Adjoint-based shape optimization of a ship hull using a Conditional Variational Autoencoder (CVAE) assisted propulsion surrogate model

Diese Arbeit stellt einen maschinellen Lern-basierten Optimierungsrahmen vor, der einen auf Conditional Variational Autoencodern (CVAE) beruhenden Ersatzmodellansatz für Voith-Schneider-Antriebe nutzt, um die rechenintensive adjungierte Formoptimierung von Schiffsrümpfen zu ermöglichen und so Widerstandsreduktionen von über 8 % zu erzielen.

Das Wesentliche

Das große Problem: Der Schiffs-Optimierungs-Kochtopf

Stellen Sie sich vor, Sie sind ein Schiffsbauer. Ihr Ziel ist es, ein Schiff zu bauen, das so wenig Wasser wie möglich „zerstört" (Widerstand), damit es weniger Treibstoff verbraucht und die Umwelt schont.

Normalerweise nutzen Ingenieure einen sehr cleveren mathematischen Trick (die sogenannte „adjungierte Methode"), um die Form des Schiffsrumpfes millimetergenau zu optimieren. Das ist wie ein hochintelligenter Koch, der ständig den Geschmack eines Gerichts probiert und sofort weiß: „Ein bisschen mehr Salz hier, weniger Pfeffer dort", um es perfekt zu machen.

Aber hier liegt das Problem:
Dieses Schiff hat einen ganz speziellen Motor: einen Voith-Schneider-Antrieb (VSP). Das ist kein normaler Propeller, der sich wie ein Ventilator dreht. Es ist eher wie ein komplexes Ballett aus rotierenden und gleichzeitig neigenden Flügeln, die Wasser in alle Richtungen drücken können.

Wenn man diesen Motor in die Simulation einbaut, wird der „Koch" wahnsinnig:

1. Zeit ist Geld: Der Motor bewegt sich so schnell und chaotisch, dass man für eine Simulation Tausende von kleinen Zeitschritten braucht.
2. Speicherplatz: Um den mathematischen Trick anzuwenden, müsste der Computer den gesamten Verlauf der Wasserströmung über die ganze Zeit speichern. Das ist wie ein Film, den man rückwärts abspielen muss, um zu wissen, wie er begann. Bei so vielen Daten (Millionen von Gitterpunkten) bricht der Computer vor lauter Speicherbedarf zusammen oder braucht Jahre für eine Berechnung.

Die Lösung: Der „KI-Trick" (Der CVAE)

Die Autoren dieser Studie haben sich etwas Cleveres einfallen lassen: Sie bauen einen KI-Assistenten in den Prozess ein.

Stellen Sie sich vor, statt den ganzen chaotischen Tanz des Propellers in Echtzeit zu simulieren, schauen Sie sich einen zusammengefassten Film davon an.

• Der Lehrer (CFD-Simulation): Zuerst lassen die Forscher den echten, komplizierten Propeller in einer Simulation tanzen. Sie schauen sich an, wie das Wasser im Durchschnitt (über eine ganze Umdrehung) fließt.
• Der Schüler (Die KI / CVAE): Diese Daten werden einer künstlichen Intelligenz, einem sogenannten Conditional Variational Autoencoder (CVAE), beigebracht.
  • Die Analogie: Stellen Sie sich den CVAE wie einen genialen Maler vor. Er hat Tausende von Bildern gesehen, wie Wasser um verschiedene Schiffshinterteile und den Propeller strömt. Wenn Sie ihm nun sagen: „Zeig mir, wie das Wasser fließt, wenn das Schiff 7 km/h fährt und der Heckbereich so geformt ist...", malt er Ihnen sofort das Bild (das Strömungsfeld) neu, ohne den echten Propeller zu simulieren.

Das Besondere an diesem Maler ist, dass er nicht nur Bilder malt, sondern versteht, wie sich Änderungen in der Schiffsform (z. B. ein steilerer Heckbereich) auf den Wasserfluss auswirken.

Wie funktioniert die Optimierung jetzt?

Anstatt den echten, schweren Propeller in jede neue Schiffssimulation zu bauen, nutzen die Ingenieure den KI-Maler:

1. Der Ersatz: Der Computer baut das Schiff neu. An der Stelle, wo der Propeller wäre, gibt es kein echtes Rad mehr. Stattdessen „spricht" die KI dem Computer zu: „Hier fließt das Wasser so und so."
2. Der unsichtbare Schub: Die KI gibt dem Computer eine Art „unsichtbaren Schub" (eine mathematische Kraft), der das Wasser so bewegt, als wäre der Propeller da.
3. Der Test: Der Computer optimiert nun die Schiffshülle. Er probiert tausende Formen aus, nutzt aber nur den schnellen KI-Ersatz für den Propeller.

Das überraschende Ergebnis: Warum man den Motor nicht ignorieren darf

Hier kommt der wichtigste Teil der Geschichte, der wie eine Warnung klingt:

Die Forscher haben zwei Szenarien getestet:

1. Szenario A (Ohne Motor): Sie optimieren das Schiff, als gäbe es gar keinen Propeller.

   • Das Ergebnis: Der Computer sagt: „Super! Widerstand um 2 % gesenkt!"
   • Die Realität: Als sie das optimierte Schiff dann wirklich mit dem echten Motor testeten, war es schlechter als das alte Schiff! Der Widerstand stieg sogar um ca. 3 %.
   • Die Metapher: Es ist, als würden Sie ein Auto optimieren, indem Sie den Motor herausnehmen. Sie bauen einen super aerodynamischen Kofferraum, aber sobald Sie den Motor wieder einbauen, passt die Luftströmung nicht mehr, und das Auto wird langsamer.

2. Szenario B (Mit KI-Motor): Sie optimieren das Schiff unter Berücksichtigung des KI-Propellers.

   • Das Ergebnis: Das Schiff wurde um über 8 % effizienter.
   • Der Beweis: Als sie dieses Schiff dann mit einem echten, hochkomplexen Propeller-Test überprüften, bestätigte sich die Verbesserung.

Fazit in einem Satz

Die Studie zeigt, dass man beim Schiffsdesign den Motor nicht ignorieren darf, weil er die Form des Schiffes beeinflusst. Aber weil man den echten Motor nicht jedes Mal neu berechnen kann, hilft eine KI, die den Motor „im Kopf" hat, um schnell und genau die perfekte Schiffshülle zu finden.

Kurz gesagt: Ohne KI wäre die Berechnung zu langsam. Ohne Berücksichtigung des Motors wäre das Ergebnis falsch. Mit der KI-Trick-Lösung haben die Forscher das perfekte Schiff gefunden, das weniger Treibstoff verbraucht.

Technische Zusammenfassung

Technische Zusammenfassung: Adjungierte Formoptimierung eines Schiffsrumpfs mittels eines CVAE-gestützten Antriebs-Surrogatmodells

1. Problemstellung

Die adjungierte Formoptimierung (Adjoint-based Shape Optimization) ist ein leistungsfähiges Werkzeug zur Minimierung des Schiffswiderstands in der Schiffsarchitektur. Allerdings stößt diese Methode bei Schiffen mit komplexen Antriebssystemen, wie dem Voith-Schneider-Antrieb (VSP), an ihre Grenzen.

• Herausforderungen: Der VSP erzeugt durch seine zyklische Blattbewegung ein instationäres, räumlich komplexes Strömungsfeld mit starken Wirbelablösungen und Druckfluktuationen.
• Rechenkosten: Eine direkte numerische Auflösung des rotierenden Propellers in einer adjungierten Optimierung erfordert instationäre Simulationen über lange Zeiträume. Dies führt zu enormen Anforderungen an den Speicherbedarf (für die Rückwärtsintegration der primalen Lösung) und die Rechenleistung, was den industriellen Einsatz oft unmöglich macht.
• Fehlerquellen bei Vereinfachungen: Herkömmliche Vereinfachungen wie Actuator-Disc-Modelle oder die Vernachlässigung des Propellers führen oft zu suboptimalen oder sogar schlechteren Rumpfformen, da die Wechselwirkung zwischen Propeller und Rumpf (Propeller-Rumpf-Interaktion) ignoriert wird.

2. Methodik

Die Autoren schlagen einen hybriden Ansatz vor, der ein maschinelles Lernen (ML) mit einer physikbasierten CFD-Simulation und einer adjungierten Optimierung kombiniert.

• Surrogatmodell (CVAE):

  • Es wird ein Conditional Variational Autoencoder (CVAE) entwickelt, um das zeitgemittelte Strömungsfeld des VSP zu approximieren.
  • Architektur: Das Modell besteht aus Encoder und Decoder mit Convolutional Neural Networks (CNN), Residual-Blöcken und Self-Attention-Mechanismen, um nicht-lokale Strömungsphänomene (wie Wirbelablösung) präzise zu erfassen.
  • Bedingung (Conditioning): Das Modell wird durch 11 Parameter gesteuert: 10 geometrische Parameter (z. B. Heckwinkel, "Headbox"-Abmessungen) und 1 Betriebsparameter (Fahrgeschwindigkeit).
  • Ziel: Das Modell lernt die Beziehung zwischen den Parametern und dem dreidimensionalen Geschwindigkeitsfeld im Bereich des Propellers, ohne den Propeller geometrisch aufzulösen.

• Integration in die CFD (Meta-Grid & Forcing):

  • Ein strukturiertes Meta-Grid (zylindrischer Bereich um den Propeller) wird definiert, auf das die CFD-Daten während des Trainings projiziert werden.
  • Während der Optimierung wird das ML-Modell nicht direkt gelöst, sondern die vorhergesagten Geschwindigkeiten werden als Quellterme (Solution Forcing) in die diskretisierten Impulsgleichungen der CFD-Simulation eingefügt.
  • Dies geschieht implizit, um die Kopplung mit dem Druckfeld zu gewährleisten und die Notwendigkeit strikt divergenzfreier ML-Felder zu umgehen (da zeitgemittelte Propellerströmungen physikalisch nicht streng divergenzfrei sind).

• Optimierungsprozess:

  • Ein CAD-freier, adjungierter Optimierer wird verwendet, um den Rumpfwiderstand zu minimieren.
  • Die Sensitivitäten werden basierend auf den primalen und adjungierten Gleichungen berechnet.
  • Das Surrogatmodell wird einmalig vor der Optimierung initialisiert (die Geometrie-Parameter werden im Optimierungsloop nicht dynamisch aktualisiert, was eine Limitierung darstellt).

3. Wichtige Beiträge

• Entwicklung eines parametrischen CVAE-Surrogats: Erstmals wird ein CVAE mit Self-Attention und Residual-Blöcken erfolgreich eingesetzt, um das komplexe, zeitgemittelte Strömungsfeld eines Voith-Schneider-Antriebs in Abhängigkeit von Geometrie und Geschwindigkeit zu modellieren.
• Kopplung von ML und Adjoint-Optimierung: Demonstration einer robusten Methode, ML-basierte Geschwindigkeitsfelder in physikalische CFD-Löser zu integrieren, um die teure Auflösung des Propellers in der Optimierung zu ersetzen.
• Nachweis der Notwendigkeit der Propeller-Berücksichtigung: Der Vergleich zeigt, dass Optimierungen ohne Propellermodellierung zu schlechteren Ergebnissen führen können.

4. Ergebnisse

• Validierung des Surrogatmodells: Das CVAE zeigt eine hohe Genauigkeit bei der Rekonstruktion des Strömungsfeldes. Der maximale relative Fehler liegt bei ca. 1–2 % der Schiffsgeschwindigkeit, mit lokalen Maxima von ca. 10 % in Bereichen starker Gradienten.
• Optimierungsergebnisse:
  • Fall "Ohne Propeller" (NP): Eine Optimierung, die den Propeller ignoriert, sagte eine Widerstandsreduktion von ca. 2 % voraus. In einer nachfolgenden Validierung mit einem aufgelösten Propeller (High-Fidelity CFD) zeigte sich jedoch eine Zunahme des Widerstands um ca. 2,3 % gegenüber dem Ausgangszustand.
  • Fall "Mit Surrogat-Propeller" (SP): Die Optimierung unter Berücksichtigung des ML-Modells führte zu einer vorhergesagten Widerstandsreduktion von ca. 8,2 %. Die Validierung mit dem aufgelösten Propeller bestätigte eine Reduktion von 9,29 %.
• Geometrische Änderungen: Die SP-Optimierung führte zu einer "tunnelartigen" Form hinter der Headbox, die den Übergang der Strömung zum Heck optimiert, was bei der NP-Optimierung fehlte.

5. Bedeutung und Fazit

Die Studie belegt, dass die Vernachlässigung des Antriebssystems in der adjungierten Formoptimierung von Schiffen mit komplexen Propellern (wie dem VSP) zu kontraproduktiven Designs führen kann. Der vorgeschlagene ML-gestützte Rahmen ermöglicht es, die Propeller-Rumpf-Interaktion effizient und genau zu berücksichtigen, ohne den enormen Rechenaufwand für instationäre adjungierte Simulationen mit aufgelöstem Propeller.

• Effizienz: Das Verfahren reduziert den Rechenaufwand drastisch, während die Genauigkeit erhalten bleibt.
• Industrielle Relevanz: Die Methode bietet einen Weg, komplexe Antriebssysteme in den frühen Entwurfsphasen zu optimieren, was für die Reduzierung von Treibstoffverbrauch und Emissionen von großer Bedeutung ist.
• Ausblick: Als Limitierung wird genannt, dass das Surrogatmodell während der Optimierung statisch bleibt ("frozen"). Zukünftige Arbeiten zielen darauf ab, das Modell dynamisch an jede neue Geometrie anzupassen und auf Zwei-Phasen-Strömungen (Freie Oberfläche) sowie selbstfahrende Schiffe zu erweitern.