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

Dit paper presenteert een machine learning-gestuurde optimalisatieframework dat een op Conditional Variational Autoencoder gebaseerd surrogaatmodel voor Voith Schneider-propellers gebruikt om de hoge rekentijd van adjoint-gebaseerde vormoptimalisatie voor schepen te overwinnen, wat resulteert in een weerstandsreductie van meer dan 8%.

De kern

Het Geheim van de Snellere, Zuinigere Schepen: Een AI-gids voor de Scheepsbouwers

Stel je voor dat je een enorm, zwaar schip ontwerpt dat door de zee moet varen. Het doel is simpel: het moet zo snel mogelijk gaan met zo min mogelijk brandstof. Maar er zit een addertje onder het gras. De schepen die we vandaag bouwen, hebben vaak geen gewone schroef achterin, maar een Voith-Schneider-aandrijving (VSP).

Wat is dat? Stel je voor dat een gewone schroef ronddraait als een propeller op een vliegtuig. Een VSP is echter als een danser die niet alleen ronddraait, maar ook nog eens zijn armen (de bladen) continu in en uit beweegt. Dit zorgt voor een heel krachtige, maar ook heel chaotische stroom van water.

Het Probleem: De Rekenkracht-Val
Om een schip te optimaliseren, moeten ingenieurs duizenden keren het ontwerp aanpassen en kijken wat er gebeurt. Normaal gesproken gebruiken ze supercomputers om de waterstroom rondom die dansende schroef na te bootsen.

• De uitdaging: Omdat de schroef zo complex beweegt, moet de computer elke fractie van een seconde berekenen. Het is alsof je probeert een heel lang verhaal te lezen, maar je moet het in omgekeerde volgorde herschrijven terwijl je elke zin van begin tot eind in je geheugen moet houden. Dit kost zoveel rekenkracht en geheugen dat het voor echte schepen vaak onmogelijk is.

De Oplossing: De "CVAE" als Slimme Voorspeller
In dit onderzoek hebben de auteurs een slimme oplossing bedacht: ze hebben een kunstmatige intelligentie (AI) getraind om de dans van de schroef te "voorspellen" zonder hem echt te hoeven simuleren.

Ze gebruiken een speciaal type AI genaamd een CVAE (Conditional Variational Autoencoder).

• De Analogie: Stel je voor dat je een chef-kok hebt die duizenden foto's heeft gemaakt van hoe water stroomt rondom een dansende schroef. De AI is als een meester-illustrator die al die foto's heeft gezien. Als je de chef nu vraagt: "Hoe ziet de stroom eruit als de schroef iets sneller draait en het schip iets anders is gevormd?", dan hoeft de illustrator niet opnieuw te tekenen. Hij pakt zijn geheugen, past de bestaande patronen een beetje aan en tekent het nieuwe plaatje in een seconde.
• In plaats van de hele dansende schroef te simuleren, leert de AI het gemiddelde effect van de schroef op het water. Het is alsof je in plaats van elke individuele golf te meten, gewoon kijkt naar de gemiddelde stroming die de schroef veroorzaakt.

Hoe werkt het in de praktijk?

1. Leren: De AI kijkt naar 180 verschillende simulaties van echte schepen met schroeven. Hij leert de relatie tussen de vorm van het schip, de snelheid en de waterstroom.
2. Optimaliseren: Vervolgens laat men de computer het schipontwerp aanpassen om de weerstand te verkleinen. In plaats van de zware simulatie te draaien, gebruikt de computer de snelle AI-voorspelling.
3. De "Kracht": De AI geeft de snelheid van het water door aan de simulatie. De computer "duwt" het water dan in de richting die de AI voorspelt, zodat het gedrag van de schroef wordt nagebootst zonder de schroef zelf te tekenen.

Het Verbluffende Resultaat
Het meest interessante deel van dit verhaal is wat er gebeurt als je de schroef vergeet in je berekeningen.

• Scenario A (Zonder AI): De ingenieurs laten de computer het schip optimaliseren zonder rekening te houden met de schroef. Het resultaat? Het schip ziet er perfect uit op papier, maar als je het echt bouwt en de schroef toevoegt, blijkt het schip traagder te zijn dan het origineel! De vorm die goed was zonder schroef, werkt juist slecht met de schroef.
• Scenario B (Met AI): De ingenieurs gebruiken de slimme AI-voorspeller. Het resultaat? Ze vinden een schipvorm die 8% minder weerstand heeft. Dat is enorm veel brandstofbesparing!

De Conclusie
Dit onderzoek laat zien dat je bij het ontwerpen van moderne schepen de "dansende schroef" niet mag negeren. Als je dat doet, maak je een fout die het schip trager maakt. Door een slimme AI (de CVAE) te gebruiken als een tussenstap, kunnen ingenieurs de complexe interactie tussen schip en schroef snel en nauwkeurig berekenen.

Het is alsof je een mapje met duizenden kaarten hebt om een route te vinden. Zonder de AI moet je elke weg zelf uitlopen (duur en langzaam). Met de AI heb je een slimme gids die je direct de beste route wijst, gebaseerd op alle eerdere ervaringen. En dat leidt tot schepen die sneller varen en minder vervuilen.

Technische samenvatting

Titel: Adjoint-gebaseerde vormoptimalisatie van een scheepshuid met behulp van een door een Conditional Variational Autoencoder (CVAE) ondersteund surrogaatmodel voor voortstuwing

1. Het Probleem

Adjoint-gebaseerde vormoptimalisatie is een krachtige methode om de hydrodynamische weerstand van schepen te minimaliseren, vooral bij problemen met een groot aantal ontwerpvariabelen. Echter, de toepassing op schepen met complexe voortstuwingssystemen, zoals de Voith Schneider Propeller (VSP), brengt aanzienlijke uitdagingen met zich mee:

• Rekenkosten en Opslag: Een directe numerieke resolutie van de VSP vereist tijdsafhankelijke (transiënte) simulaties met zeer kleine tijdstappen. Voor adjoint-berekeningen moet de volledige geschiedenis van het primaire stromingsveld worden opgeslagen om terugwaarts in de tijd te integreren. Bij simulaties met tientallen miljoenen roostercellen en honderdduizenden tijdstappen is dit vaak onhaalbaar of leidt het tot onaanvaardbare rekenkosten.
• Complexiteit van de VSP: In tegenstelling tot conventionele schroeven, werkt de VSP met bladen die roteren en gelijktijdig in een verticaal vlak pitchen. Dit creëert een complex, onstabiel stromingsveld met sterke wervelafschuiving en drukfluctuaties.
• Methodebeperkingen: Bestaande benaderingen zoals Multiple Reference Frames (MRF) zijn niet toepasbaar op de VSP vanwege de loodrechte uitlijning van de vaarrichting en rotatieas. Actuator-schijfmodellen werken goed voor axiale stroming, maar niet voor cycloïdale systemen zoals de VSP.
• Risico van verwaarlozing: Het negeren van de voortstuwing tijdens de optimalisatie kan leiden tot een schepshuidvorm die, wanneer deze onder voortstuwingsomstandigheden wordt getest, juist een hogere weerstand oplevert dan het oorspronkelijke ontwerp.

2. Methodologie

De auteurs stellen een hybride raamwerk voor dat Machine Learning (ML) combineert met CFD (Computational Fluid Dynamics) en adjoint-gebaseerde optimalisatie.

• Surrogaatmodel (CVAE):

  • Er wordt een Conditional Variational Autoencoder (CVAE) getraind om het tijdsgegemiddelde stromingsveld veroorzaakt door de VSP te voorspellen.
  • Input: Het model neemt 11 "labels" als input: 10 geometrische parameters (bijv. vorm van het achterschip, headbox-dimensies) en 1 operationele parameter (vaarsnelheid).
  • Architectuur: Het model gebruikt convolutionele lagen, residual blocks en self-attention mechanismen om lokale gradiënten en niet-lokale stromingsverschijnselen (zoals wervelafschuiving) nauwkeurig te modelleren.
  • Output: Een 3D-velocityveld op een gestructureerd "meta-rooster" rondom de propellerlocatie.

• Integratie in CFD:

  • In plaats van de propeller geometrisch op te lossen, wordt het ML-model gebruikt om een snelheidsveld te genereren.
  • Dit veld wordt via een meta-rooster (een cilindrisch domein rond de propeller) geïnterpoleerd naar het CFD-rooster van het schip.
  • Implicit Forcing: De ML-snelheden worden niet direct overgeschreven, maar impliciet opgelegd aan de momentumvergelijkingen via een bronterm (forcing term). Dit zorgt voor een robuuste koppeling en voorkomt problemen met continuïteit (divergentievrijheid), aangezien ML-velden niet per se continuïteitscompatibel zijn met het CFD-rooster.

• Optimalisatieproces:

  • Er wordt een continue adjoint-methode gebruikt om de gradiënten van de weerstand ten opzichte van de vorm te berekenen.
  • Het proces is "parameter-vrij" (geen hermeshing nodig) en gebruikt de Steklov-Poincaré-methode voor mesh-deformatie.
  • Het surrogaatmodel wordt gebruikt om de voortstuwingsinvloeden in de adjoint-berekening te simuleren zonder de propeller geometrisch op te lossen.

3. Belangrijkste Bijdragen

1. Nieuwe Framework: De ontwikkeling van een ML-ondersteund optimalisatiekader specifiek voor schepen met Voith Schneider Propellers, wat een oplossing biedt voor de hoge rekenkosten van transiënte adjoint-simulaties.
2. CVAE Architectuur: Het succesvolle gebruik van een CVAE met self-attention en residual blocks om complexe, tijdsgegemiddelde stromingsvelden te leren van CFD-data, waarbij de relatie tussen geometrie en stroming wordt vastgelegd.
3. Implicit Forcing Strategie: Een innovatieve manier om ML-voorspellingen in de CFD-vergelijkingen te integreren die robuustheid garandeert zonder strikte continuïteitsvereisten voor het ML-veld.
4. Validatie van de Impact van Voortstuwing: Een kwantitatief bewijs dat het negeren van de voortstuwing tijdens de optimalisatie contraproductief is.

4. Resultaten

• Validatie van het Surrogaatmodel: Het CVAE-model reproduceert het tijdsgegemiddelde stromingsveld met hoge nauwkeurigheid. De relatieve fout in snelheid is doorgaans 1-2%, met lokale maxima van ongeveer 10% in gebieden met sterke gradiënten.
• Optimalisatie-resultaten:
  • Geen Voortstuwing (NP): Een optimalisatie waarbij de propeller werd genegeerd, resulteerde in een schijnbare weerstandsreductie van ~2%. Echter, bij latere validatie met een volledig opgeloste propeller-simulatie bleek de weerstand toegenomen te zijn met ongeveer 2,26%.
  • Met Surrogaatmodel (SP): De optimalisatie met het ML-surrogaatmodel leverde een vorm op die een weerstandsreductie van 8,2% voorspelde. Validatie met een transiënte simulatie (propeller expliciet opgelost) bevestigde een reductie van 9,29%.
• Efficiëntie: De methode elimineert de noodzaak voor duure, tijdsafhankelijke adjoint-simulaties met opgeloste propellers, terwijl de nauwkeurigheid behouden blijft.

5. Betekenis en Conclusie

Dit onderzoek demonstreert dat het integreren van voortstuwingsinvloeden in de vormoptimalisatie van schepen cruciaal is. Het negeren van de interactie tussen schroef en schip kan leiden tot suboptimale of zelfs slechtere ontwerpen.

De voorgestelde methode combineert de efficiëntie van data-gedreven surrogate modellen met de fysische nauwkeurigheid van CFD en adjoint-methoden. Dit maakt het mogelijk om complexe voortstuwingssystemen (zoals VSP) mee te nemen in industriële optimalisatieroutines zonder de onhoudbare rekenkosten van volledige transiënte simulaties. De studie markeert een belangrijke stap richting efficiëntere en schonere scheepsontwerpen, waarbij brandstofverbruik en emissies kunnen worden verlaagd door hydrodynamisch geoptimaliseerde vormen die rekening houden met de volledige voortstuwing.

Beperkingen en Toekomst:
Huidige beperkingen zijn dat het surrogaatmodel tijdens de optimalisatie "bevroren" is (niet bijgewerkt per iteratie) en dat alleen één-fase stroming wordt gebruikt. Toekomstig werk richt zich op het dynamisch bijwerken van het model tijdens de optimalisatie en het uitbreiden naar twee-fase stroming en zelfaangedreven simulaties.