🔬 physics

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

ShipNet is een geometrische deep learning surrogaatmodel dat wolkpunten van de romp en snelheid benut om nabijveld drukverdelingen en verreveld golfpatronen in ongeveer 0,15 seconden te voorspellen, waarbij een versnelling van 550x ten opzichte van traditionele potentiaalstroom-solvers wordt bereikt terwijl een hoge nauwkeurigheid (R² ≥ 0,91) behouden blijft voor snelle scheepsontwerpexploratie.

Oorspronkelijke auteurs: Kirsten Odendaal, George Drakoulas

Gepubliceerd 2026-06-16

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Kirsten Odendaal, George Drakoulas

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een architect bent die probeert het perfecte schip te ontwerpen. Om dit te doen, moet je weten hoe water tegen de romp zal duwen en welke golven het schip zal creëren terwijl het beweegt. Traditioneel gezien is het uitrekenen hiervan alsof je het weer probeert te voorspellen: je moet enorme, supercomplexe computersimulaties draaien die uren of zelfs dagen duren voordat ze klaar zijn. Het is accuraat, maar het is zo traag en duur dat je slechts een handvol ontwerpen kunt testen voordat je tijd en geld op zijn.

Dit artikel introduceert ShipNet, een nieuwe "AI-shortcut" die dit probleem oplost. Zie ShipNet niet als een trage, gedetailleerde weervoorspeller, maar als een supersnelle, hoogopgeleide expert die duizenden scheepsontwerpen heeft bestudeerd en direct kan raden hoe het water zich zal gedragen door alleen naar een afbeelding van de vorm van de boot te kijken.

Hier is hoe het werkt, onderverdeeld in eenvoudige concepten:

1. Het "Magische Oog" (Geometric Deep Learning)

Normaal gesproken hebben computers moeite met het begrijpen van 3D-vormen omdat ze gewend zijn aan rasters (zoals een schaakbord). Maar een scheepsromp is een glad, gebogen oppervlak.

De Analogie: Stel je voor dat je een beeldhouwwerk aan iemand probeert te beschrijven. Je kunt proberen het vierkant voor vierkant te beschrijven (zoals een raster), maar dat is onhandig. In plaats daarvan bekijkt ShipNet de romp van de boot als een wolk van 1.024 kleine puntjes (een point cloud) die in de ruimte zweven.
Hoe het leert: Het gebruikt een speciaal type AI genaamd een "Dynamic Graph Convolutional Network". Denk aan deze AI als een spelletje "punten verbinden". De AI kijkt naar elk puntje en vraagt: "Wie zijn mijn buren?" Het tekent deze verbindingen voortdurend opnieuw terwijl het dieper graaft, waardoor het niet alleen de vorm van de punten leert, maar ook hoe de rondingen en bobbels met elkaar samenhangen.

2. De "Twee-in-één" Voorspelling

ShipNet raadt niet slechts één ding; het doet twee taken tegelijkertijd met één enkel brein:

Taak A (De Huid): Het voorspelt de druk op de huid van de boot. Stel je voor dat het water tegen de romp duwt; sommige plekken krijgen een harde duw (hoge druk) en andere een zachte trek (lage druk). ShipNet brengt dit punt voor punt in kaart.
B (Het Kielzog): Het voorspelt de golven die achterblijven. Dit is als het voorspellen van de rimpelingen in een vijver nadat je een steen hebt gegooid. Het genereert een 2D-kaart die precies laat zien hoe hoog de golven achter de boot zullen zijn.

3. Het Trainingsdieet

Om deze AI slim te maken, hebben de onderzoekers hem niet gevoerd met echte oceaangegevens (die rommelig en moeilijk te verkrijgen zijn). In plaats daarvan hebben ze hem gevoed met 420 perfecte, door de computer gegenereerde simulaties van twee verschillende soorten jachtrompen (één met een rechte neus, één met een bolle neus).

Ze maakten 70 variaties van elk jacht, waarbij ze dingen veranderden zoals de lengte van de neus of de breedte van de bolling.
Ze testten deze op drie verschillende snelheden.
De AI bestudeerde deze simulaties totdat hij de "regels" had geleerd van hoe vormveranderingen de waterdruk en golven beïnvloeden.

4. Het "Supersnelle" Resultaat

Hier gebeurt de magie.

De Oude Manier: Het draaien van één van die computersimulaties duurt ongeveer 3,8 minuten op een standaard computerprocessor.
De ShipNet-Manier: Zodra de AI getraind is, kan hij naar een nieuw scheepsontwerp kijken en je het antwoord geven in 0,15 seconden op een grafische kaart.
De Conclusie: Dat is een versnelling van 1.500 keer. Het verandert een proces dat vroeger uren duurde in iets dat bijna onmiddellijk gebeurt. Dit betekent dat ontwerpers nu honderden ideeën kunnen testen in de tijd die het vroeger kostte om er één te testen.

5. Hoe Goed Is Het?

Het artikel beweert dat de AI ongelooflijk accuraat is:

Voor de druk op de huid van de boot zat hij er 98% van de tijd naast vergeleken met de trage, perfecte simulaties.
Voor de golfpatronen zat hij er 91% van de tijd naast.
De Kanttekening: De AI is slechts zo goed als de data die hij heeft gegeten. Hij is getraind op "inviscid" data, wat betekent dat hij ervan uitgaat dat het water geen wrijving heeft (zoals een perfecte, gladde glijbaan). Het houdt nog geen rekening met de "plakkerigheid" van echt water (viscositeit) of complexe onderdelen zoals roeren en propellers. Het kent ook alleen de specifieke soorten jachten waarop het getraind is.

Samenvatting

ShipNet is een digitale kristallen bol voor scheepsontwerpers. Door een computer te leren om een boot te "zien" als een wolk van puntjes en de fysica van water te leren van duizenden oefenrondes, hebben de onderzoekers een hulpmiddel gecreëerd dat bijna onmiddellijk voorspelt hoe een boot door het water zal bewegen. Hoewel het nog niet perfect is (het mist nog enkele details over echte wrijving), bewijst het dat we trage, zware berekeningen kunnen vervangen door snelle, slimme schattingen, wat de manier waarop we schepen ontwerpen om sneller en brandstofefficiënter te zijn, potentieel kan revolutioneren.

Technische Samenvatting: ShipNet – Een Geometrische Deep Learning Surrogate voor Real-Time Scheepshydrodynamica

Probleemstelling
Nauwkeurige voorspelling van hydrodynamische prestaties is fundamenteel voor scheepsontwerp, maar hoogwaardige Computational Fluid Dynamics (CFD), met name Reynolds-Averaged Navier-Stokes (RANS) simulaties, blijft computationeel te kostbaar voor grootschalige parametrische exploratie. Hoewel CFD de noodzakelijke details biedt voor het evalueren van rompdruk en vrij oppervlak golfpatronen, belemmeren de aanzienlijke middelenvereisten en lange doorlooptijden het gebruik als interactief ontwerptool. Bestaande datagestuurde surrogaatmodellen vertrouwen vaak op gestructureerde roosters of vaste ruimtelijke discretisaties, die moeite hebben met het accommoderen van de geometrische variabiliteit die inherent is aan rompvormontwerp. Er is een kritieke behoefte aan een surrogaatmodel dat hydrodynamische velden snel kan benaderen direct vanuit ongestructureerde geometrische representaties, zonder het vermogen te verliezen om complexe stromingskenmerken te vangen.

Methodologie
De auteurs stellen ShipNet voor, een geometrische deep learning surrogate ontworpen om drukverdelingen op het rompoppervlak en verre-veld vrij oppervlak golfpatronen te voorspellen direct vanuit de rompgeometrie en operationele snelheid.

Datageneratie: De trainingsdataset bestaat uit 420 onviskeuze vrije-oppervlak simulaties gegenereerd met de potential-flow panel method solver RAPID. De data dekt twee moederjachtrompen (één met een rechte boeg, één met een bulbvormige boeg), elk geparametriseerd in 70 varianten via een Latin Hypercube design. Simulaties werden uitgevoerd bij drie snelheden (12, 15 en 18 knopen), wat resulteerde in een Froude-getal bereik van $Fn \in [0.197, 0.322]$ .
Data Preprocessing: Rompgeometrieën werden gerepresenteerd als puntenwolken ( $N_p = 1024$ punten quasi-uniform gesampled van het bevochte oppervlak) en uitgelijnd naar een consistent globaal referentiekader. Vrije oppervlak golfhoogtes werden geïnterpoleerd op een vast $256 \times 256$ Euleriaans rooster. Zowel drukcoëfficiënten ( $C_p$ ) als golfhoogtes ( $\eta$ ) werden gestandaardiseerd met behulp van statistieken uit de trainingsset.
Architectuur: ShipNet past de regressie-gebaseerde Dynamic Graph Convolutional Neural Network (regDGCNN) aan.
- Backbone: Een gedeelde backbone verwerkt de input puntenwolk (geaugmenteerd met het Froude-getal als een feature kanaal) door drie opeenvolgende EdgeConv-lagen. Deze lagen construeren dynamisch $k$ -nearest-neighbor grafen ( $k=40$ ) om lokale geometrische structuren te vangen en aggregeren deze tot een globale latente embedding.
- Multi-Head Output: De latente representatie wordt gedecodeerd door twee gespecialiseerde koppen:
  1. Pressure Head: Voorspelt de drukcoëfficiënt bij elk gesamplede romppunt met behulp van 1D convolutionele lagen, waarbij lokale geometrische context wordt gecombineerd met de globale embedding.
  2. Wave Head: Voorspelt de 2D vrije oppervlak golfhoogte met behulp van een U-Net-achtige decoder met getransponeerde convoluties om de latente features te upsamplen naar de doelresolutie.
Loss Functie: Het model wordt getraind met een samengestelde loss functie. De drukverlies is een standaard Mean Squared Error (MSE). De golfverlies maakt gebruik van een hybride objectief dat $L_1$ fout, Structural Similarity Index Measure (SSIM) en een gradiëntstraf (Sobel filter) combineert om pixelwijze nauwkeurigheid, structurele gelijkenis en correcte voorspelling van golfkammen en -dalen af te dwingen.

Kernbijdragen

Architectuur Adaptatie: Succesvol de regDGCNN architectuur, die eerder is gedemonstreerd in de automotive aerodynamica, aangepast aan het twee-fasen scheepshydrodynamica domein, waarbij de gekoppelde lucht-water interface en scheepsrespons worden afgehandeld.
Multi-Task Formulering: Een verenigd framework ontwikkeld dat gezamenlijk nabij-lichaam 3D manifold signalen (rompdruk) en verre-veld 2D velden (golfhoogte) voorspelt vanuit een gedeelde latente representatie, waarmee zowel lokale als globale stromingsgedragingen simultaan worden geadresseerd.
Gevalideerde Surrogate: Een hoogwaardige surrogate gedemonstreerd die in staat is om hydrodynamische velden met hoge nauwkeurigheid te voorspellen ( $R^2 \approx 0.98$ voor druk, $R^2 \approx 0.91$ voor golven) terwijl een computationele versnelling van ongeveer 1500x wordt bereikt ten opzichte van de potential-flow solver die voor de datageneratie werd gebruikt.

Resultaten

Nauwkeurigheid: Op een geometrie-gehouden testset (63 gevallen) bereikte ShipNet een gemiddelde $R^2$ van 0.981 voor rompdruk en 0.912 voor golfhoogte. Het model identificeerde correct primaire stromingskenmerken, zoals stagnatiepunten en Kelvin-golfsporen. Fouten waren gelokaliseerd in regio's met hoge geometrische complexiteit (bijv. de leading edges van de bulbous bow) en hoge drukgradiënten.
Loss Functie Sensitiviteit: Ablatiestudies toonden aan dat de keuze van de loss functie cruciaal was. Het trainen van de golfkop met standaard MSE resulteerde in een negatieve $R^2$ (-0.360) en een triviale, overmatig gladgestreken oplossing. De hybride loss ( $L_1 + SSIM + Sobel$ ) was essentieel voor het vangen van de ijle, hoog-amplitude kenmerken van het golfveld.
Efficiëntie: De inferentietijd is ongeveer 0.15 seconden per geval op een NVIDIA T4 GPU, vergeleken met ~228 seconden voor de RAPID solver op een enkele CPU-kern. Dit vertegenwoordigt een 1500x versnelling ten opzichte van de datageneratie-solver en een 550x versnelling ten opzichte van CPU-gebaseerde inferentie.
Data Efficiëntie: De prestaties verzadigden bij ongeveer 50% van de beschikbare dataset, wat wijst op sterke data-efficiëntie.

Betekenis en Claims
Het artikel positioneert ShipNet als een proof-of-concept voor het gebruik van graaf-gebaseerde neurale netwerken om surrogaatmodellen te creëren voor complexe fluid-structure interactie problemen. De auteurs beweren dat deze aanpak het paradigma van de vroege fase van scheepsontwerp fundamenteel verschuift door de simulatielatentie te verminderen van minuten naar milliseconden. Dit maakt het volgende mogelijk:

Interactief Ontwerp: Het faciliteren van real-time, data-rijke ontwerpspiralen waarbij enorme parametrische ruimtes systematisch kunnen worden verkend, een taak die onhaalbaar is met traditionele simulatie workflows.
Screening in Vroege Fase: Het bieden van snelle rangschikking en kwalitatieve inzichten voor romp-kandidaten, waarbij snelheid en geometrisch begrip prioriteit krijgen boven exacte viskeuze details in de initiële ontwerpfases.
Brede Toepasbaarheid: Het vestigen van een framework dat potentieel toepasbaar is op andere sectoren die betrokken zijn bij vloeistofdynamica, zoals de luchtvaart en hernieuwbare energie, door direct te opereren op ongestructureerde geometrische representaties.

Beperkingen
De auteurs erkennen expliciet dat het model is getraind op onviskeuze potential flow data en momenteel beperkt is tot een specifieke familie van slanke jachtrompen zonder opbouw (appendages). Bijgevolg vangt het model geen viskeuze effecten (bijv. grenslagen) of complexe achterste stromingen (bijv. transom wakes) op. Toekomstig werk wordt geïdentificeerd als noodzakelijk om de architectuur uit te breiden naar hoogwaardige RANS-datasets en meer diverse scheepsgeometrieën.