🔬 physics

ShipNet: A Geometric Deep Learning Surrogate for Real-Time Ship Hydrodynamics

ShipNet es un modelo sustituto de aprendizaje profundo geométrico que aprovecha las nubes de puntos del casco y la velocidad para predecir distribuciones de presión en campo cercano y patrones de ondas en campo lejano en aproximadamente 0.15 segundos, logrando una aceleración de 550x respecto a los resolvedores tradicionales de flujo potencial mientras mantiene una alta precisión (R² ≥ 0.91) para la exploración rápida del diseño de buques.

Autores originales: Kirsten Odendaal, George Drakoulas

Publicado 2026-06-16

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kirsten Odendaal, George Drakoulas

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un arquitecto intentando diseñar el bote perfecto. Para lograrlo, necesitas saber cómo el agua empujará contra el casco y qué tipo de olas creará el bote al moverse. Tradicionalmente, calcular esto es como intentar predecir el clima: tienes que ejecutar simulaciones informáticas masivas y supercomplejas que tardan horas o incluso días en terminar. Es preciso, pero es tan lento y costoso que solo puedes probar un puñado de diseños antes de quedarte sin tiempo y dinero.

Este artículo presenta ShipNet, un nuevo "atajo de IA" que resuelve este problema. Piensa en ShipNet no como un pronosticador del clima lento y detallado, sino como un experto superrápido y altamente capacitado que ha estudiado miles de diseños de botes y puede adivinar instantáneamente cómo se comportará el agua con solo mirar una foto de la forma del bote.

Así es como funciona, desglosado en conceptos simples:

1. El "Ojo Mágico" (Aprendizaje Profundo Geométrico)

Normalmente, las computadoras tienen dificultades para entender las formas 3D porque están acostumbradas a mirar cuadrículas (como un tablero de ajedrez). Pero el casco de un bote es una superficie suave y curva.

La analogía: Imagina que intentas describir una escultura a alguien. Podrías intentar describirla cuadro por cuadro (como una cuadrícula), pero eso es torpe. En su lugar, ShipNet mira el bote como una nube de 1,024 diminutos puntos (una nube de puntos) flotando en el espacio.
Cómo aprende: Utiliza un tipo especial de IA llamado "Red Neuronal Convolucional de Grafo Dinámico". Piensa en esto como si la IA estuviera jugando a "conectar los puntos". Mira cada punto y pregunta: "¿Quiénes son mis vecinos?". Redibuja constantemente estas conexiones a medida que profundiza, aprendiendo no solo la forma de los puntos, sino cómo las curvas y protuberancias se relacionan entre sí.

2. La Predicción "Dos en Uno"

ShipNet no solo adivina una cosa; realiza dos trabajos a la vez usando un solo cerebro:

Trabajo A (La Piel): Predice la presión sobre la piel del bote. Imagina el agua empujando contra el casco; algunos puntos reciben un empujón fuerte (alta presión) y otros un tirón suave (baja presión). ShipNet mapea esto punto por punto.
Trabajo B (La Estela): Predice las olas dejadas atrás. Esto es como predecir las ondas en un estanque después de lanzar una piedra. Genera un mapa 2D que muestra exactamente qué tan altas serán las olas detrás del bote.

3. La Dieta de Entrenamiento

Para que esta IA sea inteligente, los investigadores no la alimentaron con datos reales del océano (que son desordenados y difíciles de obtener). En su lugar, la alimentaron con 420 simulaciones perfectas, generadas por computadora, de dos tipos diferentes de cascos de yates (uno con una nariz recta y otro con una nariz bulbosa).

Crearon 70 variaciones de cada yate, cambiando cosas como la longitud de la nariz o el ancho del bulbo.
Probaron estas variaciones a tres velocidades diferentes.
La IA estudió estas simulaciones hasta que aprendió las "reglas" de cómo los cambios de forma afectan la presión del agua y las olas.

4. El Resultado de "Súper Velocidad"

Aquí es donde ocurre la magia.

La forma antigua: Ejecutar una de esas simulaciones por computadora toma aproximadamente 3.8 minutos en un procesador de computadora estándar.
El método ShipNet: Una vez entrenada la IA, puede mirar un nuevo diseño de bote y darte la respuesta en 0.15 segundos en una tarjeta gráfica.
La conclusión: Ese es un aceleramiento de 1,500 veces. Convierte un proceso que antes tomaba horas en algo que sucede casi instantáneamente. Esto significa que los diseñadores ahora pueden probar cientos de ideas en el tiempo que antes les tomaba probar una sola.

5. ¿Qué tan bueno es?

El artículo afirma que la IA es increíblemente precisa:

Para la presión sobre la piel del bote, acertó el 98% de las veces en comparación con las simulaciones lentas y perfectas.
Para los patrones de las olas, acertó el 91% de las veces.
El detalle: La IA es tan buena como los datos que consumió. Fue entrenada con datos "inviscídos", lo que significa que asume que el agua no tiene fricción (como un tobogán perfecto y resbaladizo). Todavía no tiene en cuenta la "pegajosidad" del agua real (viscosidad) ni partes complejas como timones o hélices. También solo conoce los tipos específicos de yates para los que fue entrenada.

Resumen

ShipNet es una bola de cristal digital para los diseñadores de barcos. Al enseñar a una computadora a "ver" un bote como una nube de puntos y aprender la física del agua a partir de miles de sesiones de práctica, los investigadores crearon una herramienta que predice cómo se moverá un bote a través del agua de forma casi instantánea. Aunque aún no es perfecta (le faltan detalles de fricción del mundo real), demuestra que podemos reemplazar los cálculos lentos y pesados con suposiciones rápidas e inteligentes, revolucionando potencialmente la forma en que diseñamos barcos para que sean más rápidos y eficientes en el consumo de combustible.

Resumen Técnico: ShipNet – Un sustituto de aprendizaje profundo geométrico para la hidrodinámica de buques en tiempo real

Planteamiento del problema
La predicción precisa del rendimiento hidrodinámico es fundamental para el diseño de buques; sin embargo, las simulaciones de alta fidelidad de Dinámica de Fluidos Computacional (CFD), particularmente las de Navier-Stokes promediadas por Reynolds (RANS), siguen siendo computacionalmente prohibitivas para la exploración paramétrica a gran escala. Si bien la CFD proporciona los detalles necesarios para evaluar la presión del casco y los patrones de ondas de la superficie libre, los sustanciales requerimientos de recursos y los largos tiempos de respuesta dificultan su uso como una herramienta de diseño interactiva. Los modelos sustitutos basados en datos existentes suelen depender de mallas estructuradas o discretizaciones espaciales fijas, las cuales tienen dificultades para adaptarse a la variabilidad geométrica inherente al diseño de la forma del casco. Existe una necesidad crítica de un modelo sustituto que pueda aproximar rápidamente los campos hidrodinámicos directamente a partir de representaciones geométricas no estructuradas sin sacrificar la capacidad de capturar características de flujo complejas.

Metodología
Los autores proponen ShipNet, un sustituto de aprendizaje profundo geométrico diseñado para predecir las distribuciones de presión en la superficie del casco y los patrones de ondas de la superficie libre en campo lejano directamente a partir de la geometría del casco y la velocidad de operación.

Generación de datos: El conjunto de datos de entrenamiento comprende 420 simulaciones de flujo potencial de superficie libre no viscoso generadas mediante el resolvedor del método de paneles de flujo potencial RAPID. Los datos cubren dos cascos de yates progenitores (uno con proa recta y otro con proa bulbosa), cada uno parametrizado en 7 0 variantes mediante un diseño de hipercubo latino. Las simulaciones se realizaron a tres velocidades (12, 15 y 18 nudos), lo que resultó en un rango de número de Froude de $Fn \in [0.197, 0.322]$ .
Preprocesamiento de datos: Las geometrías de los cascos se representaron como nubes de puntos ( $N_p = 1024$ puntos muestreados cuasi-uniformemente de la superficie mojada) y se alinearon a un marco de referencia global consistente. Las elevaciones de las ondas de la superficie libre se interpolaron en una rejilla euleriana fija de $256 \times 256$ . Tanto los coeficientes de presión ( $C_p$ ) como las elevaciones de las ondas ( $\eta$ ) se estandarizaron utilizando las estadísticas del conjunto de entrenamiento.
Arquitectura: ShipNet adapta la red neuronal convolucional de grafo dinámico basada en regresión (regDGCNN).
- Backbone (Columna vertebral): Un backbone compartido procesa la nube de puntos de entrada (aumentada con el número de Froude como un canal de característica) a través de tres capas sucesivas de EdgeConv. Estas capas construyen dinámicamente grafos de $k$ -vecinos más cercanos ( $k=40$ ) para capturar estructuras geométricas locales y agregarlas en un embebido latente global.
- Salida de múltiples cabezales: La representación latente es decodificada por dos cabezales especializados:
  1. Cabezal de Presión: Predice el coeficiente de presión en cada punto muestreado del casco utilizando capas convolucionales 1D, combinando el contexto geométrico local con el embebido global.
  2. Cabezal de Ondas: Predice el mapa de elevación de la superficie libre 2D utilizando un decodificador tipo U-Net con convoluciones transpuestas para aumentar la resolución de las características latentes hacia el objetivo.
Función de pérdida: El modelo se entrena con una función de pérdida compuesta. La pérdida de presión es un Error Cuadrático Medio (MSE) estándar. La pérdida de ondas utiliza un objetivo híbrido que combina el error $L_1$ , la Medida de Similitud Estructural (SSIM) y una penalización de gradiente (filtro Sobel) para imponer precisión píxel a píxel, similitud estructural y la predicción correcta de crestas y valles de las ondas.

Contribuciones clave

Adaptación de la arquitectura: Adaptó con éxito la arquitectura regDGCNN, demostrada previamente en aerodinámica automotriz, al dominio de la hidrodinámica de buques de dos fases, manejando la interfaz aire-agua acoplada y la respuesta del buque.
Formulación de tareas múltiples: Desarrolló un marco unificado que predice conjuntamente señales de la variedad 3D de la superficie cercana (presión del casco) y campos 2D de campo lejano (elevación de la onda) a partir de un embebido latente compartido, abordando simultáneamente los comportos de flujo local y global.
Sustituto validado: Demostró un sustituto de alta fidelidad capaz de predecir campos hidrodinámicos con alta precisión ( $R^2 \approx 0.98$ para presión, $R^2 \approx 0.91$ para ondas) mientras logra una aceleración computacional de aproximadamente 1500x en comparación con el resolvedor de flujo potencial utilizado para la generación de datos.

Resultados

Precisión: En un conjunto de prueba de geometría mantenida fuera del entrenamiento (63 casos), ShipNet logró un $R^2$ medio de 0.981 para la presión del casco y 0.912 para la elevación de la onda. El modelo identificó correctamente las principales características de flujo, como los puntos de estancamiento y las estructuras de la estela de Kelvin. Los errores se localizaron en regiones de alta complejidad geométrica (por ejemplo, bordes de ataque de la proa bulbosa) y altos gradientes de presión.
Sensibilidad de la función de pérdida: Los estudios de ablación revelaron que la elección de la función de pérdida fue crítica. Entrenar el cabezal de ondas con un MSE estándar resultó en un $R^2$ negativo (-0.360) y una solución trivial y excesivamente suavizada. La pérdida híbrida ( $L_1 + SSIM + Sobel$ ) fue esencial para capturar las características dispersas y de alta amplitud del campo de ondas.
Eficiencia: El tiempo de inferencia es de aproximadamente 0.15 segundos por caso en una GPU NVIDIA T4, en comparación con ~228 segundos para el resolvedor RAPID en un solo núcleo de CPU. Esto representa una aceleración de 1500x respecto al resolvedor de generación de datos y una aceleración de 550x respecto a la inferencia basada en CPU.
Eficiencia de datos: El rendimiento se saturó aproximadamente al 50% del conjunto de datos disponible, lo que indica una fuerte eficiencia de datos.

Significancia y Reivindicaciones
El artículo posiciona a ShipNet como una prueba de concepto para el uso de redes neuronales basadas en grafos para crear modelos sustitutos para problemas complejos de interacción fluido-estructura. Los autores afirman que este enfoque cambia fundamentalmente el paradigma del diseño de buques en etapas tempranas al reducir la latencia de simulación de minutos a milisegundos. Esto permite:

Diseño Interactivo: Facilitar espirales de diseño ricas en datos y en tiempo real donde se pueden explorar sistemáticamente vastos espacios paramétricos, una tarea inviable con los flujos de trabajo de simulación tradicionales.
Tamizaje de Etapa Temprana: Proporcionar clasificaciones rápidas e información cualitativa para candidatos de cascos, priorizando la velocidad y la comprensión geométrica sobre el detalle viscoso exacto en las fases iniciales de diseño.
Aplicabilidad Amplia: Establecer un marco potencialmente aplicable a otros sectores que involucran dinámica de fluidos, como la industria aeroespacial y de energías renovables, al operar directamente sobre representaciones geométricas no estructuradas.

Limitaciones
Los autores reconocen explícitamente que el modelo está entrenado con datos de flujo potencial no viscoso y está actualmente limitado a una familia específica de cascos de yates esbeltos sin accesorios. Por consiguiente, el modelo no captura efectos viscosos (por ejemplo, capas límite) ni flujos de popa complejos (por ejemplo, estelas de popa de espejo). Se identifica como necesario un trabajo futuro para extender la arquitectura a conjuntos de datos RANS de alta fidelidad y geometrías de buques más diversas.