From RANS Prediction to Hydrofoil Optimization: A Benchmark of Neural Surrogates

Het ontwerpen van een hydrofoil, de vleugelachtige structuur die een boot uit het water tilt om de weerstand te verminderen, is een spel van eindeloos vallen en opstaan. Om de perfecte vorm te vinden, moeten ingenieurs duizenden variaties testen, waarbij ze de kromming, dikte en hoek van de foil veranderen. Voor elke nieuwe vorm moeten ze een complexe computersimulatie draaien die de fysica van water dat rond het object stroomt, oplost. Deze simulaties zijn ongelooflijk nauwkeurig maar ook ongelooflijk traag; het draaien van een enkele test kan uren duren op krachtige computers. Daarom is het verkennen van het volledige bereik van mogelijke ontwerpen vaak te duur en te tijdrovend. In de afgelopen jaren hebben wetenschappers geprobeerd dit te versnellen door kunstmatige intelligentie te trainen om als een kortere route te fungeren. In plaats van de natuurkundige vergelijkingen telkens vanaf nul op te lossen, leren deze AI-modellen de stroming van water en de resulterende krachten te voorspellen op basis van patronen die ze eerder hebben gezien. De hoop is dat deze "neurale surrogaten" de beste ontwerpen in seconden kunnen vinden in plaats van uren.

Een nieuw onderzoek gepubliceerd door onafhankelijk onderzoeker Aarav Dixit onthult echter een kritiek gebrek in de manier waarop we deze AI-shortcuts momenteel beoordelen. Jarenlang was de standaardmanier om te bepalen welk AI-model het beste was, het controleren hoe nauw de voorspelde waterdruk overeenkwam met de trage, hoogwaardige computersimulaties. Als de AI de drukkaart goed kreeg, werd het als een succes beschouwd. Maar dit artikel betoogt dat het goed krijgen van de drukkaart niet noodzakelijkerwijs betekent dat de AI een ingenieur zal helpen om de beste bootvleugel te vinden. De echte test voor een ontwerptool is niet alleen hoe goed het een kaart nabootst, maar of het tot hetzelfde winnende ontwerp leidt als de trage, vertrouwde methode. Om dit te ontdekken, zette de onderzoeker een rigoureuze head-to-head competitie op tussen vier verschillende soorten AI-modellen, waarbij ze allemaal gedwongen werden hetzelfde ontwerp probleem op te lossen en vervolgens hun uiteindelijke antwoorden te controleren met verse, hoog-precieze simulaties.

De studie richtte zich op een specifieke set hydrofoils gebaseerd op standaardvormen die bekend staan als NACA-profielen, die worden gedefinieerd door eenvoudige getallen die hun kromming en dikte beschrijven. De onderzoeker genereerde een database van 381 gedetailleerde computersimulaties van water dat over deze foils stroomt bij verschillende snelheden en hoeken. Vanuit deze data werden vier verschillende families van neurale netwerken getraind om de stroming en de krachten van lift en weerstand te voorspellen. Het eerste type, een convolutioneel neuraal netwerk, zoekt naar lokale patronen in de stroming zoals een menselijk oog een kaart scant. Het tweede, een Fourier neural operator, analyseert de stroming door deze op te splitsen in globale golven. Het derde, een deep operator network, scheidt de beschrijving van de vorm van de beschrijving van de stromingscondities. Het vierde, een physics-informed neural network, wordt beperkt door de fundamentele wetten van de vloeistofbeweging, waardoor het wordt gedwongen de regels van de fysica te respecteren, zelfs wanneer het gokt.

Eenmaal getraind, werd aan deze modellen niet alleen gevraagd om een enkele casus te voorspellen; ze kregen de opdracht om de best mogende hydrofoil-vorm te vinden. Elk model kreeg dezelfde startpunten en een strikte limiet van veertig pogingen om het ontwerp te verbeteren. Het doel was om de ratio van lift tot weerstand te maximaliseren, wat in essentie betekent dat de boot sneller gaat met minder inspanning. Cruciaal was dat de optimalisatieloop volledig op de AI-voorspellingen draaide; de trage, hoogwaardige computer werd tijdens de zoektocht buiten spel gehouden om te zien hoe de AI zou reageren wanneer het het enige beschikbare instrument was. Nadat de AI zijn beste ontwerp had geselecteerd, draaide de onderzoeker een verse, hoog-precieze simulatie op die specifieke vorm om te zien wat de echte fysica zei. Deze laatste controle werd vergeleken met een baseline waarbij de trage computer zelf de optimalisatie uitvoerde, wat een gouden standaard bood voor wat het best mogelijke antwoord zou zijn.

De resultaten toonden een verrassende discrepantie tussen nauwkeurigheid en bruikbaarheid. Wat betreft de ruwe voorspellingsfout was één model, het deep operator network, de duidelijke winnaar. Het voorspelde de druk, lift en weerstand met de hoogste precisie op ongeziene testgevallen, gevolgd door de physics-informed netwerk. Het physics-informed model was ook het snelst en bood een versnelling van ongeveer 665 keer vergeleken met de traditionele simulatie. Echter, wanneer deze modellen daadwerkelijk werden gebruikt om een nieuwe foil te ontwerpen, veranderde het beeld. Het deep operator network en het physics-informed netwerk vonden beide ontwerpen die uitzonderlijk goed presteerden, met lift-to-drag ratio's tussen de 36 en 37. In contrast hiermee worstelde het model dat naar lokale patronen zocht aanzienlijk en vond ontwerpen die veel minder efficiënt waren. Het model dat globale golven analyseerde was stabiel, maar koos consequent voor ontwerpen die niet zo goed waren als die van de anderen.

Misschien wel de belangrijkste bevinding was dat de prestaties van deze AI-modellen niet consistent waren. Wanneer de onderzoeker hetzelfde optimalisatieproces meerdere keren draaide met licht verschillende startcondities, varieerden de uiteindelijke ontwerpen. Het deep operator network en het physics-informed netwerk produceerden verschillende winnaars afhankelijk van de run, terwijl het lokale-patroonmodel instabiel was in zowel zijn voorspellingen als zijn ontwerpkeuzes. Bovendien benadrukte de studie een verborgen beperking in het verificatieproces zelf. Zelfs wanneer de AI een geweldig ontwerp vond, toonde de laatste controle met de hoog-precieze simulatie aan dat de resultaten gevoelig waren voor de resolutie van het computernetwerk. Met name de weerstand kracht veranderde met wel 26 procent wanneer het simulatiegrid fijner werd gemaakt, wat suggereert dat zelfs de "waarheid" die wordt gebruikt om de AI te verifiëren, zijn eigen onzekerheden heeft.

Dit werk demonstreert dat de weg van een goede voorspelling naar een goed ontwerp niet rechtlijnig is. Een model kan uitstekend zijn in het raden van de druk op elk punt op een vleugel, maar nog steeds falen om een ingenieur naar de optimale vorm te leiden. De studie concludeert dat het vakgebied van scientific machine learning voorbij eenvoudige foutmetrieken moet bewegen. Om de kloof tussen kunstmatige intelligentie en engineering werkelijk te overbruggen, moeten deze tools worden geëvalueerd op de kwaliteit van de ontwerpen die ze produceren en de robuustheid van die ontwerpen onder verschillende omstandigheden. De beste AI is niet noodzakelijkerwijs degene die de meest nauwkeurige kaart tekent, maar degene die de ingenieur betrouwbaar naar de beste bestemming leidt.