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

本論文は、複雑な推進システムを伴う船舶の抵抗最小化という高次元設計問題に対し、Voith Schneider プロペラを条件付き変分オートエンコーダ（CVAE）に基づくデータ駆動型代理モデルで近似する手法を提案し、従来の最適化では見逃される推進系の影響を考慮することで初期形状から 8% 以上の抵抗低減を達成し、かつ計算コストを大幅に削減できることを示したものである。

要約

🚢 物語の舞台：巨大な船と「回転するプロペラ」

まず、この研究の対象は、**「ヴォイト・シュナイダー・プロペラ（VSP）」という特殊なプロペラを積んだ船です。
普通の船のプロペラは、ネジのように「回すだけ」で前に進みますが、この VSP は「回転しながら、羽の角度も変える」**という、まるで水中を泳ぐ鳥のような複雑な動きをします。

この動きは非常に複雑で、水の流れ（渦）も激しく乱れます。
**「この複雑な動きを、コンピュータの中で正確にシミュレーションしながら、船の形を改良しようとする」**のが、この研究のゴールです。

🤯 従来の問題点：「重すぎる計算」

昔からある方法（「共役法」と呼ばれる数学的なテクニック）を使えば、船の形を改良する最適な方向を瞬時に見つけることができます。しかし、VSP のような複雑なプロペラがある場合、以下の2 つの巨大な壁にぶつかりました。

1. 時間がかかる： プロペラが動く様子をシミュレーションするには、非常に短い時間刻みで何十万回も計算する必要があります。
2. メモリが足りない： 過去のすべての計算結果を保存しておかないと、逆方向に計算（共役法）ができないため、スーパーコンピュータの記憶容量がパンクしてしまいます。

例え話：

Imagine trying to find the best route for a delivery truck by driving it back and forth thousands of times, remembering every single turn you made. If the truck is also spinning its wheels wildly (like the VSP), you'd need a notebook the size of a building just to write down all the turns!

（配送トラックの最適なルートを見つけるために、何千回も往復して運転し、すべての曲がり角をメモしようとしていると想像してください。さらに、そのトラックが激しく車輪を回転させている（VSP のような状態）なら、すべての動きを記録するためのノートはビルほどの大きさが必要になってしまうでしょう！）

このため、業界では「プロペラを無視して船の形だけを変える」ことが多かったのですが、**「プロペラを無視して形を変えると、実は燃費が悪くなってしまう」**という皮肉な結果が起きていました。

🤖 解決策：「AI 助手（CVAE）」の登場

そこで、この研究チームは**「AI 助手」**を導入することにしました。

1. 学習フェーズ（オフライン）：
   まず、プロペラ付きの船の動きを、一度だけ詳しくシミュレーションしてデータを収集します。そのデータを AI（CVAEという特殊なニューラルネットワーク）に学習させます。

   • AI の役割： 「船の形がこうで、速度がこうなら、プロペラが作る水流はこうなるよ」という**「水流の地図」**を暗記させることです。
   • メリット： 複雑なプロペラそのものを描く必要がなくなります。AI が「プロペラがあるような水流」を瞬時に再現してくれます。

2. 最適化フェーズ（オンライン）：
   船の形を改良する際、プロペラを詳しく描く代わりに、AI が作った「水流の地図」を流体力学の計算に貼り付けます。

   • 例え話：

     料理を作る際、毎回「卵を割って、殻を剥いて、混ぜる」という作業をゼロからやるのではなく、「美味しい卵焼きの味」を覚えた AI が「卵の味」を再現してくれると想像してください。料理人（計算機）は、その味をベースに「もっと塩を足すか？」「形を変えるか？」を素早く試すことができます。

🎯 驚きの結果：「8% 以上の燃費向上」

この新しい方法で船の形を最適化したところ、以下の結果が得られました。

• プロペラを無視して改良した場合：
  計算上は燃費が良くなったはずなのに、実際にプロペラを付けてテストすると、燃費が 2〜3% 悪化してしまいました。「形を変えすぎて、プロペラとの相性が悪くなった」のです。
• AI 助手を使って改良した場合：
  プロペラとの相互作用を考慮して形を変えたため、燃費が 8% 以上向上しました。
  さらに、この結果は、プロペラを詳しく描いた「高価で時間のかかるシミュレーション」でも確認できました。

💡 まとめ：なぜこれがすごいのか？

この研究は、**「AI と物理シミュレーションを組み合わせる」**ことで、以下のような夢のようなことを実現しました。

• 計算コストの激減： 何十万回もプロペラを回す計算をする必要がなくなり、時間と電力を節約できます。
• 失敗の回避： 「プロペラを無視して形を変えると失敗する」という落とし穴を避けて、本当に良い形を見つけられます。
• 未来への応用： この方法は、風力発電のタービンや、他の複雑な機械の設計にも応用できる可能性があります。

一言で言うと：

「複雑すぎて計算しきれないプロペラの動きを、AI に『暗記』させて、その『記憶』を使って船の形を自動で調整したところ、燃費が劇的に良くなった！」

これは、造船業界における「AI × 物理学」の素晴らしい成功例です。

技術概要

この論文は、船舶の抵抗を最小化するための船体形状最適化において、複雑な推進システム（特にヴォイト・シュナイダー・プロペラ：VSP）の影響を機械学習（ML）を用いた代理モデル（サロゲートモデル）で効率的に扱う新しい手法を提案した研究です。以下に、問題定義、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 研究の背景と課題

• 背景: 船舶の抵抗低減は、燃費向上と環境負荷（温室効果ガス、NOx、SOx）の削減において極めて重要です。船体形状の最適化には、設計変数の数に依存せず勾配を計算できる「随伴法（Adjoint method）」が有効ですが、複雑な推進システムを有する船舶への適用には課題があります。
• 課題:
  1. 計算コストとメモリ: VSP は周期的なブレード運動により非定常で複雑な流れ（渦放出、圧力変動）を生み出します。これを直接解く随伴法では、時間逆向きの積分と全時間ステップの履歴保存が必要となり、大規模シミュレーションでは計算リソースとメモリが膨大になり、実用化が困難です。
  2. 時間スケールの違い: 船舶運動の時間スケールとプロペラ周りの流れの時間スケールに大きな差があり、従来の回転座標系（MRF）やアクチュエータディスクモデルは、VSP の複雑な運動には適用できません。
  3. 推進無視のリスク: 推進システムを無視して船体形状を最適化すると、実際には抵抗が増加する形状が導出される可能性があります（本研究では、推進を無視した最適化で抵抗が約 3% 増加した事例が確認されました）。

2. 提案手法：CVAE 支援型代理モデル

本研究では、VSP による流れ場を幾何学的に解く代わりに、条件付き変分オートエンコーダ（Conditional Variational Autoencoder: CVAE） を用いたデータ駆動型の代理モデルを構築し、これを CFD（数値流体力学）ソルバーと随伴法最適化に統合しました。

• CVAE の構造:
  • エンコーダ/デコーダ: 畳み込みニューラルネットワーク（CNN）、残差ブロック（Residual Blocks）、自己注意機構（Self-Attention）を採用し、空間的な依存関係や長距離の流体力学的な相関を高精度に捉えます。
  • 条件付け（Conditioning）: 11 個のラベル（船速 1 個＋船体形状パラメータ 10 個）を入力とし、特定の設計条件下でのプロペラ誘起流れ場（時間平均された速度場）を生成します。
  • 学習データ: 180 件の非定常 RANS 計算（VSP を幾何学的に解いたもの）から得られた時間平均速度場を学習データとして使用しました。
• CFD への統合（メタグリッドと強制項）:
  • 学習データは、プロペラ周囲の円筒状の「メタグリッド」上に整理されます。
  • 最適化時の CFD 計算（プロペラを解かないメッシュ）において、CVAE が予測した速度場をメタグリッドから CFD メッシュへ補間します。
  • 速度場を直接上書きするのではなく、運動量方程式に**「解決強制項（Solution Forcing）」**（陰的なソース項）を追加することで、CFD 解と ML 予測値を滑らかに結合します。これにより、連続の式（発散ゼロ）の厳密な適合性を保ちつつ、プロペラの影響を反映した安定した計算が可能になります。

3. 主要な貢献

1. VSP 対応の ML 代理モデルの確立: 複雑な VSP の非定常相互作用を、時間平均された流れ場として CVAE で高精度に再現する手法を開発しました。自己注意機構の導入により、ブレード近傍の強い勾配も正確に捉えています。
2. 随伴法最適化への統合: 従来の「プロペラを解く」または「単純なモデルを使う」のどちらでもない、ML 代理モデルを随伴法最適化ループに組み込む新しい枠組みを提案しました。
3. 推進無視の危険性の定量的証明: 推進システムを考慮しない最適化が、実際には抵抗を増大させる結果をもたらすことを示し、船体 - プロペラ相互作用の考慮の重要性を裏付けました。

4. 結果

• 代理モデルの精度: 未見のテストデータに対する検証において、CVAE は時間平均された CFD 結果と非常に高い一致を示しました。速度の相対誤差は一般的に 1-2% であり、局所的な最大誤差でも船速の約 10% 以内に収まりました。また、プロペラブレードによる一時的な領域の重なりにより、時間平均場は厳密には発散ゼロにならないという性質もモデルが正しく学習していることが確認されました。
• 最適化性能:
  • 推進無視（NP）ケース: 最適化計算上は抵抗が約 2% 減少すると予測されましたが、その後のプロペラを解いた詳細な CFD 検証では、実際には抵抗が約 2.3% 増加していました。
  • 推進考慮（SP）ケース: 提案手法（CVAE 代理モデル使用）で最適化を行った結果、抵抗が約 8.2% 減少しました。この結果は、プロペラを幾何学的に解いた高忠実度シミュレーションでも約 9.3% の減少として確認され、手法の有効性が裏付けられました。
• 形状変化: 推進を考慮した最適化では、プロペラ後流（ヘッドボックス後方）に「トンネル状」の構造が形成され、流れの遷移が滑らかになるなど、推進システムを考慮した特有の形状変化が観測されました。

5. 意義と結論

• 産業への応用可能性: 従来の VSP 付き船舶の最適化には、膨大な計算コストとメモリが必要でしたが、この手法により、高価な非定常シミュレーションや随伴計算を回避しつつ、推進効果を正確に反映した形状最適化が可能になりました。
• 設計プロセスの革新: 機械学習（データ駆動）と物理ベースの CFD（第一原理）を融合させることで、複雑な流体 - 構造相互作用を含む設計問題を効率的に解決する新たなパラダイムを示しました。
• 今後の展望: 現在の手法は最適化中に代理モデルの条件（形状パラメータ）を固定していますが、将来的には最適化ループ内でリアルタイムに代理モデルを更新し、さらに二相流や自航条件（船体の動的運動）へ拡張することが目指されています。

総じて、この研究は、複雑な推進システムを持つ船舶の設計において、機械学習を活用した代理モデルが計算効率と設計精度の両立を実現する強力なツールとなり得ることを実証した画期的なものです。