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

이 논문은 Voith Schneider 프로펠러를 데이터 기반 대리 모델로 대체하여 전산 비용을 절감하면서도 8% 이상의 저항 감소를 달성하는 조건부 변분 오토인코더 (CVAE) 기반의 선체 형상 최적화 프레임워크를 제안합니다.

핵심

이 논문은 **"배의 모양을 AI 가 도와서 더 빨리, 더 효율적으로 만드는 방법"**에 대한 이야기입니다. 전문 용어 대신 일상적인 비유를 들어 쉽게 설명해 드릴게요.

🚢 핵심 이야기: 배를 더 잘게 만드는 비밀 무기

배를 만들 때 가장 중요한 것 중 하나는 물속에서 받는 저항을 줄이는 것입니다. 저항이 적을수록 연료도 덜 들고 환경에도 좋습니다. 보통은 컴퓨터 시뮬레이션을 통해 배의 모양을 수천 번 바꿔가며 최적의 디자인을 찾습니다.

하지만 여기서 큰 문제가 생깁니다.
배 뒤에 달린 **프로펠러 (나사형 추진기)**는 단순히 돌아가는 게 아니라, 물과 매우 복잡하게 상호작용합니다. 특히 이 논문에서 다룬 '보이스 슈나이더 프로펠러 (VSP)'는 나사가 아니라 수직으로 돌아가는 날개를 가지고 있어, 물의 흐름이 매우 복잡하고 예측하기 어렵습니다.

기존 방식대로 이 복잡한 프로펠러까지 다 시뮬레이션하려면?

• 시간: 몇 달이 걸릴 수도 있습니다.
• 컴퓨터 성능: 슈퍼컴퓨터도 힘들어할 정도로 엄청난 전력을 먹습니다.
• 결과: 산업 현장에서는 너무 비싸고 느려서 실제로 쓰기 어렵습니다.

💡 해결책: AI 가 대신하는 "가짜 프로펠러"

연구팀은 이 문제를 해결하기 위해 **AI(머신러닝)**를 도입했습니다. 마치 비행기 조종사가 복잡한 기체 역학을 외울 필요 없이, AI 가 대신 계산해 주는 것과 같습니다.

1. 학습 단계 (공부):
   연구팀은 먼저 프로펠러가 달린 배의 흐름을 정밀하게 계산한 데이터 180 개를 AI 에게 보여줍니다. AI 는 이 데이터를 보고 "아, 배 모양이 이렇게 변하고 속도가 이렇게 변하면, 프로펠러 뒤쪽 물살은 이렇게 흐르겠구나"라고 학습합니다.

   • 이때 사용한 AI 모델은 **CVAE(조건부 변이 오토인코더)**라는 복잡한 이름의 신경망인데, 쉽게 말해 **"조건을 입력하면 결과 (물 흐름) 를 만들어내는 마법 상자"**입니다.

2. 적용 단계 (실전):
   이제 배의 모양을 최적화할 때, 무거운 프로펠러 시뮬레이션을 다시 할 필요가 없습니다. 대신 학습된 AI 모델이 "이 모양의 배라면 프로펠러 뒤쪽 물살은 이렇게 흐를 거야"라고 가상의 물 흐름 데이터를 만들어냅니다.

   • 이 데이터를 배 모양을 계산하는 프로그램에 주면, 컴퓨터는 프로펠러를 직접 그리지 않아도 프로펠러의 영향을 받은 것처럼 배 모양을 수정할 수 있습니다.

🎯 실험 결과: AI 를 쓰지 않으면 오히려 더 느려진다!

연구팀은 두 가지 방법으로 배를 최적화해 보았습니다.

• 방법 A (AI 없이, 프로펠러 무시):
  "프로펠러는 그냥 무시하고 배 모양만 예쁘게 만들자."

  • 결과: 컴퓨터상에서는 저항이 2% 줄어든다고 나왔지만, 실제로 프로펠러를 달고 다시 계산해 보니 오히려 저항이 3% 늘었습니다!
  • 비유: "자동차의 엔진 소음을 무시하고 차체만 매끄럽게 다듬으니, 실제로는 엔진과 차체가 안 맞아 더 느려진 꼴"입니다.

• 방법 B (AI 사용, 프로펠러 고려):
  "AI 가 만들어낸 프로펠러의 영향을 배 모양에 반영하자."

  • 결과: 저항이 8% 이상 감소했습니다. 그리고 이 결과를 실제 정밀 시뮬레이션으로 확인해도 역시나 저항이 줄어든다는 것이 입증되었습니다.
  • 비유: "엔진과 차체의 관계를 AI 가 정확히 계산해 주어, 두 부품이 완벽하게 조화되는 최적의 디자인을 찾아낸 것"입니다.

🌟 결론: 왜 이 연구가 중요한가요?

이 논문은 **"복잡한 물리 현상 (프로펠러) 을 AI 가 대신 예측해주면, 배를 설계할 때 훨씬 빠르고 정확하게 최적의 모양을 찾을 수 있다"**는 것을 증명했습니다.

• 기존 방식: 프로펠러까지 다 계산하려다 지쳐서 포기하거나, 프로펠러를 무시하고 잘못된 디자인을 만드는 실수를 저지름.
• 새로운 방식: AI 가 "가짜 프로펠러" 역할을 대신해주어, 시간과 비용을 아끼면서도 실제와 똑같은 결과를 얻음.

결국 이 기술은 더 빠르고, 연료를 덜 쓰며, 환경을 생각하는 미래의 배를 만드는 데 큰 도움을 줄 것입니다. 마치 고급 요리사가 AI 가 추천한 레시피를 보고 더 맛있는 요리를 만들어내는 것과 비슷하다고 볼 수 있겠네요!

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 선박 설계에서 저항 (Resistance) 을 최소화하기 위한 형상 최적화는 매우 중요하며, 특히 환경 규제 강화로 인해 추진 효율성 향상이 필수적입니다. 이를 위해 어디 (Adjoint) 기반 형상 최적화 기법이 널리 사용되는데, 이는 설계 변수의 수에 거의 무관하게 기울기 (Gradient) 를 계산할 수 있어 고차원 설계 문제에 효과적입니다.
• 문제점: Voith Schneider Propeller (VSP, 보이스 슈나이더 프로펠러) 와 같은 복잡한 추진 시스템을 탑재한 선박의 경우, 기존 어드저인트 기반 최적화에 다음과 같은 심각한 도전 과제가 존재합니다.
  1. 계산 비용 및 저장 공간: VSP 는 회전하는 블레이드가 수직 평면에서 피칭 운동을 하므로 비정상 (Unsteady) 유동이 발생합니다. 이를 정확히 해석하려면 긴 시간 동안의 비정상 시뮬레이션이 필요하며, 어드저인트 해를 구하기 위해서는 시간 역방향으로 전파해야 하므로 모든 시간 단계의 원문제 (Primal) 유동장을 저장해야 합니다. 이는 수백만 개의 격자점과 수만 개의 시간 단계를 다루는 산업용 시뮬레이션에서 메모리 및 계산 비용을 폭발적으로 증가시켜 실용성을 떨어뜨립니다.
  2. 추진 시스템의 영향 무시 시 위험: 추진 시스템을 무시하고 선체 형상만 최적화할 경우, 실제 추진 조건에서 오히려 저항이 증가하는 비효율적인 형상이 도출될 수 있습니다.
  3. 기존 대체 모델의 한계: 회전하는 블레이드를 단순화하는 Actuator Disc 모델 등은 축류 (Axial flow) 에는 효과적이지만, VSP 와 같은 사이클로이드 (Cycloidal) 시스템에는 적용하기 어렵습니다.

2. 제안된 방법론 (Methodology)

저자들은 기계학습 (ML) 기반의 조건부 변분 오토인코더 (Conditional Variational Autoencoder, CVAE) 를 활용한 추진 시스템 대리 모델 (Surrogate Model) 을 개발하여 이를 연속 어드저인트 (Continuous Adjoint) 최적화 프레임워크에 통합했습니다.

• CVAE 기반 대리 모델:
  • 구조: 인코더와 디코더로 구성된 오토인코더 아키텍처를 사용하며, 잔차 블록 (Residual Blocks) 과 자기 주의 (Self-Attention) 메커니즘을 도입하여 복잡한 유동장의 국소적 기울기와 장기적 의존성을 정확히 포착합니다.
  • 조건부 학습 (Conditioning): 11 개의 조건 변수 (10 개의 기하학적 파라미터 + 1 개의 항해 속도) 를 입력받아, 해당 조건에 맞는 VSP 에 의해 유도된 시간 평균 유동장 (Time-averaged flow field) 을 생성합니다.
  • 학습 데이터: 180 개의 비정상 RANS 시뮬레이션 데이터를 기반으로 학습되었으며, 비구조화된 CFD 격자 데이터를 구조화된 '메타 그리드 (Meta-grid)'로 매핑하여 학습했습니다.
• CFD 통합 및 강제화 (Forcing) 기법:
  • 최적화 과정에서는 프로펠러 기하학을 직접 해석하지 않고, CVAE 가 예측한 3 차원 속도장을 CFD 메시의 특정 영역 (메타 그리드) 에 할당합니다.
  • 암시적 강제화 (Implicit Forcing): 예측된 속도장을 운동량 방정식에 소스 항 (Source term) 으로 추가하여, CFD 해가 대리 모델의 유동장과 자연스럽게 일치하도록 유도합니다. 이는 연속 방정식 (Continuity equation) 을 완벽하게 만족하지 못하는 ML 예측값의 한계를 보완하면서도 수치적 안정성을 확보합니다.
• 최적화 알고리즘:
  • 파라미터가 없는 (Parameter-free) 연속 어드저인트 방법을 사용하여 메시 변형 (Mesh deformation) 을 수행합니다.
  • 선체 형상 변경 시 매번 ML 모델을 재학습할 필요 없이, 사전 학습된 모델을 사용하여 최적화 루프를 빠르게 수행합니다.

3. 주요 기여 (Key Contributions)

1. 복잡한 추진 시스템의 효율적 모델링: VSP 와 같은 복잡한 비정상 추진 시스템을 기하학적으로 해석하지 않고도, CVAE 기반 대리 모델을 통해 시간 평균 유동장을 고도로 정확하게 재현하여 계산 비용을 획기적으로 절감했습니다.
2. 어드저인트 최적화와의 성공적 통합: ML 기반 대리 모델을 어드저인트 기반 형상 최적화 프레임워크에 통합하여, 추진 - 선체 상호작용 (Propeller-Hull Interaction) 을 고려한 최적화가 가능하도록 했습니다.
3. 수치적 안정성 확보: ML 예측값과 CFD 해 사이의 불일치 (특히 발산 문제) 를 해결하기 위해 암시적 강제화 기법을 도입하여, 연속성을 보장하지 않는 ML 유동장도 안정적으로 최적화 과정에 활용할 수 있음을 증명했습니다.

4. 실험 결과 (Results)

• 대리 모델 검증:
  • 테스트 데이터에서 CVAE 모델은 시간 평균 유동장을 매우 정확하게 재현했습니다. 전체 슬라이스에서의 최대 상대 오차는 약 1.6% 이내였으며, 국소적 최대 오차도 선박 속도의 약 10% 수준으로 제한되었습니다.
  • 추진 시스템이 없는 경우 (Neglecting propulsion) 와 비교했을 때, 대리 모델 기반 시뮬레이션은 저항 예측에서 약 14.5% 의 오차를 보였으나, 이는 격자 해상도 차이 (Propeller 해상도 유무) 에 기인한 것으로 분석되었습니다.
• 형상 최적화 결과:
  • 추진 시스템 무시 시 (NP Case): 추진 시스템을 고려하지 않고 최적화한 경우, 최적화 알고리즘은 저항이 약 2% 감소한다고 예측했으나, 실제 프로펠러를 해상한 시뮬레이션으로 검증한 결과 저항이 약 2.26% 증가하는 역효과가 발생했습니다.
  • 제안된 방법 적용 시 (SP Case): CVAE 기반 대리 모델을 포함한 최적화를 수행한 경우, 저항이 약 8.2% 감소하는 결과를 얻었습니다. 이는 프로펠러를 해상한 고충실도 시뮬레이션에서도 약 9.29% 감소로 검증되어 일관된 향상을 보였습니다.
  • 형상 변화: 최적화된 형상은 프로펠러 후류 (Wake) 영역에서 '터널 (Tunnel)'과 같은 구조를 형성하여 유동 전환을 매끄럽게 하고, 선체 후미 (Transom) 및 중앙부 (Midship) 의 형상을 최적화했습니다.

5. 의의 및 결론 (Significance)

• 산업적 적용 가능성: 이 연구는 고비용의 비정상 어드저인트 시뮬레이션 없이도 복잡한 추진 시스템을 가진 선박의 형상 최적화를 가능하게 하여, 산업 현장에서의 적용 장벽을 낮췄습니다.
• 추진 - 선체 상호작용의 중요성 재확인: 추진 시스템을 무시한 최적화는 오히려 성능을 저하시킬 수 있음을 명확히 보여주었으며, 최적 설계에는 반드시 추진 시스템의 영향을 고려해야 함을 강조했습니다.
• 향후 과제: 현재 연구는 단일 위상 (Single-phase) 유동과 '동결 (Frozen)'된 대리 모델 (최적화 중 입력 파라미터가 고정됨) 을 사용했습니다. 향후 연구에서는 최적화 루프 내에서 실시간으로 대리 모델을 업데이트하고, 2 상 유동 (자유 표면) 및 자항 (Self-propulsion) 조건으로 확장하는 것을 목표로 하고 있습니다.

요약: 본 논문은 Voith Schneider Propeller 를 탑재한 선박의 저항 감소를 위해, CVAE 기반의 ML 대리 모델을 어드저인트 최적화에 통합한 새로운 프레임워크를 제안했습니다. 이를 통해 계산 비용을 크게 줄이면서도 추진 시스템의 영향을 정확히 반영하여, 기존 방법론으로는 달성할 수 없었던 8% 이상의 저항 감소를 성공적으로 이끌어냈습니다.