🔬 physics

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

ShipNet est un modèle de substitution par apprentissage profond géométrique qui exploite les nuages de points de la coque et la vitesse pour prédire les distributions de pression en champ proche et les motifs de vagues en champ lointain en environ 0,15 seconde, atteignant une accélération de 550x par rapport aux solveurs de flux potentiel traditionnels tout en maintenant une grande précision (R² ≥ 0,91) pour l'exploration rapide de la conception navale.

Auteurs originaux : Kirsten Odendaal, George Drakoulas

Publié 2026-06-16

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Kirsten Odendaal, George Drakoulas

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un architecte essayant de concevoir le bateau parfait. Pour ce faire, vous devez savoir comment l'eau va pousser contre la coque et quel genre de vagues le bateau créera en se déplaçant. Traditionnellement, calculer cela revient à essayer de prédire la météo : vous devez lancer des simulations informatiques massives et ultra-complexes qui prennent des heures, voire des jours, pour se terminer. C'est précis, mais c'est si lent et coûteux que vous ne pouvez tester qu'un petit nombre de designs avant d'être à court de temps et d'argent.

Ce document présente ShipNet, un nouvel « raccourci IA » qui résout ce problème. Considérez ShipNet non pas comme un météorologue lent et détaillé, mais comme un expert super rapide et hautement entraîné qui a étudié des milliers de conceptions de bateaux et peut deviner instantanément comment l'eau va se comporter simplement en regardant une image de la forme du bateau.

Voici comment cela fonctionne, décomposé en concepts simples :

1. L'« Œil Magique » (Apprentissage Profond Géométrique)

D'habitude, les ordinateurs ont du mal à comprendre les formes 3D car ils sont habitués à regarder des grilles (comme un échiquier). Mais une coque de bateau est une surface lisse et courbe.

L'analogie : Imaginez que vous essayiez de décrire une sculpture à quelqu'un. Vous pourriez essayer de la décrire carré par carré (comme une grille), mais c'est maladroit. Au lieu de cela, ShipNet regarde le bateau comme un nuage de 1 024 petits points (un nuage de points) flottant dans l'espace.
Comment il apprend : Il utilise un type spécial d'IA appelé « Réseau de Convolution Graphique Dynamique ». Voyez cela comme si l'IA jouait à un jeu de « relier les points ». Elle regarde chaque point et demande : « Qui sont mes voisins ? » Elle redessine constamment ces connexions à mesure qu'elle creuse plus profondément, apprenant non seulement la forme des points, mais aussi comment les courbes et les bosses sont liées entre elles.

2. La « Prédiction Deux-en-Un »

ShipNet ne se contente pas de deviner une seule chose ; il fait deux tâches à la fois en utilisant un seul cerveau :

Tâche A (La Peau) : Il prédit la pression sur la peau du bateau. Imaginez l'eau poussant contre la coque ; certains endroits reçoivent une poussée forte (haute pression), et d'autres une traction douce (basse pression). ShipNet cartographie cela point par point.
Tâche B (Le Sillage) : Il prédit les vagues laissées derrière. C'est comme prédire les ondulations dans un étang après avoir jeté une pierre. Il génère une carte 2D montrant exactement quelle sera la hauteur des vagues derrière le bateau.

3. Le Régime d'Entraînement

Pour rendre cette IA intelligente, les chercheurs ne l'ont pas nourrie avec des données océaniques réelles (qui sont désordonnées et difficiles à obtenir). Au lieu de cela, ils l'ont nourrie avec 420 simulations parfaites, générées par ordinateur, de deux types différents de coques de yachts (l'une avec un nez droit, l'autre avec un nez bulbeux).

Ils ont créé 70 variations de chaque yacht, en changeant des éléments comme la longueur du nez ou la largeur du bulbe.
Ils ont testé ces variations à trois vitesses différentes.
L'IA a étudié ces simulations jusqu'à ce qu'elle apprenne les « règles » de la façon dont les changements de forme affectent la pression de l'eau et les vagues.

4. Le Résultat de « Super-Vitesse »

C'est ici que la magie opère.

L'ancienne méthode : Faire tourner l'une de ces simulations informatiques prend environ 3,8 minutes sur un processeur d'ordinateur standard.
La méthode ShipNet : Une fois l'IA entraînée, elle peut regarder un nouveau design de bateau et donner la réponse en 0,15 seconde sur une carte graphique.
À retenir : Cela représente une accélération de 1 500 fois. Cela transforme un processus qui prenait autrefois des heures en quelque chose qui se produit presque instantanément. Cela signifie que les concepteurs peuvent désormais tester des centaines d'idées dans le temps qu'il fallait auparavant pour en tester une seule.

5. À quel point est-ce efficace ?

Le document affirme que l'IA est incroyablement précise :

Pour la pression sur la peau du bateau, elle a eu raison 98 % du temps par rapport aux simulations lentes et parfaites.
Pour les motifs de vagues, elle a eu raison 91 % du temps.
Le bémol : L'IA n'est aussi bonne que les données qu'elle a consommées. Elle a été entraînée sur des données « inviscides », ce qui signifie qu'elle suppose que l'eau n'a pas de friction (comme un toboggan parfait et glissant). Elle ne prend pas encore en compte la « viscosité » (l'adhérence) de l'eau réelle, ni les parties complexes comme les safrans ou les hélices. Elle ne connaît également que les types spécifiques de yachts sur lesquels elle a été entraînée.

Résumé

ShipNet est une boule de cristal numérique pour les concepteurs de navires. En apprenant à un ordinateur à « voir » un bateau comme un nuage de points et à apprendre la physique de l'eau à partir de milliers d'essais, les chercheurs ont créé un outil qui prédit presque instantanément comment un bateau se déplacera dans l'eau. Bien qu'il ne soit pas encore parfait (il lui manque certains détails de friction du monde réel), cela prouve que nous pouvons remplacer les calculs lents et lourds par des conjectures rapides et intelligentes, révolutionnant potentiellement la façon dont nous concevons des navires pour qu'ils soient plus rapides et plus économes en carburant.

Résumé Technique : ShipNet – Un substitut de Deep Learning Géométrique pour l'Hydrodynamique Navale en Temps Réel

Énoncé du Problème
La prédiction précise des performances hydrodynamiques est fondamentale pour la conception navale, pourtant la simulation de mécanique des fluides numérique (CFD) de haute fidélité, particulièrement les simulations RANS (Reynolds-Averaged Navier-Stokes), reste extrêmement coûteuse en termes de calcul pour l'exploration paramétrique à grande échelle. Bien que la CFD fournisse les détails nécessaires pour évaluer la pression de la coque et les motifs de vagues de surface libre, les exigences considérables en ressources et les temps d'attente prolongés entravent son utilisation comme outil de conception interactif. Les modèles de substitution basés sur les données existants reposent souvent sur des grilles structurées ou des discrétisations spatiales fixes, qui peinent à s'adapter à la variabilité géométrique inhérente à la conception des formes de coques. Il existe un besoin critique pour un modèle de substitution capable d'approximer rapidement les champs hydrodynamiques directement à partir de représentations géométriques non structurées sans sacrifier la capacité à capturer les caractéristiques d'écoulement complexes.

Méthodologie
Les auteurs proposent ShipNet, un substitut de deep learning géométrique conçu pour prédire les distributions de pression sur la surface de la coque et les motifs de vagues de surface libre en champ lointain, directement à partir de la géométrie de la coque et de la vitesse de navigation.

Génération de Données : Le jeu de données d'entraînement comprend 420 simulations de flux potentiel de surface libre générées par le solveur de la méthode des panneaux RAPID. Les données couvrent deux coques de yachts parentes (l'une avec un étrave droite, l'autre avec un bulbe) chacune paramétrée en 70 variantes via un plan hypercube latin. Les simulations ont été effectuées à trois vitesses (12, 15 et 18 nœuds), résultant en une plage de nombre de Froude $Fn \in [0,197, 0,322]$ .
Prétraitement des Données : Les géométries de coque sont représentées sous forme de nuages de points ( $N_p = 1024$ points échantillonnés quasi uniformément de la surface mouillée) et alignées sur un référentiel global cohérent. Les élévations de vagues de surface libre sont interpolées sur une grille eulérienne fixe de $256 \times 256$ . Les coefficients de pression ( $C_p$ ) et les élévations de vagues ( $\eta$ ) sont normalisés à l'aide des statistiques du jeu d'entraînement.
Architecture : ShipNet adapte l'architecture regDGCNN (Dynamic Graph Convolutional Neural Network basée sur la régression).
- Backbone (Colonne vertébrale) : Un backbone partagé traite le nuage de points d'entrée (augmenté par le nombre de Froude comme canal de caractéristique) à travers trois couches EdgeConv successives. Ces couches construisent dynamiquement des graphes $k$ -plus proches voisins ( $k=40$ ) pour capturer les structures géométriques locales et les agréger en un plongement latent global.
- Sortie Multi-Têtes : La représentation latente est décodée par deux têtes spécialisées :
  1. Tête de Pression : Prédit le coefficient de pression à chaque point échantillonné de la coque en utilisant des couches de convolution 1D, combinant le contexte géométrique local avec l'intégration globale.
  2. Tête de Vague : Prédit la carte d'élévation de la surface libre en 2D à l'aide d'un décodeur de type U-Net avec des convolutions transposées pour suréchantillonner les caractéristiques latentes vers la résolution cible.
Fonction de Perte : Le modèle est entraîné avec une fonction de perte composite. La perte de pression est une erreur quadratique moyenne (MSE) standard. La perte de vague utilise un objectif hybride combinant l'erreur $L_1$ , l'indice de similitude structurelle (SSIM) et une pénalité de gradient (filtre de Sobel) pour imposer la précision pixel par pixel, la similitude structurelle et la prédiction correcte des crêtes et des creux de vagues.

Contributions Clés

Adaptation de l'Architecture : Adaptation réussie de l'architecture regDGCNN, précédemment démontrée dans l'aérodynamique automobile, au domaine de l'hydrodynamique navale à deux phases, gérant l'interface air-eau couplée et la réponse du navire.
Formulation Multi-Tâches : Développement d'un cadre unifié qui prédit conjointement les signaux de la variété 3D proche du corps (pression de la coque) et les champs 2D de champ lointain (élévation des vagues) à partir d'une représentation latente partagée, traitant simultanément les comportements d'écoulement locaux et globaux.
Substitut Validé : Démonstration d'un substitut de haute fidélité capable de prédire les champs hydrodynamiques avec une grande précision ( $R^2 \approx 0,98$ pour la pression, $R^2 \approx 0,91$ pour les vagues) tout en atteignant une accélération d'environ 1500x par rapport au solveur de flux potentiel utilisé pour la génération de données.

Résultats

Précision : Sur un ensemble de test géométrique tenu à l'écart (63 cas), ShipNet a atteint un $R^2$ moyen de 0,981 pour la pression de la coque et de 0,912 pour l'élévation des vagues. Le modèle a correctement identifié les principales caractéristiques d'écoulement, telles que les points de stagnation et les structures de sillage de Kelvin. Les erreurs étaient localisées dans les régions de haute complexité géométrique (ex: bords d'attaque du bulbe) et de forts gradients de pression.
Sensibilité de la Fonction de Perte : Les études d'ablation ont révélé que le choix de la fonction de perte était critique. L'entraînement de la tête de vague avec une MSE standard a entraîné un $R^2$ négatif (-0,360) et une solution triviale et trop lissée. La perte hybride ( $L_1 + SSIM + Sobel$ ) était essentielle pour capturer les caractéristiques éparses et de haute amplitude du champ de vagues.
Efficacité : Le temps d'inférence est d'environ 0,15 seconde par cas sur un GPU NVIDIA T4, contre environ 228 secondes pour le solveur RAPID sur un seul cœur CPU. Cela représente une accélération de 1500x par rapport au solveur de génération de données et une accélération de 550x par rapport à l'inférence sur CPU.
Efficacité des Données : La performance a plafonné à environ 50 % du jeu de données disponible, indiquant une forte efficacité des données.

Signification et Revendications
L'article positionne ShipNet comme une preuve de concept de l'utilisation des réseaux de neurones basés sur les graphes pour créer des modèles de substitution pour des problèmes complexes d'interaction fluide-structure. Les auteurs affirment que cette approche change fondamentalement le paradigme de la conception navale initiale en réduisant la latence de simulation de minutes à millisecondes. Cela permet :

Conception Interactive : Faciliter des spirales de conception riches en données et en temps réel, où de vastes espaces paramétriques peuvent être explorés systématiquement, une tâche infaisable avec les flux de travail de simulation traditionnels.
Sélection Initiale : Fournir un classement rapide et des aperçus qualitatifs pour les candidats de coques, privilégiant la vitesse et la compréhension géométrique sur le détail visqueux exact lors des phases initiales de conception.
Applicabilité Plus Large : Établir un cadre potentiellement applicable à d'autres secteurs impliquant la dynamique des fluides, tels que l'aérospatiale et les énergies renouvelables, en opérant directement sur des représentations géométriques non structurées.

Limites
Les auteurs reconnaissent explicitement que le modèle est entraîné sur des données de flux potentiel non visqueux et qu'il est actuellement limité à une famille spécifique de coques de yachts élancées sans appendices. Par conséquent, le modèle ne capture pas les effets visqueux (ex: couches limites) ou les écoulements de poupe complexes (ex: sillages de tableau). Des travaux futurs sont identifiés comme nécessaires pour étendre l'architecture à des jeux de données RANS de haute fidélité et à des géométries de navires plus diverses.