機大小的邊緣設備—IPC-240。

此外，在智慧倉儲場域，研華與威剛合作，研華與威剛聯手合作，在 MIC-732AO 伺服器上搭載輝達的 Nova Orin 開發平台，打造倉儲系統的 AMR（Autonomous Mobile Robot） 自走車。這跟過去在倉儲系統中使用的自動導引車 AGV 技術不一樣，AMR 不需要事先規劃好路線，靠著感測器偵測，就能輕鬆避開障礙物，識別路線，並且將貨物載到指定地點存放。

當然，還有語言模型的應用。例如結合檢索增強生成 ( RAG ) 跟上下文學習 ( in-context learning )，除了可以做備忘錄跟排程規劃以外，還能將實務上碰到的問題記錄下來，等到之後碰到類似的問題時，就能詢問 AI 並得到解答。

你或許會問，那為什麼不直接使用 ChatGPT 就好了？其實，對許多企業來說，內部資料往往具有高度機密性與商業價值，有些場域甚至連手機都禁止員工帶入，自然無法將資料上傳雲端。對於重視資安，又希望運用 AI 提升效率的企業與工廠而言，自行部署大型語言模型（self-hosted LLM）才是理想選擇。而這樣的應用，並不需要龐大的設備。研華的 SKY-602E3 塔式 GPU 伺服器，體積僅如後背包大小，卻能輕鬆支援語言模型的運作，實現高效又安全的 AI 解決方案。

但問題也接著浮現：要在這麼小的設備上跑大型 AI 模型，會不會太吃資源？這正是目前 AI 領域最前沿、最火熱的研究方向之一：如何幫 AI 模型進行「科學瘦身」，又不減智慧。接下來，我們就來看看科學家是怎麼幫 AI 減重的。

語言模型瘦身術之一：量化（Quantization）—用更精簡的數位方式來表示知識

當硬體資源有限，大模型卻越來越龐大，「幫模型減肥」就成了邊緣 AI 的重要課題。這其實跟圖片壓縮有點像：有些畫面細節我們肉眼根本看不出來，刪掉也不影響整體感覺，卻能大幅減少檔案大小。

模型量化的原理也是如此，只不過對象是模型裡面的參數。這些參數原先通常都是以「浮點數」表示，什麼是浮點數？其實就是你我都熟知的小數。舉例來說，圓周率是個無窮不循環小數，唸下去就會是3.141592653…但實際運算時，我們常常用 3.14 或甚至直接用 3，也能得到夠用的結果。降低模型參數中浮點數的精度就是這個意思！ 

然而，量化並不是那麼容易的事情。而且實際上，降低精度多少還是會影響到模型表現的。因此在設計時，工程師會精密調整，確保效能在可接受範圍內，達成「瘦身不減智」的目標。

模型剪枝（Model Pruning）—基於重要性的結構精簡

建立一個 AI 模型，其實就是在搭建一整套類神經網路系統，並訓練類神經元中彼此關聯的參數。然而，在這麼多參數中，總會有一些參數明明佔了一個位置，卻對整體模型沒有貢獻。既然如此，不如果斷將這些「冗餘」移除。

這就像種植作物的時候，總會雜草叢生，但這些雜草並不是我們想要的作物，這時候我們就會動手清理雜草。在語言模型中也會有這樣的雜草存在，而動手去清理這些不需要的連結參數或神經元的技術，就稱為 AI 模型的模型剪枝（Model Pruning）。

模型剪枝的效果，大概能把100變成70這樣的程度，說多也不是太多。雖然這樣的縮減對於提升效率已具幫助，但若我們要的是一個更小幾個數量級的模型，僅靠剪枝仍不足以應對。最後還是需要從源頭著手，採取更治本的方法：一開始就打造一個很小的模型，並讓它去學習大模型的知識。這項技術被稱為「知識蒸餾」，是目前 AI 模型壓縮領域中最具潛力的方法之一。

知識蒸餾（Knowledge Distillation）—讓小模型學習大師的「精髓」

想像一下，一位經驗豐富、見多識廣的老師傅，就是那個龐大而強悍的 AI 模型。現在，他要培養一位年輕學徒—小型 AI 模型。與其只是告訴小型模型正確答案，老師傅 (大模型) 會更直接傳授他做判斷時的「思考過程」跟「眉角」，例如「為什麼我會這樣想？」、「其他選項的可能性有多少？」。這樣一來，小小的學徒模型，用它有限的「腦容量」，也能學到老師傅的「智慧精髓」，表現就能大幅提升！這是一種很高級的訓練技巧，跟遷移學習有關。

舉個例子，當大型語言模型在收到「晚餐：鳳梨」這組輸入時，它下一個會接的詞語跟機率分別為「炒飯：50%，蝦球：30%，披薩：15%，汁：5%」。在知識蒸餾的過程中，它可以把這套機率表一起教給小語言模型，讓小語言模型不必透過自己訓練，也能輕鬆得到這個推理過程。如今，許多高效的小型語言模型正是透過這項技術訓練而成，讓我們得以在資源有限的邊緣設備上，也能部署愈來愈強大的小模型 AI。

但是！即使模型經過了這些科學方法的優化，變得比較「苗條」了，要真正在邊緣環境中處理如潮水般湧現的資料，並且高速、即時、穩定地運作，仍然需要一個夠強的「引擎」來驅動它們。也就是說，要把這些經過科學千錘百鍊、但依然需要大量計算的 AI 模型，真正放到邊緣的現場去發揮作用，就需要一個強大的「硬體平台」來承載。

邊緣 AI 的強心臟：SKY-602E3 的三大關鍵

像研華的 SKY-602E3 塔式 GPU 伺服器，就是扮演「邊緣 AI 引擎」的關鍵角色！那麼，它到底厲害在哪？

一、核心算力
它最多可安裝 4 張雙寬度 GPU 顯示卡。為什麼 GPU 這麼重要？因為 GPU 的設計，天生就擅長做「平行計算」，這正好就是 AI 模型裡面那種海量數學運算最需要的！

你想想看，那麼多數據要同時處理，就像要請一大堆人同時算數學一樣，GPU 就是那個最有效率的工具人！而且，有多張 GPU，代表可以同時跑更多不同的 AI 任務，或者處理更大流量的數據。這是確保那些科學研究成果，在邊緣能真正「跑起來」、「跑得快」、而且「能同時做更多事」的物理基礎！

二、工程適應性——塔式設計。
邊緣環境通常不是那種恆溫恆濕的標準機房，有時是在工廠角落、辦公室一隅、或某個研究實驗室。這種塔式的機箱設計，體積相對緊湊，散熱空間也比較好（這對高功耗的 GPU 很重要！），部署起來比傳統機架式伺服器更有彈性。這就是把高性能計算，進行「工程化」，讓它能適應台灣多樣化的邊緣應用場景。

三、可靠性
SKY-602E3 用的是伺服器等級的主機板、ECC 糾錯記憶體、還有備援電源供應器等等。這些聽起來很硬的規格，背後代表的是嚴謹的工程可靠性設計。畢竟在邊緣現場，系統穩定壓倒一切！你總不希望 AI 分析跑到一半就掛掉吧？這些設計確保了部署在現場的 AI 系統，能夠長時間、穩定地運作，把實驗室裡的科學成果，可靠地轉化成實際的應用價值。

台灣製造 × 在地智慧：打造專屬的邊緣 AI 解決方案

研華科技攜手八維智能，能幫助企業或機構提供客製化的AI解決方案。他們的技術能力涵蓋了自然語言處理、電腦視覺、預測性大數據分析、全端軟體開發與部署，及AI軟硬體整合。

無論是大小型語言模型的微調、工業瑕疵檢測的模型訓練、大數據分析，還是其他 AI 相關的服務，都能交給研華與八維智能來協助完成。他們甚至提供 GPU 與伺服器的租借服務，讓企業在啟動 AI 專案前，大幅降低前期投入門檻，靈活又實用。

台灣有著獨特的產業結構，從精密製造、城市交通管理，到因應高齡化社會的智慧醫療與公共安全，都是邊緣 AI 的理想應用場域。更重要的是，這些情境中許多關鍵資訊都具有高度的「時效性」。像是產線上的一處異常、道路上的突發狀況、醫療設備的即刻警示，這些都需要分秒必爭的即時回應。

如果我們還需要將數據送上雲端分析、再等待回傳結果，往往已經錯失最佳反應時機。這也是為什麼邊緣 AI，不只是一項技術創新，更是一條把尖端 AI 科學落地、真正發揮產業生產力與社會價值的關鍵路徑。讓數據在生成的那一刻、在事件發生的現場，就能被有效的「理解」與「利用」，是將數據垃圾變成數據黃金的賢者之石！

👉 更多研華Edge AI解決方案
👉 立即申請Server租借

• 作者／劉詠鯤

本文轉載自 CASE 報科學 《千變萬化的流體（三）：哥吉拉雲—流體的不穩定性》

海岸邊的雲層上緣，出現一隻隻如同哥吉拉形狀的雲；原子彈投下後，劇烈爆炸引起的蕈狀雲；土星大氣層內形狀獨特的雲帶……等。這些看似毫無相關的現象，背後其實成因都可以歸納為：流體中的不穩定性。

2020 年在青森縣的海邊，有網友分享了一張雲朵彷彿在進行「哥吉拉大遊行」的照片（圖一左上）；也有飛行員在雲層上分享過類似的照片（圖一右上）；除此之外，天文學家在土星的大氣層也觀察到相似形狀的雲層（圖一下）。這些「哥吉拉」的行動力竟然如此之高，不只在地球上出現，連土星上都有。這是否暗示它們背後其實具有相同的形成機制呢？

在＜千變萬化的流體（一）＞一文中，我們介紹了流體流動的狀態主要可以分成兩種：層流與紊流。層流狀態的流體十分穩定，它可以被視為一層一層獨立的流動來討論；相對的，紊流如同它的名字所表示，流體內部的流動較為混亂，不同層之間的流體會互相混合、影響。而決定是層流還是紊流的關鍵因素便是「不穩定性」^[1]。

在描述天氣系統為甚麼難以預測時，常常會提到「蝴蝶效應」這個小故事：位在大西洋的颶風，其成因可能只是在亞馬遜森林裡面一隻蝴蝶煽動了翅膀，這個初始的小擾動，隨著時間演變，最終形成尺度龐大的結構。不穩定性在流體中扮演的角色也十分相似。起初流體內部隨機的產生十分微小的擾動，若整個流體的不穩定性足夠大，微小的擾動便有機會繼續成長，直到對整個流體都造成影響。流體中具有各式各樣的不穩定性，在本篇文章中，我們將會介紹與哥吉拉雲還有蕈狀雲有關的兩種不穩定性：克耳文-亥姆霍茲不穩定性以及瑞利-泰勒不穩定性。

克耳文-亥姆霍茲不穩定性：哥吉拉雲

這個不穩定性得名於兩位對此現象進行研究的物理學家：發明絕對溫標的克耳文爵士，以及對聲學共振系統做出系統性研究的亥姆霍茲（在＜香檳聲音哪裡來？＞一文中，他曾經登場過）。這個不穩定性發生的條件是：兩層流體之間具有相對速度。

請搭配圖二，讓我們一起來理解這個不穩定性是如何產生哥吉拉雲的。假設有兩層流體，分別向左與向右運動。當它們彼此完美平行時，一切無事，如圖二（a）。但這個狀態其實並不穩定，任何的擾動，都可能會破壞這個完美狀態。例如，流體中形成了如圖二（b）的擾動，接下來流體的運動會如何變化呢？

對於淺藍流體來說，A 點的體積較原本略小，因此流動速度較大，如同澆花時，將水管捏住（管徑縮小），水可以噴得更遠。此外，流速較快也會使得 A 點的壓力減小；但對於紅色流體來說，A 點的壓力反而會增大。如此會導致流體內部的壓力分佈形成圖二（c）。兩種流體之間的壓力差，會進一步使擾動長大，如圖二（d）。最後，由於流體本身橫向的速度，使擾動在橫向上出現變形，如圖二（e）。如此一來，哥吉拉形狀是不是就出現了呢？

瑞利-泰勒不穩定性：核爆蘑菇雲

接下來，讓我們來看另一種在生活中沒那麼常見，但是看過就很難忘記的不穩定性現象：核爆產生的蘑菇雲。這種現象的成因，是來自於瑞利-泰勒不穩定性，它會發生於密度較大的流體壓在密度小的流體之上時。核彈爆發會在極短時間內釋放出極大熱量，將爆炸中心的空氣瞬間加溫。我們知道，氣體的溫度越高，密度越低，因此在爆炸中心，會瞬間形成大量的低密度空氣。

讓我們用簡單的模型來看看，這種不穩定性是如何造成蘑菇雲的。圖三（a）中有兩種流體，密度較高的在上，此時整個流體系統處於不穩定態，只要有一點擾動 ，如圖三（b） ，不穩定性就會使擾動擴大。由於密度差異，重力使得密度小的流體上升，密度大的下降，使不穩定度振幅逐漸增大。此外，由於壓力差與密度差的方向並不平行，會導致流體的邊界形成渦旋，如圖三（c）。以上這些效應疊加在一起後^[2]，流體邊界處便會逐漸形成如蘑菇狀的特徵，如圖三（d）。

以上兩種流體不穩定性，其實在我們生活中也存在，例如：點燃的線香。由於線香燃燒處的溫度上升，空氣密度下降，此時就滿足瑞利-泰勒不穩定性的條件；當熱空氣上升時，和兩側靜止的空氣有一相對速度，也滿足了克爾文-亥姆霍茲不穩定性條件。只是由於規模較小，發生速度較快，肉眼未必可以清楚的看到如前文中提到的明顯特徵。儘管如此，各位讀者在了解這些不穩定性之後，若是試著觀察看看生活中的各種流體，也許也能找到隱藏起來的「蕈狀雲」喔！

註解

[1] 更詳盡的說明可以參考 CASE＜上下顛倒漂浮船＞一文
[2] 實際上，形成蘑菇狀構造還與流體在三維條件下的非線性效應有關，數學模型較為複雜，此處只是簡單概述其成因。

1. Kelvin–Helmholtz instability
2. Rayleigh–Taylor instability
3. “Single mode hydrodynamic instabilities” draft from Hideaki Takabe.

八月底，美國海軍所屬的研究船「莎莉萊德號（Sally Ride）」在基隆港邊短暫停留。這艘船身懸掛「中華民國」國旗、長度將近 73 公尺、3000 噸的大洋級研究船，格外引起大家的注意。

這難道有什麼八卦嗎？其實，莎莉萊德號剛剛結束印度洋的任務，停泊在基隆港邊，進行補給和研究人員更替的任務，而船身掛國旗其實是對停泊港國的尊重。

儘管沒有軍事八卦，這艘莎莉萊德號的來頭實在不小！2016 年由美國耗資 8900 萬美金（約台幣 27 億）打造完工，最長可在海上闖蕩 42 天以上。

目前是美國最新的大洋級研究船，交由美國聖地牙哥史奎普斯海洋研究所管理。船內不僅裝載十幾項最新海洋科學儀器，甲板作業區也相當寬敞。前甲板可放置一個 20 呎貨櫃實驗室，後甲板則可放置三個，

而本次莎莉萊德號來到基隆，一直與美國海洋研究緊密互動的臺灣大學海洋研究所，因此受美國 PISTON 研究團隊之邀，得以上船參觀。

不可能的任務：一層樓高的氣象雷達球上船

一登上船，臺大大氣科學系教授林博雄的讚嘆之情溢於言表，驚呼：「把整顆氣象雷達球搬上去，是件不可思議的事！再加上放置數據的貨櫃實驗室，這艘研究船儼然是行動氣象站。」

這艘研究船共有三顆雷達，分別是兩小顆位於船頂最高處的通訊雷達和一大顆位於船首的氣象雷達。這顆氣象雷達將近一層樓高（4.3 公尺），功能相當於氣象局放在山上觀測雲滴的氣象雷達，而貌似足球的外型是雷達的罩子。

這顆氣象雷達是俄勒岡州立大學 (Oregon state university) 所屬的「海基型雙偏極化氣象雷達」（ship deployable dual-polarization meterological rada, SEA-POL）。技術人員特別從美國飛到臺灣，運用一週的靠港時間，將雷達完成組裝、測試後，再用吊臂將雷達與實驗室放在前甲板上。

林博雄表示，海上雷達運轉不只要需要克服船上的強烈風速及搖晃，而快速從零搭建、組裝雷達也是門學問。

目前為止，自 2018 年啟用至今，只有三艘船使用過這顆氣象雷達，莎莉萊德號便是其中一艘。

這種雷達是最新型的雷達設施，能藉由發射水平和垂直兩方向的電磁波，再依據都卜勒效應回推水平、垂直方向的回波，就可推測雷達周遭的雨滴型態、降雨機率和降雨量^{1, 2}。它能在每十分鐘完成一次雨量觀測、雲滴分析，經過資料處理後，就能繪製即時雨圖。

而且波段是 C-band，觀測距離能延伸至 200 公里，解析度為 100 公尺，相當於每 100 公尺有一個雨量站。

一般來說，氣象雷達常見的波段有 10公分（S-band）、5公分（C-band），3公分（X-band）。S-band 波長最長，發射距離最遠，可達 400 公里，但雷達半徑最大、耗電大、建置成本高，是氣象局使用的觀測雷達；相反的 C-band 的波長較短，解析度高，可檢視更小的雲滴，但信號容易衰減，適合小地方的觀測，加上零組件較小，機動性更強。

「大足球」的秘密任務：研究海上氣團 BSISO

大家可能會好奇：為何要特地在台灣將氣象雷達搬上船呢？這跟 Sally Ride 的任務有關。

莎莉萊德號離開臺灣基隆後，將至帛琉海域進行為期 25 天的海上研究，執行美國、菲律賓和臺灣合作的「季內熱帶震盪的傳播觀測計畫」（Propagation of Intraseasonal Tropical Oscillations，PISTON）。PISTON主要研究目的為瞭解「北半球夏季熱帶季內震盪現象」( Boreal summer intraseasonal oscillation,BSISO）原因。

BSISO 聽起來好像很複雜，但一點也不難喔！簡言之，你可以想像大氣就像一個盒子，裏頭有不同的勢力在互相影響，BSISO 就是其中一股勢力。

它是赤道周圍有一坨氣團，裡頭有對流區旺盛和無對流兩區，這坨氣團以每 30-60 天為一個週期，由印度洋東側自西向東至太平洋中央移動，此氣候現象現象類似於馬登－朱利安振盪（Madden Julian Oscillation, MJO）³。由於準確度、現象描述的差異，MJO 指數通常適用於北半球冬季觀測，BSISO 指數則適用於夏季。

當 BSISO 對流區掃過的地方，就會帶來豐沛的降雨。過往研究指出， BSISO 主要對流區從菲律賓海向西北移至台灣附近時，會使西南風更強，臺灣降雨量更大。BSISO 也會影響颱風、陸上高溫的變化，氣象局科技中心在2015年也加入 APCC（亞太經濟合作會議氣候中心）的 BSISO預報實驗。^{4, 5}

目前科學家未完全掌握 BSISO 的成因，而 PISTON 任務便是透過海氣交互現象相關參數的觀測，釐清水和空氣在海洋與大氣層之間交換的過程，如何影響 BSISO 的發展與移位，這對於東南亞國家、臺灣預報颱風生成和降雨皆有助益。

氣象歸氣象，海洋歸海洋？不行！海氣會有交互現象

PISTON 研究團隊結合了海洋物理、大氣專家進行研究。大氣組會利用雷達（SEA-POL、W-band 雷達）、氣象塔，以及定點施放探空氣球，來蒐集數據，跑數值模型進行分析；海洋組則會利用「紊流儀」，分析海表水溫、海洋上層流速、紊流、水文剖面等觀測。

這裡出現了一個關鍵字「紊流」，紊流指的是亂流，例如水碰到障礙物時，水中產生擾動或漣漪就是紊流。好der，那紊流與海氣現象又有什麼關係呢？為什麼研究氣候現象要特別觀測紊流呢？

試想我們在靜止的水面上加熱，熱其實是很難傳到底層的，但如果拿根棒子在水上攪動，熱就傳下去了。臺大海洋研究所副教授張明輝表示，紊流就像攪拌棒，能將太陽的熱從海表面傳下去，一定要有紊流，海洋和大氣的交互現象才會進行，上層的熱下去，底層的冷水上來，造成海水溫度變化及風向改變。著名的聖嬰現象，就是東太平洋水溫上升，使得赤道東風減弱，導致太平洋東岸出現乾旱。

張明輝解釋，海溫跟風向會不斷箝制，風帶起海底層的冷水，但冷水又讓上方空氣冷，會使大氣對流變得薄弱，風就又變小了，此時底層海水又上不來了，這是個複雜的交互作用，也是 PISTON 研究需要湊合大氣和海洋物理專家的原因。

PISTON 量測紊流的儀器有兩種，都是研究團隊自行開發的，一是像洗衣板型的儀器「Surfotter」，上面會掛溫度計，以及測海水導電度的溫鹽探儀，主要是掛放在距離船 200 公尺處，測量近海表層紊流所造成的現象；二是像掃帚的長型紊流儀「Chameleon」， 設計成掃帚是為了讓紊流儀可以垂直、慢慢下降至海底觀測區，主要是測量海洋混合層（200公尺）以下的紊流現象。

張明輝表示，垂直觀測紊流是因為海水過了混合層後就急遽降溫，因此深水區的紊流擾動就會影響海表層溫度變化。他笑著表示，長型紊流儀探測也十分有趣，就像是把一根竿子直直投進海中，看它被紊流干擾、轉動的狀況，即量測紊流造成的「動能消散率」。

不過，用 Chameleon 這隻「掃帚型」的儀器做研究可不簡單。美國研究人員表示，無論風吹日曬雨淋，24小時都必須有人輪班站在甲板上，把 Chameleon 慢慢放置海底 200-300 公尺處，然後再慢慢拉回來，整個航程會累積數千筆的資料。

此次，臺大海研所也有兩位研究人員登船 25 天，協助這個任務。臺大貴重儀器中心技術員謝欣崧表示，投放 Chameleon 必須垂直入水，儀器下水後兩人一組，一人在電腦前監控數據、存擋資料，另一人則在外面聽從裡面指示操作絞機，將 Chameleon 回收，但要控制收攬的速度，避免儀器抓不到數據，整個過程下放和回收的過程約 8-10 分鐘，一小時做六組，然後換班。

「大太陽底下工作很熱！外面一站就是滿頭汗。」謝欣崧開玩笑地說，在甲板工作時，電腦室的人會用耳機跟外頭夥伴聊天，避免施放儀器恍神，掉到海裡。

臺大海研所也與 PISTON 計畫合作，在去年及今年將美國奧勒岡州立大學 Jim Moum 教授的紊流儀掛放在 NTU3 海氣象觀測浮標上，此浮標位於臺灣東南方海域，位在東經 125 度、北緯 21 度的錨碇站位上。去年 PISTON 計畫是由美國華盛頓大學研究船 Thompson 靠港，那時海研所也有八位研究人員上船協助。

臺大海研所楊穎堅副教授表示，早在 1980 年臺大海研所與美國有許多研究的交流，這段期間建立了深厚的友誼，讓美方這次相當樂意來台補給、交流，台灣這邊當然也把握機會開開眼界啦。

對海研船設計的啟發

參訪完畢後，研究人員與新海研船的造船師皆對船上的研究設備配置、空間安排表示讚賞。

「我們真的很羨慕這艘船！」林博雄教授表示，以往海研船為了海洋研究都著重後甲板的設計，但忽視氣象觀測的前甲板需求，例如：莎莉萊德號設計一根快兩層樓高的在氣象塔在船頭，且這根氣象塔可以傾倒更換儀器，儘管可能會影響前面開船的視線，但可透過攝影機彌補阻礙。

「莎莉萊德號為了研究需求而設計的，但現行台灣的海研船比較像是研究人員去適應船上的空間，想辦法把儀器放上去。」臺大貴重儀器中心技術員謝欣崧則表示，莎莉萊德號上很多東西都可以拆裝，連圍住甲板的圍欄都可拆，這對於採集海底岩心等需大空間的研究作業相當方便，但這對造船廠一般的認知會認為這樣設計很危險。

執行「新海研船」建造的台灣國際造船（台船）施經理則表示，莎莉萊德號甲板留很多放置移動式儀器的空間與固定儀器的卡榫，雖然新海研船也有，但就沒那麼多，這是他們未來可以學習的。

看了美國大洋級的海研船，大家是否也開始期待預計將於今（2019）年底明年初開工的 MIT 的三艘「新海研1、2、3號」呢？記者也想跟著出航 25 天啊～這樣就沒人找得到我啦～

參考資料

1. 科技大觀園，電磁波知多少：氣象雷達
2. 中央氣象局，聽見雨的聲音—雷達
3. Intraseasonal rainfall variability in North Sumatra and its relationship with Boreal Summer Intraseasonal Oscillation (BSISO)
4. 臺灣師範大學地理學系洪致文教授 出國報告書：  Intraseasonal Oscillation and the Taiwan Climate
5. 中央氣象局科技研究中心盧孟明、李思瑩：APCC BSISO 預報計畫與氣象局的參與

• 本文轉載自科技大觀園，原文為《船模實驗在做什麼？船隻設計的眉眉角角》
• 作者 / 科技大觀園特約編輯｜吳謹安

臺灣近年推動自主國防，時常可以看到國艦國造的相關新聞，但你有沒有想過：所費不貲動輒數億的造船經費，要如何知道實船完工是真的功能完整的呢？國立成功大學系統及船舶機電工程學系副教授陳政宏指出，為了驗證船隻模型性能，研究者們設計了各種船模實驗，廣泛用於建造實船之前評估目前船隻設計方案的性能是否符合期望，或是存有潛在流體動力學上的問題。

釐清速度與阻力之間的關係：裸船阻力實驗、單獨螺槳實驗與自航實驗

船模實驗中研究者將縮小船模置於其中實驗水槽進行各種操作，並推估放大後的性能狀態。其中，裸船阻力實驗便用來釐清直線航行時，船隻速度與阻力之間的關聯，進而評估推進器設計、馬力與船體如何搭配恰當。然而，螺槳產生推進力的效能同時會受到其本身性能與船殼造成的流場交互影響。

陳政宏教授解釋，為了拆解可能的混淆變項，因此又衍伸了兩種實驗：螺槳單獨性能實驗、自推實驗。螺槳單獨性能實驗中，螺槳會被放置在一個均勻、流速固定的流體中檢視它的推力大小，以及是否有性能問題。例如螺槳最怕遇到的空蝕 (Cavitation) 問題，當螺槳透過推動水流取得前進的推力時，根據白努利定律，流體速度提高、壓力下降便可能使水氣化，進而出現小氣泡改變整體流場狀態影響實驗結果，甚至氣泡破裂時產生微小的力量也會逐漸侵蝕葉片表面。如何設計出能產生強大推力，但最小化空蝕現象的螺槳，便要依靠螺槳單獨性能實驗。

自航實驗則用來處理螺槳與船殼的搭配問題，裸船阻力實驗中，船首在拖航水槽中由儀器拖動加速，而實際船隻運行時螺槳從後方推動船殼，兩者間產生的流場不同。不同船殼設計也會造成進入螺槳的水流不同，使得實際阻力可能不同。此時便需要透過自推實驗取得螺槳與船殼交互作用後的綜合性、修正後的性能結果。相反的，若缺少裸船阻力實驗與螺槳單獨性能實驗，當自推實驗不理想，研究者也難以分析是哪個部份出現問題。

了解船模製造的流場分布：艉跡流實驗

陳政宏教授也提及，前面提到不同船殼搭配同個螺槳可能產生截然不同的效果，源於不同船殼尾部產生的艉跡流流場不同。因此需要額外實驗以決定如何搭配、設計螺槳，甚至當船殼設計不佳，導致流場流速差異過大，也能夠考慮重新設計船殼或增加整流器。儘管整流器會增加些許阻力，但若能顯著提升螺槳效率反而有亡羊補牢的效果。

艉跡流實驗也帶出船隻研究的重大議題——電腦運算速度仍不夠快到能投入實用，因此船模實驗仍有存在的必要。目前電腦還無法直接、快速、精確地處理紊流的問題，超級電腦要花上千年才能算完一艘潛艇定速航行時的流場。然而即使使用紊流模型模擬流場以加快速度，也會面臨精確模擬的另一大挑戰是必須提供足夠多、詳細且精準的初始與邊界條件給電腦，才能確保模型模擬結果的準確性。實務上，通常是船模實驗與電腦模擬兩者並重，對船隻設計進行評估。

實船放大後仍會遇到許多變數－紊流與製造技術限制

即使通過船模實驗，真實比例的實船航行時仍會遇到預期外狀況。紊流便是其中之一，因為流體的黏滯力，行進時流體會在船體表面形成一層稱為邊界層的薄膜，邊界層前段為流動較規則的層流，中後段則是不穩定的紊流。船模與實船時前進時，紊流在流場中出現的相對位置不同。因此船模實驗可能會在船艏貼上砂紙或釘子作為激紊器，希望模擬放大為實船後會有相似的紊流邊界層特性。

此外，製造技術產生的公差放在船模與實船，也會導致不同尺度的影響。一公分的誤差對實船或許影響不大，但對船模而言可能改變流場甚鉅。所以船模也必須有一定尺寸並製作精密才能製造貼近實船的流場，如大型商船船模需要在 6 – 8 公尺最為恰當。

如何確定船模實驗結果可以類推到實船：幾何、運動學與動力學相似性

船模實驗為了確保結果有效性，不只要求船模符合幾何相似，還需要運動學與流體動力學相似性。幾何相似指的便是船模外型須與實船相似，運動學相似則是指流場形狀、流速與壓力分佈必須相似。最複雜的動力學相似，要求船模受到各種作用力間彼此的比例關係必須對應，如流場中流體黏滯力、移動產生的慣性力與波浪所形成的重力波。但由於實驗中上述三種作用力，兩兩間的比例關係無法同時滿足：

1. 若想固定慣性力與黏滯力間的比例，「船速度 × 船長」必須為一常數。
2. 若想固定慣性力與重力之間的比例，則是「船速度 ÷ √船長」 必須為一常數。

由上面的公式可以知道，船模較實船尺寸縮小，因此若想讓 1. 比例維持一致，則船隻速度要增加。但同時想要固定 2. 的比例，則要求船隻速度縮小，兩者是相互矛盾的。因此陳政宏教授也提到實務上，通常會犧牲慣性力與黏滯力的比例，因為通常紊流流場中慣性力對黏滯力的比例夠高。此時在紊流完全發展下，慣性力對黏滯力的比例差異造成的影響差異較小。

讓船隻前進更有效率：減少阻力的方法

根據造成阻力的原因，研究者們發展了各種方式降低船隻行進中受到的阻力。船隻在流體中前進主要會受到三種類型的阻力影響：

第一種是最直觀的表面摩擦力，可以透過使用光滑材質設計船體，或是疏水性或親水性鍍膜、塗料減少摩擦力。但儘管鍍膜與塗料在實驗中取得很好的成效，實務上仍有諸多挑戰，例如：實船長期航行塗料脫落重新上塗料成本巨大、塗料是否環保，如海洋生物附著在船體也會增加表面摩擦力等原因，都是降阻方案投入實務領域面臨的挑戰。

第二種阻力為船隻行進時造成的波浪，透過船殼形狀設計可以減少行進時製造的波浪，例如斧艏與劍艏利於破浪；或是流行近百年的球形艏，在船艏水面下的部分設計突出的鈍形構造，能在水面下先製造一個波浪與船艏製造的波浪抵銷。此外，整體船型在細尖的船艏、寬敞的肩部與舯段、船艉之間，不能太快變寬或收攏，才能減少造浪。

最後一種為黏性壓差阻力，源於垂直於船體表面的壓力。船體左右對稱左右合力抵銷，但船艏由於船體向前進壓力較大，船艉由於原本貼於表面邊界層中的流體因為速度下降剝離，形成紊流區，使壓力降低。這使得整體壓力的合力向後，形成阻力，需要透過流線型船殼與較佳的船艉設計解決。

為實際航行提供指引：耐海與運動操縱性能實驗

陳政宏教授也補充，前面提到的實驗都還只是在靜止水域觀察船模性能，但實際航行時海象變化莫測，還需要評估船體在有浪環境的性能表現，才能確保安全。此時會先使用造波機製造固定波高與波長的規則波浪，觀察船模在規則波浪中前進受到的阻力，以及在空間中六個自由度(前後、左右、上下、俯仰、橫搖與平擺)上的運動。進一步也會參考實際海浪觀測資料中各種波長的機率分布，模擬做出不規則波浪，同時檢視各角度海浪拍打下船模的運動狀態。另外也會做迴旋、之字形航行……等各類操縱，完整了解運動性能。這些數據日後都能提供給船東或船長參考，判斷當船遇到各程度的海浪時，船隻速度下降、耗油增加程度，或是在何種海況下船隻應該停航以確保安全。

不只要夠大，還要夠安靜的水域：潛航器自航實驗

相較於水面上航行的船隻，潛航器自航測試類似無人船的概念，將模型放置在夠大的水體後，依靠裝置於潛航器上量測設備，記錄其航行姿勢、尾舵方向與力道、航行軌跡。因為需要在夠大的水體中進行，英國便是在人工興建的水庫中進行測試，也較容易控制環境變數。而基於軍事需求潛艇也強調匿蹤、安靜性能。因此挑選的水域不能夠太過吵雜，周邊有過多的遊憩設施、碼頭的噪音都可能干擾實驗結果。也因為要考慮聲學目的，對水域大小需求又會比一般自航實驗更大。以美國為例，則是找到位於愛達荷州由天然冰川侵蝕形成的湖泊 Lake Pend Oreille，狹長數十公里，且周邊只有少數聚落，成為進行潛艇實驗的理想場地。

整體而言，設計船隻時要解決的流體力學問題，主要有阻力與流場中的紊流。陳政宏教授最後提到，實務上同時需要船模實驗與電腦模擬數據相輔相成，從裸船殼到螺槳整合；從靜止水域到動態水域航行測試，經過一系列船模實驗評估，最終才能確保實船可以兼具性能與安全的揚帆啟航。

參考文獻

• 國艦國造需要怎樣的國家級船模實驗室？（二）船模實驗室種類與現況
• 國艦國造需要怎樣的國家級船模實驗室？（一）流體動力學問題
• 國艦國造需要怎樣的國家級船模實驗室？（三）未來船模實驗室的發展建議
• 海洋議題融入與船模製作課程，國立臺灣科學教育館
• 拖航水槽主要船模試驗項目之技術改善與比較分析
• 利用流體中的隱形殺手–翼尖渦及翼尖帆