Localized Generative Design of Ship Hulls with Diffusion Models and High-Fidelity Assessment

Het ontwerpen van een schip is een langzame, zorgvuldige dans van compromissen. Ingenieurs moeten een romp vormgeven die een zware lading kan dragen, rechtop blijft in ruwe zee en met zo min mogelijk inspanning door het water snijdt. Het doel is om de weerstand, of drag, te verminderen die het vaartuig vertraagt, want minder weerstand betekent minder brandstof en lagere kosten. Decennialang was dit het werk van menselijke experts die vormen met de hand bijstuurden, waarbij ze elk nieuw idee testten met complexe computersimulaties. Maar de enorme hoeveelheid mogelijke vormen is zo groot dat het vinden van de perfecte vorm lijkt op het zoeken naar een speld in een hooiberg. Onlangs is er een nieuw soort computerprogramma opgekomen dat kan leren van duizenden bestaande scheepsontwerpen en er zelf nieuwe kan verzinnen. Deze programma's, bekend als generatieve modellen, bieden een manier om het creatieve deel van het proces te automatiseren. Er is echter een addertje onder het gras: deze digitale uitvinders produceren vaak vormen die er op papier goed uitzien, maar falen wanneer ze worden getoetst aan de chaotische, onvoorspelbare wetten van de fysica.

Een team onderzoekers aan de University of British Columbia, werkend met industriële partners, zette zich af om te zien of ze deze digitale uitvinders bruikbaar konden maken voor echt scheepsontwerp. Ze richtten zich op een specifief deel van een schip: de voorkant, waar de bulbous bow (bolle boeg) zich bevindt. Deze bulb is een uitstulping onder het water bij de boeg die, wanneer deze correct is ontworpen, golven neutraliseert en brandstof bespaart. De onderzoekers wilden weten of een computer kon leren om slechts dit voorste gedeelte aan te passen om een schip sneller te maken, zonder de rest van het vaartuig te verstoren. Ze bouwden een systeem dat nieuwe rompvormen kon genereren en vervolgens direct kon controleren hoe goed die vormen zouden presteren. Maar ze stopten niet bij een snelle computergok. Ze onderwierpen de beste digitale kandidaten aan een rigoureuze, hoogwaardige test die de waterstroom rond het schip met extreme precisie simuleerde. Wat ze vonden, was een verhaal van belofte en beperking, dat onthulde dat hoewel de computer nieuwe ideeën kan genereren, het nog steeds moeite heeft met het begrijpen van de subtiele fysica die een schip werkelijk efficiënt maakt.

De onderzoekers begonnen door een computermodel te leren de geometrie van een beroemd containerschip te begrijpen, het KRISO Container Ship. Ze vroegen de computer niet om het hele schip vanaf nul opnieuw te ontwerpen. In plaats daarvan zeiden ze de computer om zich alleen op het voorste gedeelte te concentreren, waarbij de rest van het schip exact hetzelfde bleef. Deze aanpak, genaamd lokaal ontwerp, is hoe echte scheepsbouwers werken; zij veranderen zelden een volledig vaartuig, maar geven de voorkeur aan het verfijnen van specifieke onderdelen. De computer werd getraind op duizenden licht verschillende versies van de voorzijde van het schip, waarbij het patronen leerde die een vorm vloeiend en continu maken. Zodra de computer deze patronen had geleerd, stuurden de onderzoekers het aan om te zoeken naar vormen die minder weerstand zouden creëren. Ze gebruikten een methode die de computer beloonde wanneer hij een vorm vond die, gebaseerd op een snelle, vereenvoudigde berekening, leek gemakkelijker door het water te snijden.

Om te zien of deze door de computer gegenereerde vormen daadwerkelijk beter waren, haalden het team ze door een geautomatiseerde pijplijn die de waterstroom rond de romp simuleerde. Deze simulatie was veel gedetailleerder dan de snelle controle die werd gebruikt om de computer te sturen. Het hield rekening met de viscositeit van het water, de golven die door het schip worden gecreëerd en de druk die tegen de romp duwt. Ze testten een van de creaties van de computer, die ze Model 1 noemden, tegen het originele schip. Bij een lage snelheid presteerde de nieuwe vorm net zo goed als het origineel. Maar naarm matter hoe de snelheid toenam, begon de nieuwe vorm te worstelen. Bij de typische kruissnelheid van het schip was de weerstand bijna vijftig procent hoger dan die van het origineel. De snelle berekening die de computer had gestuurd, had deze dramatische toename van de weerstand gemist. Het had een vorm gezien die veelbelovend leek in een nauw bereik van omstandigheden, maar faalde in het voorspellen van hoe die vorm zou reageren wanneer het water sneller bewoog.

De onderzoekers stelden vervolgens een diepere vraag: lag het probleem bij het leren van de computer, of bij de manier waarop de vormen aan de computer werden beschreven? Om dit te ontdekken, kozen ze een andere aanpak. In plaats van te vertrouwen op de computer om een nieuwe vorm uit te vinden, vroegen ze een menselijke scheepsbouwer om het originele schip te verfijnen met dezelfde set regels waaraan de computer moest voldoen. De menselijke expert paste de voorkant van het schip aan om zo dicht mogelijk bij het origineel te blijven, maar binnen de grenzen van het beschrijvingssysteem van de computer. Deze nieuwe vorm, genaamd GenHull E, had helemaal geen bulbous bow. Het systeem dat de onderzoekers gebruikten, kon simpelweg geen gladde, ronde bulb beschrijven; het kon alleen een vorm creëren die leek op een platte cilinder. Toen ze deze door een mens verfijnde vorm testten, waren de resultaten opmerkelijk. Bij lagere snelheden was het in feite zes tot acht procent efficiënter dan het originele schip. Het had minder oppervlakte die het water raakte, wat de wrijving verminderde. Maar naarmatter de snelheid toenam boven een bepa zeker punt, werd het ontbreken van een bulb een nadeel. De golven die door de voorkant van het schip werden gegenereerd, werden sterker, en de weerstand schoot omhoog. Bij de hoogste geteste snelheden was de door de mens verfijnde vorm aanzienlijk slechter dan het origineel.

Dit kruispunt, waar de nieuwe vorm van beter naar slechter ging, vond plaats bij een specifieke snelheid. Onder die snelheid woog het voordeel van minder nat oppervlak zwaarder dan het nadeel van de ontbrekende bulb. Boven die snelheid overstemde het nadeel van de ontbrekende bulb het voordeel. De onderzoekers ontdekten dat het beloningssysteem van de computer dit compromis niet had gezien. De computer was getraind om te zoeken naar één enkel getal dat de gemiddelde prestatie over een breed scala aan snelheden vertegenwoordigde. Omdat het schip de meeste tijd doorbrengt bij hogere snelheden, was de computer bevooroordeeld naar vormen die goed presteerden bij die snelheden, maar het miste de scherpe draai waar de fysica veranderde. De menselijke expert, beperkt door hetzelfde rigide beschrijvingssysteem, produceerde een vorm die in sommige omstandigheden beter was en in andere slechter, maar de eenvoudige beloningsfunctie van de computer kon deze nuance niet vatten.

De studie onthulde ook een verborgen kostenpost van de nieuwe vorm. De door de mens verfijnde romp was minder stabiel dan de originele. Het had een lager vermogen om rechtop te blijven in ruwe zee, een kritieke veiligheidseis voor elk schip. Het systeem van de computer controleerde niet op deze stabiliteit; het keek alleen naar de weerstand. De menselijke expert incorporeerde geen stabiliteitsterm in de aanpassing, en als gevolg daarvan verloor de nieuwe romp 1,04 meter aan toelaatbare verticale zwaartepunthoogte vergeleken met de benchmark. Dit onderstreepte een kloof in de technologie: de computer kon vormen genereren die er goed uitzagen op één enkele metriek, maar het begreep het complexe web van eisen dat een echt schip moet vervullen niet.

De onderzoekers concludeerden dat hoewel generatieve modellen krachtige hulpmiddelen zijn voor het verkennen van nieuwe ontwerpen, ze nog niet klaar zijn om menselijk oordeel te vervangen. De computer kan snel duizenden variaties genereren, maar heeft een veel betere manier nodig om ze te evalueren. De eenvoudige formules die het gebruikte om de prestaties te raden, waren niet nauwkeurig genoeg om de subtiele veranderingen in golfweerstand en stabiliteit op te merken. Om deze tools echt bruikbaar te maken, moeten de onderzoekers een systeem bouwen dat de waterstroom met hoge precisie kan simuleren voor elke kandidaat die het genereert. Ze moeten de computer ook leren dat een vorm goed kan zijn bij één snelheid en slecht bij een andere, en dat veiligheid even belangrijk is als snelheid. De weg vooruit ligt in het combineren van de snelheid van de computer met de diepgang van hoogwaardige natuurkundige simulaties, om ervoor te zorgen dat de digitale ontwerpen die het creëert niet alleen wiskundig interessant zijn, maar ook fysiek echt en veilig.

Het werk van dit team dient als een herinnering dat in de techniek de duivel in de details zit. Een vorm die perfect lijkt in een vereenvoudigd model, kan spectaculair falen wanneer de echte wereld in rekening wordt gebracht. De onderzoekers hebben geen wondermiddel gevonden dat het scheepsontwerp er in één nacht oplost. In plaats daarvan hebben ze een duidelijke kaart gevonden van waar de huidige technologie tekortschiet en wat er nodig is om het over de finishlijn te krijgen. Ze lieten zien dat om het ontwerp van complexe machines echt te automatiseren, we de computer moeten leren het hele plaatje te zien, en niet alleen de onderdelen die gemakkelijk te meten zijn. De toekomst van het scheepsontwerp ligt in een partnerschap waarbij de computer het zware werk doet van het genereren van ideeën, en de menselijke expert, gewapend met betere instrumenten, die ideeën stuurt naar een realiteit die efficiënt, veilig en robuust is.