Reduced-Order Hydrodynamic Modelling of a Sphere Near a Wall Using Sparse Regression and Neural Operators

Dit onderzoek presenteert een interpreteerbaar, parametrisch surrogaatmodel dat door middel van sparse regressie (SINDy) en een neurale operator een real-time voorspelling van de hydrodynamische beweging van een bol nabij een muur mogelijk maakt, gebaseerd op data uit hoge-resolutie CFD-simulaties.

De kern

De Kern: Een "Snelle Voorspeller" voor Zeevaart

Stel je voor dat je een klein bootje (een onbemand vaartuigje) uit een groot schip moet laten zakken in ruwe zee. Dit is een van de gevaarlijkste momenten in een missie. Het water is onrustig, het grote schip beweegt, en het kleine bootje moet precies op het juiste moment en de juiste plek landen.

Om dit veilig te doen, moeten we weten hoe het kleine bootje zich zal gedragen. Normaal gesproken doen wetenschappers dit met superkrachtige computersimulaties (CFD). Maar deze simulaties zijn als het bakken van een taart in een oven die uren nodig heeft: ze zijn extreem nauwkeurig, maar veel te traag om in echt te gebruiken terwijl je aan het manoeuvreren bent.

Dit paper presenteert een oplossing: een "slimme voorspeller" (een zogenaamd 'surrogaatmodel'). Dit model is als een ervaren zeeman die de golven en het gedrag van het bootje in een flits kan inschatten, zonder dat hij uren hoeft te rekenen.

Hoe werkt deze "Slimme Voorspeller"?

De onderzoekers gebruiken een slimme combinatie van twee technieken, die we kunnen vergelijken met het leren van een nieuwe taal en het maken van een kaart.

Stap 1: De "Taal" van de Golven leren (SINDy)

Eerst kijken ze naar de complexe simulaties. Ze proberen te begrijpen welke "woorden" (wiskundige termen) nodig zijn om de beweging van het bootje te beschrijven.

• De Analogie: Stel je voor dat je een liedje hoort. Je kunt proberen het hele liedje letterlijk op te schrijven, maar dat is lastig. In plaats daarvan luister je naar de structuur: "Er is een baslijn, een melodielijn en een ritme."
• In de paper: Ze gebruiken een techniek genaamd SINDy. Dit is als een detective die door een berg data (de simulaties) zoekt naar de kortste, meest begrijpelijke vergelijkingen die de beweging beschrijven. Ze vinden dat de beweging bestaat uit:
  1. Stijfheid: Het bootje wil terug naar het midden (zoals een veer).
  2. Wrijving: Het water vertraagt het bootje (zoals remmen).
  3. Aandrijving: De golven duwen het bootje.

SINDy leert dat deze krachten niet altijd lineair zijn. Bij kleine golven is het simpel, maar bij grote golven wordt het complexer (zoals een veer die harder wordt naarmate je hem meer uitrekt).

Stap 2: De "Kaart" maken (Neural Operator)

Nu hebben ze de regels voor één specifieke situatie (bijvoorbeeld: bootje 10 meter van de muur, valt 1 meter diep). Maar wat als het bootje 15 meter van de muur is? Of 2 meter valt? Dan moet je de hele simulatie opnieuw draaien, wat te lang duurt.

Hier komt de tweede techniek, het Neural Operator (ONet), om de hoek kijken.

• De Analogie: Stel je hebt een kaart van een stad. Je kent de wegen voor de ene wijk. De Neural Operator is als een GPS die niet alleen de wegen kent, maar ook voorspelt hoe de wegen eruitzien in een wijk die je nog niet hebt bezocht, op basis van de patronen die je al kent.
• In de paper: Het computermodel leert een "gladde kaart" van alle mogelijke situaties. Het leert hoe de regels (de krachten) veranderen als je de afstand tot het grote schip of de valhoogte verandert.

Het Magische Trucje: "De Voorspeller met Gewetens"

Het meest interessante deel van dit paper is hoe ze het model betrouwbaar maken.
Normaal gesproken zijn AI-modellen "zwarte dozen": ze geven een antwoord, maar je weet niet waarom. Dit model is anders.

• De Analogie: Stel je leert iemand autorijden. Je kunt zeggen: "Druk op het gaspedaal" (zwarte doos). Of je kunt zeggen: "Druk op het gaspedaal, maar onthoud dat je niet harder mag dan 50 km/u en dat je remt bij een rood licht" (fysica-informeerd).
• In de paper: Ze gebruiken de resultaten van Stap 1 (de detective/SINDy) als regels voor de AI in Stap 2. Ze zeggen tegen de AI: "Je mag vrij leren, maar je antwoorden moeten binnen de grenzen van de natuurwetten blijven die we al hebben ontdekt."
  • Ze dwingen de AI om te leren dat de "veerkracht" en "wrijving" realistische waarden moeten hebben.
  • Dit zorgt ervoor dat het model niet zomaar raadt, maar verantwoordelijk voorspelt.

Wat is het resultaat?

1. Snelheid: Waar de oude simulaties uren nodig hadden, kan dit nieuwe model de beweging van het bootje in real-time voorspellen. Het is als het verschil tussen het handmatig berekenen van een route en het gebruik van Google Maps.
2. Nauwkeurigheid: Het model is bijna net zo nauwkeurig als de dure simulaties, maar dan veel sneller.
3. Begrijpelijkheid: Omdat het model gebaseerd is op echte fysica (krachten, wrijving, veerkracht), kunnen ingenieurs het resultaat vertrouwen en begrijpen. Ze weten waarom het model voorspelt dat het bootje zal kantelen.

Conclusie in één zin

De onderzoekers hebben een manier gevonden om de complexe, dure wiskunde van de zee te vertalen naar een snelle, betrouwbare "voorspeller" die een AI gebruikt, maar die zich houdt aan de regels van de natuurkunde, zodat schepen hun kleine bootjes veiliger en slimmer kunnen laten zakken in stormachtige zeeën.

Technische samenvatting

Titel: Gereduceerde-orde hydrodynamische modellering van een bol nabij een wand met behulp van sparse regression en neurale operatoren

Auteurs: Z. Hoffman et al. (RMIT University, Navantia Australia, DSTG)
Context: 36e Symposium over Navale Hydrodynamica, Busan, Korea (2026)

---

1. Probleemstelling

De lancering en terugwinning (Launch and Recovery - LARS) van kleine onbemande oppervlakteschepen (USV's) vanaf grotere moederschepen is een kritieke maar uitdagende operatie, vooral in ruwe zee.

• Huidige beperkingen: Traditionele lineaire methoden (zoals strip-theorie) zijn computatie-efficiënt maar falen bij grote golfhellingen, grote bewegingsamplitudes en complexe geometrieën (zoals nabijheid van een wand), waar niet-lineaire effecten (niet-lineaire hydrostatische krachten, golf-radiatie-interactie) dominant worden.
• CFD-kost: Hoewel Computational Fluid Dynamics (CFD) deze niet-lineaire effecten nauwkeurig kan modelleren, is de rekentijd te hoog voor real-time toepassingen (een enkele simulatie kan duizenden CPU-uuren vereisen).
• Doel: Er is behoefte aan een interpreteerbaar, parametrisch surrogaatmodel dat de dynamica van een object in real-time kan voorspellen zonder de hoge kosten van CFD, maar wel de fysica behoudt.

2. Methodologie

De auteurs hanteren een hybride aanpak die sparse regression (SINDy) combineert met neurale operatoren (ONet) om een gereduceerde-orde model (ROM) te bouwen.

A. Data Generatie (CFD)

• Configuratie: Een vereenvoudigd LARS-scenario waarbij een USV wordt gemodelleerd als een bol met één vrijheidsgraad (heave-beweging) nabij een verticale wand (het moederschip).
• Simulaties: High-fidelity CFD-simulaties (Ansys Fluent 2025R1) worden uitgevoerd voor een parametrische dataset met variërende wandafstanden ($WD$) en valhoogtes ($DH$).
• Fysica: De simulaties gebruiken de Navier-Stokes-vergelijkingen met een VOF (Volume of Fluid) methode voor het lucht-water interface en een $k-\omega$ SST turbulentiemodel.

B. Sparse Identification of Nonlinear Dynamics (SINDy)

• Voor elke individuele CFD-trajectorie wordt SINDy toegepast om een compacte, niet-lineaire differentiaalvergelijking (ODE) te identificeren.
• Modelvorm: De beweging wordt beschreven als een oscillator:
  $$(M+A)\ddot{x} + C(x, \dot{x})\dot{x} + K(x)x = F_{exc}(t)$$
• Bibliotheken: Een kandidaat-bibliotheek van functies (polynomen voor hydrostatische krachten en stralingsdemping, harmonische termen voor golfexcitatie) wordt gebruikt.
• Resultaat: SINDy levert een vector van coëfficiënten ($\Xi$) die de fysieke krachten (stijfheid, demping, excitatie) voor specifieke $WD$ en $DH$ waarden kwantificeren. Dit zorgt voor interpreteerbaarheid.

C. Neuraal Operatormodel (ONet)

• Doel: De discrete coëfficiënten van SINDy over het hele parametrische domein ($WD, DH$) te interpoleren tot een gladde, continue functie.
• Architectuur: Een volledig verbonden feed-forward netwerk (2 input-neuronen $\to$ 32 verborgen $\to$ 8 output-neuronen).
• Unieke aanpak:
  1. Het netwerk leert niet direct de beweging, maar de coëfficiënten van de ODE.
  2. Physics-informed prior: De output van het netwerk wordt beperkt tot fysiek plausibele waarden (gebaseerd op de SINDy-bereik) via een rescaling-laag.
  3. Verliesfunctie: Het trainingsverlies wordt berekend door de numerieke integratie (RK4) van de gegenereerde ODE en het vergelijken van het resultaat met de daadwerkelijke CFD-trajectoires. Dit omzeilt het probleem dat meerdere sets coëfficiënten dezelfde dynamica kunnen produceren.

3. Belangrijkste Bijdragen

1. Hybride Surrogaatmodel: Een nieuwe framework die de interpreteerbaarheid van SINDy combineert met de generalisatiekracht van neurale netwerken voor real-time voorspelling.
2. Fysiek Gebaseerde Coëfficiënten: Het model leert geen "black box" beweging, maar leert de onderliggende hydrodynamische parameters (stijfheid, demping, excitatie) als functie van de omgevingscondities.
3. Validatie van Niet-Lineaire Effecten: Het paper bevestigt dat voor grote valhoogtes niet-lineaire hydrostatische termen (kubische stijfheid) en amplitude-afhankelijke demping essentieel zijn om de CFD-resultaten nauwkeurig te reproduceren.
4. Inzicht in Excitatiekrachten: De studie toont aan dat de excitatiekracht door teruggekaatste golven niet lineair gescheiden kan worden van de lichaamsbeweging en stralingsveld, wat de complexiteit van LARS-scenario's onderstreept.

4. Resultaten

• Nauwkeurigheid: Het surrogaatmodel bereikt een gemiddelde Mean Squared Error (MSE) van ongeveer $5.76 \times 10^{-4}$ op de testset, wat dicht ligt bij de theoretische ondergrens bepaald door de SINDy-identificatie zelf ($5.1 \times 10^{-4}$).
• Interpolatie vs. Extrapolatie: Het model presteert uitstekend binnen het trainingsdomein (interpolatie). Extrapolatie (bijv. $WD=25m$) leidt tot grotere fouten, wat verwacht wordt.
• Vergelijking met Analytische Modellen:
  • De lineaire en kubische stijfheidstermen die door SINDy worden geïdentificeerd, komen overeen met analytische afleidingen voor een bol, wat de fysieke geldigheid bevestigt.
  • De excitatietermen (golven) zijn complexer; een simpele lineaire superpositie faalt, maar de fase van de excitatiekracht wordt wel correct voorspeld op basis van de golftijd ($2 \cdot WD / c$).
• Snelheid: Het model kan dynamica voorspellen in real-time, terwijl een equivalente CFD-simulatie duizenden keren langer duurt.

5. Betekenis en Toekomstperspectief

• Praktische Toepassing: Deze aanpak biedt een haalbare route naar real-time, fysiek-informeerde modellering voor operaties zoals het lanceren en terugwinnen van USV's, waarbij snelle beslissingen nodig zijn in onvoorspelbare omstandigheden.
• Interpreteerbaarheid: In tegenstelling tot pure data-gedreven modellen (zoals LSTM of CNN), biedt dit model inzicht in waarom een bepaalde beweging optreedt, door de gekoppelde krachten (stijfheid, demping) bloot te leggen.
• Beperkingen en Uitbreiding: Het huidige model is beperkt tot een bolvormige geometrie en één vrijheidsgraad (heave). Toekomstig werk zal zich richten op complexere rompvormen, meerdere vrijheidsgraden (6-DoF) en onregelmatige zeeën.

Conclusie: Het paper demonstreert succesvol dat een combinatie van sparse regression en neurale operatoren een krachtige, interpreteerbare en real-time capable oplossing biedt voor complexe niet-lineaire hydrodynamische problemen in de maritieme sector.