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

Este artigo propõe um framework de otimização de forma de casco de navio assistido por aprendizado de máquina, que utiliza um modelo substituto baseado em um Autoencoder Variacional Condicional (CVAE) para simular a propulsão, permitindo reduzir a resistência em mais de 8% enquanto supera os desafios computacionais das simulações adjuntas tradicionais de sistemas de propulsão complexos.

O essencial

Imagine que você é um engenheiro naval tentando desenhar o casco perfeito para um navio. O objetivo é simples: fazer o navio deslizar pela água gastando o mínimo de combustível possível.

Normalmente, para fazer isso, os engenheiros usam supercomputadores para simular como a água flui ao redor do casco. É como tentar prever como uma multidão se move em um corredor estreito. Mas aqui está o problema: este navio em questão não tem uma hélice comum. Ele tem um Propulsor Voith Schneider (VSP).

O Problema: A Hélice "Doida"

A hélice comum é como um ventilador de teto: gira em um eixo e empurra o ar (ou água) para trás. É previsível.
O Propulsor Voith Schneider, no entanto, é como um grupo de bailarinos girando e mudando de direção ao mesmo tempo. As pás giram e mudam de ângulo constantemente, criando um turbilhão de água extremamente complexo, cheio de redemoinhos e variações rápidas.

Simular isso no computador é um pesadelo. É como tentar filmar cada movimento de cada bailarino em câmera lenta, 24 horas por dia, para depois tentar calcular como isso afeta o corredor inteiro. O computador precisaria de anos para fazer isso, e o espaço de memória necessário seria gigantesco. Por isso, muitas vezes, os engenheiros ignoram a hélice na otimização do casco, o que é um erro grave.

A Solução: O "Oráculo" Inteligente (IA)

Os autores deste artigo criaram uma solução genial usando Inteligência Artificial (IA) para contornar esse pesadelo.

Eles não tentaram simular a hélice em tempo real. Em vez disso, eles usaram uma técnica chamada Autoencoder Variacional Condicional (CVAE). Pense nisso como um "Oráculo" ou um "Gênio da Lâmpada".

1. O Treinamento (A Escola): Primeiro, eles rodaram simulações super detalhadas (e caras) da hélice funcionando em várias situações. Eles coletaram os dados de como a água se comportava em média.
2. A Aprendizagem (A Memória): Eles ensinaram a IA a "lembrar" desses padrões. A IA aprendeu que, se o navio estiver indo a X velocidade e o casco tiver Y formato, a hélice vai criar um padrão de água Z.
3. O Uso (A Mágica): Agora, quando querem otimizar o casco, eles não precisam simular a hélice de novo. Eles apenas perguntam à IA: "Ei, se mudarmos o formato do fundo do navio, como a água vai se comportar?". A IA responde instantaneamente, baseada no que aprendeu, sem precisar calcular cada redemoinho.

A Analogia do "Pintor de Parede"

Imagine que você quer pintar uma parede (otimizar o casco) e precisa saber como a luz (a água) vai bater nela.

• O método antigo: Você constrói uma réplica real da hélice, liga o motor, mede a luz em cada segundo por meses e depois tenta pintar.
• O método deste artigo: Você tem um pintor experiente (a IA) que já viu milhares de hélices. Você mostra a ele o novo formato da parede e diz: "Lembre-se daquela hélice que girava assim... como a luz vai ficar aqui?". O pintor pinta a parede instantaneamente com uma precisão incrível, sem precisar ligar o motor.

O Resultado: O Que Aconteceu?

Os pesquisadores testaram duas abordagens:

1. Ignorar a hélice: O computador sugeriu um formato de casco que parecia ótimo. Mas, quando eles colocaram a hélice real de volta na simulação final, o navio ficou pior do que antes! A resistência aumentou. Foi como tentar ajustar o pneu de um carro sem olhar para o motor.
2. Usando a IA (O Método Proposto): O computador, consultando o "Oráculo" da hélice, sugeriu um formato diferente. Quando testado, a resistência do navio caiu em mais de 8%.

Por que isso é importante?

Este trabalho mostra que, para navios modernos com sistemas de propulsão complexos, você não pode mais ignorar a hélice ao desenhar o casco. E, graças a essa IA, você pode fazer isso sem precisar de supercomputadores que demoram séculos para processar.

Em resumo: Eles criaram um "assistente virtual" que aprendeu a mágica da hélice, permitindo desenhar navios mais rápidos e econômicos em uma fração do tempo e custo que seria necessário antes. É como trocar um mapa de papel desenhado à mão por um GPS em tempo real que prevê o trânsito antes mesmo dele acontecer.

Resumo técnico

Resumo Técnico: Otimização de Forma de Cascos de Navios Baseada em Adjoint Assistida por CVAE para Modelos Surrogados de Propulsão

1. Problema e Motivação

A otimização de forma de cascos de navios baseada em métodos adjoint (adjuntos) é uma ferramenta poderosa para problemas de design de alta dimensão na arquitetura naval, especialmente para minimizar a resistência hidrodinâmica. No entanto, sua aplicação em embarcações com sistemas de propulsão complexos, como o Propulsor Voith Schneider (VSP), enfrenta desafios significativos:

• Custo Computacional: A resolução direta da propulsão requer simulações transientes de longo prazo com passos de tempo pequenos e a propagação reversa no tempo das soluções primal e adjunta. Isso exige armazenamento massivo e poder de computação, tornando o método inviável para aplicações industriais em larga escala.
• Complexidade Cinemática: O VSP opera com lâminas que rotacionam e mudam de passo simultaneamente em um plano vertical, gerando escoamentos não estacionários complexos, forte interação lâmina-vórtice e flutuações de pressão.
• Falha de Modelos Simplificados: Métodos tradicionais, como discos atuadores ou modelos de força de corpo, funcionam bem para hélices convencionais, mas não são diretamente aplicáveis a sistemas cicloidais como o VSP.
• Risco de Otimização Incorreta: Ignorar a influência da propulsão na otimização do casco pode levar a formas que, na verdade, aumentam a resistência quando operam sob condições reais de propulsão.

2. Metodologia Proposta

Os autores propõem um framework de otimização assistido por aprendizado de máquina (ML) que integra um Modelo Surrogado baseado em um Autoencoder Variacional Condicional (CVAE) ao processo de otimização adjoint contínuo.

• Geração de Dados (Fase Offline):

  • Foram realizadas 180 simulações CFD transientes de alta fidelidade (RANS) para um navio de operações de serviço (SOV) de 92 metros equipado com dois VSPs.
  • Os dados cobrem variações em 10 parâmetros geométricos (fundo do casco, ângulos da popa, dimensões da "headbox" acima do propulsor) e 3 velocidades de cruzeiro.
  • Os campos de velocidade transientes foram temporalmente médios e mapeados de malhas CFD não estruturadas para uma malha meta-estruturada (cilíndrica) ao redor do propulsor.

• Arquitetura do Modelo Surrogado (CVAE):

  • Um CVAE foi treinado para aprender o campo de velocidade induzido pelo VSP.
  • Entradas (Labels): 11 parâmetros (10 geométricos + 1 velocidade de cruzeiro) condicionam a rede.
  • Arquitetura: Utiliza camadas convolucionais, blocos residuais e mecanismos de auto-atenção (self-attention) no codificador e decodificador para capturar gradientes locais fortes e dependências de longo alcance no escoamento.
  • Objetivo: Minimizar uma função de perda composta por Erro Quadrático Médio (MSE) para reconstrução e Divergência de Kullback-Leibler (KL) para regularização do espaço latente.

• Integração no CFD (Fase Online):

  • O modelo CVAE não substitui a malha CFD inteira, mas fornece o campo de velocidade na região do propulsor.
  • Técnica de Forçamento Implícito: Em vez de sobrescrever a solução (o que violaria a continuidade), um termo de fonte é adicionado às equações de momento discretizadas. Isso força a solução CFD a se alinhar suavemente com a velocidade prevista pelo ML, mantendo a robustez e a conservação de massa.
  • A malha utilizada na otimização não resolve geometricamente o propulsor, reduzindo drasticamente o custo computacional.

• Otimização Adjoint:

  • Utiliza-se um sistema adjunto contínuo para calcular gradientes da resistência em relação às variações de forma.
  • O algoritmo emprega uma busca de linha Armijo e o método de Steklov-Poincaré para gerar campos de deformação de malha que preservam o volume do casco.

3. Contribuições Principais

1. Framework Híbrido ML-CFD: Desenvolvimento de uma abordagem que acopla modelos de aprendizado de máquina generativos (CVAE) com solvers CFD adjoint para otimização de cascos com propulsão complexa.
2. Modelo Surrogado de Alta Fidelidade: Criação de um modelo CVAE capaz de replicar com precisão o campo de velocidade temporalmente médio de um VSP, superando as limitações de modelos de disco atuador para sistemas cicloidais.
3. Validação de Forçamento Implícito: Demonstração de que a integração de velocidades via forçamento implícito permite a conservação de massa e estabilidade numérica, mesmo quando o campo de velocidade alvo não é estritamente divergente-livre (devido à média temporal de lâminas em movimento).
4. Prova de Conceito de Otimização: Evidência de que ignorar a propulsão na otimização leva a designs subótimos ou piores, enquanto a inclusão do modelo surrogado gera ganhos reais de desempenho.

4. Resultados

• Validação do Modelo Surrogado:

  • O CVAE alcançou uma precisão alta, com erros relativos de velocidade geralmente entre 1% e 2% da velocidade do navio, e picos locais de até 10% em regiões de gradientes fortes.
  • O modelo conseguiu reconstruir fielmente tanto padrões de escoamento globais quanto locais (como a geração de momento axial e desaceleração próxima às lâminas).

• Verificação de Integração:

  • A comparação entre simulações com propulsor resolvido (RP) e simulações com modelo surrogado (SM) mostrou que, para um coeficiente de forçamento $\hat{\alpha} > 0.1$, as métricas de velocidade convergem quase a zero de erro.
  • A diferença na resistência total (~14.5%) foi atribuída à diferença de discretização de malha (malha mais fina no caso SM para otimização) e não a falhas do modelo surrogado.

• Estudos de Otimização:

  • Caso "Sem Propulsor" (NP): A otimização ignorando a propulsão previu uma redução de resistência de ~2%. No entanto, validação posterior com CFD de alta fidelidade (propulsor resolvido) mostrou que a resistência aumentou em 2,26% a 3% em relação ao casco original.
  • Caso "Com Propulsor Surrogado" (SP): A otimização que incluiu o modelo CVAE previu uma redução de resistência de ~8,2%. A validação com CFD de propulsor resolvido confirmou uma redução real de 9,29%.
  • Geometria Otimizada: O caso SP gerou um formato de casco com um "túnel" atrás da headbox para suavizar a transição do fluxo, algo que o caso NP não identificou.

5. Significância e Conclusão

O estudo demonstra que a otimização de forma de cascos navais deve considerar a interação casco-propulsor para evitar resultados contraproducentes. A abordagem proposta elimina a necessidade de simulações transientes extremamente custosas durante o loop de otimização, substituindo a resolução geométrica do propulsor por um modelo de dados treinado.

• Eficiência: Permite a otimização de sistemas complexos de propulsão com custo computacional reduzido.
• Precisão: Gera designs que realmente melhoram a eficiência hidrodinâmica quando validados com simulações de alta fidelidade.
• Futuro: Os autores planejam atualizar o modelo surrogado dinamicamente durante a otimização (atualizando os parâmetros de entrada a cada iteração) e estender o método para escoamentos bifásicos e simulações de propulsão autônoma (self-propulsion).

Em resumo, o trabalho estabelece um novo padrão para a integração de Inteligência Artificial em processos de design naval, provando que modelos generativos podem ser acoplados com sucesso a solvers físicos para resolver problemas de engenharia de alta complexidade.