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

Cet article présente un cadre d'optimisation de forme de coque de navire assisté par apprentissage automatique, utilisant un modèle de substitution basé sur un auto-encodeur variationnel conditionnel (CVAE) pour remplacer la simulation coûteuse d'une hélice Voith Schneider, permettant ainsi une réduction de la résistance supérieure à 8 % tout en évitant les limitations computationnelles des méthodes adjointes traditionnelles.

L'essentiel

🚢 Le Défi : Trouver la forme parfaite pour un bateau

Imaginez que vous êtes un architecte naval. Votre but est de dessiner la coque d'un bateau pour qu'il consomme le moins de carburant possible. Pour cela, vous voulez que l'eau glisse le plus doucement possible autour de lui, comme un poisson.

Habituellement, pour trouver cette forme parfaite, les ingénieurs utilisent des super-ordinateurs qui simulent l'eau. C'est comme essayer de deviner le chemin le plus rapide en dessinant des milliers de cartes au crayon. C'est long, coûteux et épuisant.

Mais il y a un problème majeur avec ce bateau en particulier : il est équipé d'une hélice spéciale (la Voith Schneider) qui tourne dans tous les sens, pas seulement comme une hélice de bateau classique. C'est un peu comme si le moteur du bateau était un robot qui fait des mouvements complexes et rapides sous l'eau.

🤯 Le Problème : Trop de détails, pas assez de temps

Si vous essayez de simuler ce bateau avec son hélice complexe, c'est un cauchemar pour l'ordinateur :

1. L'hélice bouge trop vite : Il faut simuler chaque milliseconde de son mouvement.
2. Le temps s'inverse : Pour optimiser la forme, l'ordinateur doit "remonter le temps" pour voir comment chaque petite modification affecte le tout.
3. Résultat : L'ordinateur a besoin de tant de mémoire et de puissance qu'il faudrait des années pour trouver une solution. C'est impossible pour l'industrie.

🧠 La Solution : Un "Cerveau Artificiel" (IA) qui devine

C'est là que les chercheurs de cette étude ont eu une idée brillante. Au lieu de demander à l'ordinateur de calculer exactement comment l'eau bouge autour de l'hélice à chaque instant (ce qui est trop lent), ils ont créé un modèle d'intelligence artificielle (un "surrogate model").

Imaginez que vous avez un chef cuisinier très expérimenté (l'IA). Au lieu de lui demander de cuisiner un plat complexe à chaque fois que vous avez faim, vous lui avez montré 180 fois comment il cuisinait ce plat. Maintenant, quand vous lui demandez "Comment ça va goûter si je change un peu les ingrédients ?", il peut deviner le résultat instantanément, sans avoir à cuisiner réellement.

Dans ce cas :

• L'ingénieur demande à l'IA : "Si je change la forme de la coque et que je vais à telle vitesse, comment l'eau va-t-elle bouger autour de l'hélice ?"
• L'IA (qui est un type spécial de réseau neuronal appelé CVAE) répond instantanément en se basant sur ce qu'elle a appris des simulations passées.

🎯 L'Expérience : Deux scénarios

Les chercheurs ont testé deux méthodes pour optimiser la forme du bateau :

1. Le scénario "Aveugle" (Sans hélice) : Ils ont demandé à l'ordinateur de trouver la meilleure forme en ignorant complètement l'hélice.

   • Résultat : L'ordinateur a trouvé une forme qui semblait parfaite... mais seulement parce qu'il ne voyait pas l'hélice.
   • La surprise : Quand ils ont testé cette "nouvelle forme" avec la vraie hélice, le bateau était moins efficace qu'avant ! C'est comme si vous aviez habillé un coureur de marathon avec un manteau trop lourd parce que vous aviez oublié qu'il portait un sac à dos.

2. Le scénario "Intelligent" (Avec l'IA) : Ils ont utilisé le modèle d'IA pour inclure l'effet de l'hélice dans le calcul.

   • Résultat : L'ordinateur a trouvé une forme de coque qui crée un "tunnel" d'eau derrière l'hélice, permettant à l'eau de s'écouler plus fluidement.
   • Le gain : Cette nouvelle forme a réduit la résistance de l'eau de plus de 8 %. C'est énorme ! Cela signifie moins de carburant, moins de pollution et plus de vitesse.

💡 La Leçon à retenir

Cette étude nous apprend une chose fondamentale : On ne peut pas optimiser un bateau en ignorant son moteur.

Si vous essayez de rendre une voiture plus aérodynamique sans tenir compte de ses roues, vous risquez de créer un véhicule qui va moins bien. En utilisant l'IA comme un "assistant de devin" ultra-rapide, les ingénieurs peuvent maintenant concevoir des bateaux qui travaillent en parfaite harmonie avec leurs moteurs complexes, économisant ainsi une énergie précieuse.

C'est un peu comme si on apprenait à un architecte à dessiner une maison en tenant compte non seulement des murs, mais aussi de la façon dont le vent souffle à travers les fenêtres, le tout sans avoir à construire la maison 100 fois pour le vérifier.

Résumé technique

Titre : Optimisation de forme de coque de navire basée sur l'adjoint assistée par un modèle de substitution (surrogate) utilisant un Autoencodeur Variationnel Conditionnel (CVAE)

1. Problématique

L'optimisation de forme basée sur la méthode adjointe est un outil puissant pour réduire la résistance hydrodynamique des navires. Cependant, son application aux navires équipés de systèmes de propulsion complexes, tels que les Propulseurs Voith Schneider (VSP), rencontre des obstacles majeurs :

• Coût computationnel prohibitif : La résolution directe de la géométrie de l'hélice nécessite des simulations instationnaires (transitoires) sur de longues périodes avec de petits pas de temps.
• Problème de stockage et de rétropropagation : La méthode adjointe exige la rétropropagation temporelle des solutions primales, ce qui implique de stocker l'historique complet du champ d'écoulement. Pour des simulations à grande échelle (des millions de points de grille), cela devient soit impossible en termes de mémoire, soit extrêmement coûteux en temps de calcul.
• Inadéquation des modèles simplifiés : Les approches classiques comme les modèles de disque actionneur ou les cadres de référence multiples (MRF) ne sont pas directement applicables aux VSP en raison de leur cinématique complexe (pales oscillantes et rotatives) et de l'alignement perpendiculaire entre la direction de croisière et l'axe de rotation.
• Risque d'optimisation erronée : Ignorer l'influence de la propulsion lors de l'optimisation peut conduire à des formes de coque qui augmentent la résistance réelle une fois la propulsion prise en compte.

2. Méthodologie

Les auteurs proposent un cadre d'optimisation hybride intégrant un modèle de substitution (surrogate) basé sur l'apprentissage automatique (Machine Learning - ML) au sein d'un processus d'optimisation adjointe continue.

• Modèle de Substitution (CVAE) :

  • Un Autoencodeur Variationnel Conditionnel (CVAE) est entraîné pour prédire le champ de vitesse moyen dans le temps généré par le VSP.
  • Architecture : Le modèle utilise des couches convolutives, des blocs résiduels et des mécanismes d'auto-attention (self-attention) pour capturer les dépendances spatiales à longue portée et les gradients locaux forts.
  • Entrées (Conditions) : Le modèle est conditionné par 11 paramètres : 10 paramètres géométriques de la coque (partie arrière, "headbox") et 1 paramètre opérationnel (vitesse de croisière).
  • Sortie : Un champ de vitesse 3D moyen dans le temps sur une grille structurée cylindrique ("meta-grid") entourant la zone de l'hélice.

• Intégration dans le CFD :

  • Au lieu de résoudre géométriquement l'hélice, le champ de vitesse prédit par le CVAE est interpolé sur la grille CFD de la coque (qui ne résout pas l'hélice).
  • Forçage implicite : Pour intégrer ces vitesses dans les équations de Navier-Stokes (RANS), une méthode de forçage de solution est utilisée. Un terme source est ajouté aux équations de quantité de mouvement pour "forcer" la solution CFD à se rapprocher du champ ML, tout en respectant la continuité (divergence nulle) et la stabilité numérique. Cela évite de devoir garantir que le champ ML soit parfaitement compatible avec la continuité discrète de la grille CFD.

• Processus d'Optimisation :

  • Une optimisation de forme sans paramétrisation (parameter-free) basée sur l'adjoint est utilisée.
  • Le gradient de la fonction objectif (résistance totale) est calculé en résolvant les équations adjointes couplées au champ de vitesse forcé par le modèle ML.
  • La coque est déformée itérativement en utilisant la méthode de Steklov-Poincaré pour conserver le volume.

3. Contributions Clés

• Développement d'un modèle CVAE avancé : Intégration de mécanismes d'auto-attention et de blocs résiduels pour améliorer la précision de la reconstruction des écoulements complexes induits par un VSP.
• Stratégie d'intégration robuste : Mise au point d'une méthode de forçage implicite permettant de coupler efficacement un champ de vitesse ML (non divergence-free parfait) avec un solveur CFD RANS, éliminant le besoin de simulations instationnaires coûteuses pour l'optimisation.
• Preuve de concept industrielle : Application réussie à un navire réel (Service Operation Vessel - SOV) équipé de deux VSP, démontrant la faisabilité de l'optimisation adjointe avec propulsion complexe.
• Validation comparative : Démonstration que l'optimisation sans prise en compte de la propulsion conduit à des résultats contre-productifs, tandis que l'approche proposée avec le modèle de substitution donne des résultats validés par des simulations haute fidélité.

4. Résultats

• Performance du modèle de substitution :
  • Le CVAE reproduit les champs d'écoulement avec une grande fidélité. L'erreur relative maximale sur les vitesses est d'environ 1-2 % (par rapport à la vitesse du navire), atteignant localement 10 % dans les zones à forts gradients.
  • Le modèle capture correctement la génération de poussée et les zones de décélération.
• Validation de l'intégration CFD :
  • L'approche de forçage permet de reproduire les métriques d'écoulement (vitesses amont/aval) avec une erreur négligeable par rapport à une simulation avec hélice résolue, pour un coût de calcul trivial.
  • L'erreur sur la résistance totale est d'environ 14,5 % par rapport à la simulation avec hélice résolue, mais les auteurs démontrent que cette différence est principalement due à la différence de discrétisation spatiale (grille plus fine pour l'optimisation) et non au modèle ML lui-même.
• Résultats de l'optimisation :
  • Cas sans propulsion (NP) : L'optimisation prédit une réduction de résistance de ~2 %. Cependant, lorsque cette forme est testée avec une simulation complète incluant l'hélice résolue, la résistance augmente de 2,26 % par rapport à la forme initiale. Cela confirme que négliger la propulsion est dangereux.
  • Cas avec modèle de substitution (SP) : L'optimisation utilisant le CVAE prédit une réduction de résistance de 8,2 %.
  • Validation finale : Une simulation transitoire haute fidélité (avec hélice résolue) sur la forme optimisée par le modèle SP confirme une réduction de résistance de 9,29 %.
  • Convergence : L'approche permet d'atteindre une convergence rapide (environ 8-9 % de gain) sans les coûts prohibitifs des simulations adjointes instationnaires complètes.

5. Signification et Perspectives

• Impact Industriel : Cette étude démontre qu'il est possible d'intégrer des systèmes de propulsion complexes dans des boucles d'optimisation de forme industrielles, là où les méthodes traditionnelles échouent en raison de contraintes de mémoire et de temps de calcul.
• Fiabilité : L'approche évite les pièges de l'optimisation "aveugle" qui ignore l'interaction coque-propulseur, garantissant que les gains de performance sont réels et non artificiels.
• Limitations et Futur :
  • Le modèle de substitution est actuellement "figé" (frozen) pendant l'optimisation (les conditions géométriques ne sont pas mises à jour dynamiquement dans le modèle ML à chaque itération). Les auteurs prévoient d'intégrer le modèle dans la boucle d'optimisation.
  • Les simulations actuelles sont monophasiques (sans surface libre). Le futur travail vise à étendre la méthode aux écoulements diphasiques et aux configurations de propulsion autonome (self-propelled) avec mouvement dynamique du navire.

En résumé, ce travail établit un pont efficace entre l'apprentissage automatique génératif et la dynamique des fluides computationnelle (CFD) pour résoudre un problème d'optimisation de forme naval de haute complexité, offrant des gains de performance significatifs et validés.