Reduced-Order Hydrodynamic Modelling of a Sphere Near a Wall Using Sparse Regression and Neural Operators

Diese Arbeit stellt einen interpretierbaren, parametrischen Surrogatmodellansatz vor, der Sparse Regression (SINDy) und neuronale Operatoren kombiniert, um die Echtzeit-Hydrodynamik einer hebbenden Kugel in Wandnähe auf Basis von CFD-Daten effizient und physikalisch fundiert vorherzusagen.

Das Wesentliche

Das große Problem: Der "Teuer-Computer" und das schnelle Boot

Stellen Sie sich vor, Sie wollen ein kleines, schnelles Boot (ein USV) von einem riesigen Mutterschiff aus ins Wasser lassen und später wieder einfangen. Das ist wie ein akrobatischer Tanz auf einem schwankenden Brett im Sturm. Wenn das kleine Boot zu nah am großen Schiff ist, entstehen wilde Wellen und komplexe Wasserbewegungen.

Um zu wissen, wie sich das Boot in dieser Situation verhält, nutzen Ingenieure normalerweise CFD-Simulationen (Computergestützte Strömungsmechanik).

• Die Analogie: Stellen Sie sich CFD wie einen extrem detaillierten, hochauflösenden Film vor, den man in Zeitlupe dreht, um jede einzelne Wassertröpfchen-Bewegung zu sehen.
• Das Problem: Dieser "Film" ist so rechenintensiv, dass er Stunden oder sogar Tage dauert. Wenn Sie aber in Echtzeit entscheiden müssen, ob das Boot sicher eingefangen werden kann, haben Sie keine Zeit, auf den Film zu warten. Es ist, als würden Sie versuchen, ein Auto zu steuern, indem Sie erst eine Stunde lang das Wetter analysieren, bevor Sie das Lenkrad drehen.

Die Lösung: Ein "Klugscheißer"-Modell (Der Surrogat)

Die Forscher haben eine clevere Abkürzung gefunden. Sie wollen kein langsames, detailliertes Video, sondern einen schnellen, klugen Schätzer (ein sogenanntes "Surrogat-Modell").

Das Ziel war: Ein Modell, das so schnell ist wie ein Taschenrechner, aber so genau wie der teure Computer.

Wie haben sie das gemacht? Drei Schritte

1. Der Datensammler (CFD)

Zuerst haben sie den "teuren Computer" laufen lassen. Sie haben eine Kugel (die das Boot repräsentiert) in verschiedenen Abständen zu einer Wand (dem Mutterschiff) fallen lassen und simuliert, wie sie im Wasser auf- und abbewegt. Das war ihre "Bibliothek" an Beispielen.

2. Der Detektiv (SINDy)

Jetzt kamen die Forscher ins Spiel. Sie schauten sich die langen, komplizierten Daten der Simulationen an und sagten: "Okay, das ist zu viel Rauschen. Was ist die eigentliche, einfache Regel dahinter?"

Sie benutzten eine Methode namens SINDy (Sparse Identification of Nonlinear Dynamics).

• Die Analogie: Stellen Sie sich vor, Sie hören ein komplexes Musikstück. Ein normaler Zuhörer hört nur "Lärm". Ein Musiktheoretiker (SINDy) hört jedoch: "Aha, da ist eine Basslinie, eine Melodie und ein Schlagzeug." Er reduziert das ganze Orchester auf die wenigen wichtigsten Noten, die das Lied ausmachen.
• Das Ergebnis: Sie fanden heraus, dass die Bewegung der Kugel durch eine einfache mathematische Gleichung beschrieben werden kann, die nur ein paar Terme hat:
  • Wie stark das Wasser die Kugel zurückdrückt (wie eine Feder).
  • Wie sehr das Wasser die Kugel bremst (wie Reibung).
  • Wie die Wellen die Kugel antreiben.

3. Der Übersetzer (Neural Operator)

Jetzt hatten sie für jeden einzelnen Fall (z. B. "Kugel 5 Meter von der Wand entfernt") eine eigene kleine Gleichung. Aber sie wollten eine einzelne Gleichung, die für alle Abstände funktioniert.

Hier kam das Neural Operator Network (ONet) ins Spiel.

• Die Analogie: Stellen Sie sich vor, Sie haben 100 verschiedene Rezepte für Suppe (eines für jeden Abstand zur Wand). Das Neural Network ist wie ein genialer Koch, der alle diese Rezepte schmeckt und dann eine Master-Formel erfindet. Diese Master-Formel sagt ihm: "Wenn du 3 Meter entfernt bist, nimm mehr Salz; wenn du 10 Meter entfernt bist, nimm weniger Pfeffer."
• Der Koch lernt nicht einfach auswendig, sondern versteht das Muster dahinter. Er kann dann Suppe für Abstände kochen, die er noch nie probiert hat (Interpolation).

Das Endergebnis: Echtzeit-Entscheidungen

Am Ende haben sie ein Modell, das:

1. Schnell ist: Es berechnet die Bewegung in Millisekunden (Echtzeit).
2. Verständlich ist: Man kann genau sehen, welche Kräfte wirken (wie eine Feder, wie eine Bremse). Es ist kein "Black Box"-Modell, bei dem niemand weiß, warum es so entscheidet.
3. Genau ist: Es ist fast so gut wie der teure Computer, aber millionenfach schneller.

Warum ist das wichtig?

Für die Marine bedeutet das: Wenn ein kleines Boot in stürmischer See nahe am Mutterschiff operiert, kann das System in Echtzeit berechnen, ob es sicher ist, das Boot zu bergen, oder ob es gegen das Schiff knallen wird. Statt Stunden zu warten, erhält man sofort eine Antwort.

Zusammenfassend: Die Forscher haben den "teuren, langsamen Film" in eine "schnelle, verständliche Anleitung" verwandelt, die von einem KI-Koch gelernt wurde, der die Gesetze der Physik versteht. Das ermöglicht sicherere und schnellere Operationen auf hoher See.

Technische Zusammenfassung

Titel: Reduzierte Ordnungs-Hydrodynamische Modellierung einer Kugel nahe einer Wand unter Verwendung von Sparse Regression und Neural Operators

Autoren: Z. Hoffman et al. (RMIT University, Navantia Australia, DSTG)
Veranstaltung: 36. Symposium für Navale Hydrodynamik, Busan, Korea, Juni 2026

---

1. Problemstellung und Motivation

Der Start und die Bergung (Launch-and-Recovery, LARS) kleiner unbemannter Oberflächenfahrzeuge (USVs) von größeren Mutter-Schiffen stellen eine der kritischsten und schwierigsten Phasen in zukünftigen Marineoperationen dar. In diesem Szenario operiert das USV in unmittelbarer Nähe zu einem großen Schiff, oft bei steilen und irregulären Wellen.

• Herausforderung: Herkömmliche lineare Methoden (z. B. Streifen-Theorie) versagen bei großen Amplituden, steilen Wellen und komplexen Geometrien, da sie nicht-lineare Effekte wie Wellen-Wasser-Wechselwirkungen, nicht-lineare hydrostatische Rückstellkräfte und komplexe Strahlungsdämpfung nicht erfassen.
• CFD-Limitierung: Hochpräzise Computational Fluid Dynamics (CFD)-Simulationen können diese nicht-linearen Phänomene zwar abbilden, sind jedoch für den Echtzeit-Einsatz (z. B. zur Trajektorienplanung in Echtzeit) zu rechenintensiv (ein einzelner Lauf kann $10^2$ bis $10^3$ CPU-Stunden benötigen).
• Ziel: Entwicklung eines interpretierbaren, parametrischen Surrogatmodells, das die Genauigkeit von CFD-Simulationen bei Bruchteilen der Rechenzeit liefert und physikalische Mechanismen explizit abbildet.

2. Methodik

Die vorgeschlagene Methodik kombiniert hochauflösende CFD-Simulationen, Sparse Regression (SINDy) und neuronale Operatoren (ONet) in einem hybriden Ansatz.

A. Datengenerierung (High-Fidelity CFD)

• Szenario: Eine vereinfachte 1-Freiheitsgrad (1-DoF) Heave-Bewegung einer Kugel nahe einer vertikalen Wand (repräsentativ für das Mutter-Schiff).
• Simulation: Verwendung von Ansys Fluent 2025R1 mit Navier-Stokes-Gleichungen, VOF-Verfahren (Volume of Fluid) für die Phasengrenze und dem $k-\omega$ SST Turbulenzmodell.
• Parameterraum: Ein parametrischer Datensatz wurde über Wandabstände ($WD \in [9, 25]$ m) und Fallhöhen ($DH \in [0,5, 5]$ m) generiert. Die Fallhöhen bleiben unter dem Kugelradius, um Eintritteffekte zu vermeiden.

B. Sparse Identification of Nonlinear Dynamics (SINDy)

Anstatt die Dynamik direkt zu approximieren, wird für jeden CFD-Lauf ein reduziertes Ordnungsmodell (ODE) identifiziert:

• Ansatz: Die Dynamik wird als sparse lineare Kombination von Kandidatenfunktionen (Polynome für Hydrostatik/Dämpfung, Sinus/Kosinus für Wellenanregung) dargestellt.
• Gleichungsform:
  $$(M+A)\ddot{x} + C(x, \dot{x})\dot{x} + K(x)x = F_{exc}(t)$$
  wobei die Koeffizienten nicht konstant, sondern Funktionen des Zustands sind.
• Ergebnis: SINDy extrahiert für jeden $(WD, DH)$-Punkt einen Vektor von Koeffizienten $\Xi$, der die nicht-linearen hydrostatischen Kräfte (mit kubischen Termen) und die Strahlungsdämpfung sowie eine vereinfachte harmonische Anregung beschreibt.
• Erkenntnis: Die lineare Superposition von Anregungskraft und hydrostatischen Kräften versagt; die Anregungskraft ist nicht-linear mit der Körperbewegung gekoppelt.

C. SINDy-informierter Neuronaler Operator (ONet)

Da SINDy nur diskrete Punkte im Parameterraum liefert, wird ein neuronales Netz trainiert, um eine glatte Abbildung von den Eingangsparametern zu den ODE-Koeffizienten herzustellen:

• Architektur: Ein vollvernetztes Feed-Forward-Netzwerk (2 Eingänge: $WD, DH$; 1 versteckte Schicht mit 32 Neuronen; 8 Ausgänge für die Koeffizienten $\Xi$).
• Physik-Informiertes Training:
  • Das Netz lernt nicht die Trajektorien direkt, sondern die Koeffizienten des ODE.
  • Prior-Constraint: Die Ausgabe des Netzes wird durch die physikalisch plausiblen Bereiche der SINDy-Koeffizienten (Min/Max-Werte) skaliert, um unrealistische Lösungen zu verhindern.
  • Verlustfunktion: Der Loss wird nicht direkt auf den Koeffizienten berechnet, sondern durch numerische Integration (RK4) der vorhergesagten ODE und Vergleich der resultierenden Trajektorie mit den CFD-Daten. Dies umgeht das Problem der Nicht-Eindeutigkeit von ODE-Repräsentationen (verschiedene Koeffizienten können ähnliche Trajektorien erzeugen).

3. Wichtige Beiträge und Ergebnisse

• Hybride Modellierung: Erfolgreiche Kombination von interpretierbarer Sparse Regression (für physikalische Interpretierbarkeit) und Operator-Learning (für Generalisierung im Parameterraum).
• Genauigkeit:
  • Das SINDy-Modell erreicht eine untere Fehlergrenze von ca. $MSE \approx 5,1 \times 10^{-4}$.
  • Der neuronale Operator erreicht ein Trainings-MSE von $\approx 4,85 \times 10^{-4}$ und ein Test-MSE von $\approx 5,76 \times 10^{-4}$.
  • Das Modell reproduziert die CFD-Heave-Decay-Antworten mit nahezu optimaler Genauigkeit und läuft in Echtzeit.
• Physikalische Erkenntnisse:
  • Hydrostatik: Die nicht-linearen hydrostatischen Rückstellkräfte (kubische Abhängigkeit) werden analytisch und durch Regression exakt erfasst.
  • Anregungskraft: Die Wellenanregung durch Reflexion an der Wand ist komplex. Ein einfacher linearer Ansatz ($F_{exc} \propto \eta$) funktioniert nicht. SINDy kann jedoch die Phasenverzögerung korrekt vorhersagen (basierend auf der Wellenlaufzeit $2WD/c$), auch wenn die Amplitude schwer zu modellieren ist.
  • Interpolation vs. Extrapolation: Das Modell zeigt hohe Genauigkeit im Interpolationsbereich, während Extrapolationen (außerhalb des Trainingsbereichs) größere Fehler aufweisen, was typisch für datengetriebene Modelle ist.

4. Signifikanz und Ausblick

• Echtzeit-Fähigkeit: Das Modell ersetzt teure CFD-Läufe durch einen schnellen Surrogat-Algorithmus, der für Launch-and-Recovery-Operationen in Echtzeit eingesetzt werden kann.
• Interpretierbarkeit: Im Gegensatz zu "Black-Box"-Modellen (wie reinen LSTM-Netzen) liefert dieser Ansatz direkte Einblicke in die physikalischen Kräfte (Zusatzmasse, Dämpfung, Steifigkeit, Anregung).
• Robustheit: Durch die Einbettung physikalischer Constraints (SINDy-Priors) ist das Modell robuster als rein datengetriebene Ansätze.
• Zukünftige Arbeiten: Die Methode muss auf komplexere Rumpfformen, 6-DoF-Dynamiken und irreguläre Seegangszustände erweitert werden. Zudem könnte die Anregungskraft durch getrennte Modellierung von Froude-Krylov- und Strahlungskräften weiter verbessert werden.

Fazit: Die Studie demonstriert einen vielversprechenden Pfad zur Erstellung physikalisch fundierter, reduzierter Ordnungsmodelle für komplexe navale Hydrodynamik-Probleme, die sowohl rechen-effizient als auch physikalisch interpretierbar sind.