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

本文提出了一种结合条件变分自编码器（CVAE）构建推进系统代理模型的机器学习辅助框架，通过替代计算昂贵的Voith Schneider螺旋桨瞬态模拟，成功实现了船舶船体的伴随法形状优化，在显著降低计算成本的同时获得了超过8%的阻力降低效果。

要点

这篇论文讲述了一个关于如何设计更省油、阻力更小的船的故事，但这次他们面对的是一个特别棘手的“搭档”——福伊特施奈德推进器（VSP）。

为了让你轻松理解，我们可以把整个过程想象成**“给一位挑剔的舞伴设计舞步”**。

1. 背景：为什么这很难？

想象一下，你要优化一艘船的船体形状，让它在水里游得更快、阻力更小。通常，科学家会用一种叫“伴随法（Adjoint Method）”的高级数学工具，它能像 GPS 导航一样，快速告诉设计师：“把这里削掉一点，那里加高一点，阻力就会变小。”

但是，这艘船装的不是普通的螺旋桨，而是一种叫**福伊特施奈德推进器（VSP）**的装置。

• 普通螺旋桨：像电风扇，转起来很规律，容易计算。
• VSP 推进器：像一群在垂直平面上疯狂跳舞的叶片，它们一边旋转一边改变角度，产生极其复杂、瞬息万变的漩涡和水流。

难点在于：
如果要精确计算这种推进器对船体的影响，计算机需要模拟成千上万次“舞蹈”动作，还要把过去每一秒的水流数据都存下来，以便反向推导（就像你要倒着看录像带来分析舞步）。这需要巨大的存储空间和计算能力，就像为了优化一个舞步，要求你拥有整个宇宙的记忆力和算力，这在工业上几乎是不可能的。

2. 解决方案：请一位“超级替身”

为了解决这个难题，作者们想出了一个绝妙的主意：不要每次都让计算机去算那个复杂的“舞蹈”，而是请一位“超级替身”（AI 模型）来模仿它。

他们训练了一个基于**条件变分自编码器（CVAE）**的人工智能模型。

• 比喻：想象你有一个非常聪明的**“影子舞者”。你不需要每次都看真正的舞者（VSP 推进器）跳舞，你只需要告诉影子舞者：“现在的船速是 7 米/秒，船尾形状是这样的……"，影子舞者就能立刻画出“平均下来”**的水流是什么样子的。
• 这个影子舞者是通过观察成千上万次真实的 CFD（计算流体力学）模拟训练出来的。它学会了 VSP 推进器产生的水流规律，但不用真的去模拟那些复杂的旋转叶片。

3. 核心技巧：如何把“影子”融入“现实”？

这里有一个很巧妙的技术细节。AI 生成的“影子水流”并不是完美的（它可能有点小瑕疵，比如水流不连续），如果直接把 AI 的数据硬塞进计算机模拟里，会导致模拟崩溃。

作者们使用了一种**“隐式强迫（Implicit Forcing）”**技术。

• 比喻：想象你在指挥一个乐队（CFD 模拟）。AI 给了你一个乐谱（理想的水流速度）。你不需要强迫乐队里的每一个乐手（每一个网格点）都 100% 完美地按乐谱演奏（那会导致乐器走调，模拟崩溃）。
• 相反，你给乐队一个**“温柔的推力”**（数学上的源项），告诉他们：“尽量往这个方向演奏，如果有点偏差也没关系，只要整体趋势对就行。”
• 这样，计算机模拟既利用了 AI 的高效，又保持了物理规律的稳定性。

4. 实验结果：不看“舞伴”会翻车

为了验证这个方法，作者做了两个实验：

• 实验 A（忽略舞伴）：优化船体时，完全不管 VSP 推进器，只优化船体本身。

  • 结果：AI 告诉设计师：“把船尾削成这样，阻力能减少 2%！”
  • 现实：当你真的装上推进器去试航时，发现阻力反而增加了 2%-3%！
  • 教训：就像你为了配合一个不存在的舞伴设计了舞步，结果真上了场，因为没考虑舞伴的推力，反而把自己绊倒了。

• 实验 B（带上替身）：优化船体时，让 AI“影子舞者”时刻提醒船体推进器的影响。

  • 结果：AI 设计出了一个带有特殊“隧道”形状的船尾，让水流更顺畅地通过。
  • 现实：经过真实的高精度模拟验证，船体阻力真的减少了 8% 以上！

5. 总结：这意味着什么？

这篇论文的核心贡献在于：

1. 省钱省时间：用 AI 替身代替了昂贵的、耗时的真实推进器模拟，让优化过程快了很多。
2. 避免翻车：证明了在设计这种特殊推进器的船时，绝对不能忽略推进器和船体的相互作用。如果忽略它，你设计出来的“完美船型”实际上可能是一艘“笨重船”。
3. 未来展望：虽然目前这个 AI 模型在优化过程中是“冻结”的（即不随船体形状微调而实时重训），但这已经是一个巨大的飞跃。未来，他们希望让这个 AI 变得更聪明，能随着船体形状的变化实时调整，甚至模拟船在海浪中起伏的动态场景。

一句话总结：
作者们给复杂的船推进器找了一个聪明的 AI 替身，让计算机能轻松算出最佳船型。结果发现，如果不把这个“舞伴”算进去，设计出来的船反而会更慢；而算进去后，船速能提升 8% 以上，既省燃料又环保。

技术摘要

1. 研究背景与问题 (Problem)

• 核心挑战：基于伴随方法（Adjoint-based）的船体形状优化是解决高维设计问题（如最小化船舶阻力）的有力工具。然而，对于配备复杂推进系统（如福伊特施奈德推进器 VSP）的船舶，直接应用该方法面临巨大困难。
• 具体难点：
  1. 计算成本高昂：VSP 具有复杂的运动学特性（叶片旋转同时变距），产生非定常、空间复杂的流场。直接解析推进器需要非定常伴随模拟，涉及长时间步长的反向时间积分和巨大的存储需求（需存储整个原始流场历史），这在工业级大规模并行计算中往往不可行或效率极低。
  2. 现有替代方案的局限：
     • 多参考系（MRF）：适用于常规螺旋桨，但因 VSP 的旋转轴与航向垂直且运动复杂，MRF 不适用。
     • 致动盘/体积力模型：适用于轴向流，难以直接应用于 VSP 这种循环推进系统。
     • 忽略推进系统：如果优化过程中忽略推进器影响，可能导致优化后的船体形状在实际推进条件下阻力反而增加（即“优化失败”）。
• 研究目标：开发一种机器学习辅助的优化框架，通过代理模型模拟 VSP 的时均流场，从而在保留伴随方法高效性的同时，准确捕捉推进器与船体的相互作用。

2. 方法论 (Methodology)

该研究提出了一种CVAE 辅助的连续伴随形状优化框架，主要包含以下关键步骤：

2.1 数据生成与预处理

• 数据集：基于全尺寸服务作业船（SOV）进行 180 组非定常 RANS 瞬态模拟。
• 参数化：包含 10 个几何参数（如尾部升角、倾斜度、头箱尺寸等）和 1 个操作参数（航速），共 11 个条件标签。
• 元网格（Meta-grid）：在 VSP 周围定义一个圆柱形控制域。将非结构化的 CFD 数据通过反距离加权插值映射到结构化的元网格上，并计算时间平均流场（覆盖一个完整的叶片周期）。

2.2 代理模型构建 (CVAE)

• 模型架构：采用条件变分自编码器（Conditional Variational Autoencoder, CVAE）。
  • 编码器：将输入的速度场和条件标签（几何 + 航速）映射到潜在空间（Latent Space），输出均值和方差。
  • 解码器：从潜在空间重构速度场。
  • 创新点：引入了残差块（Residual Blocks）和自注意力机制（Self-Attention），以增强模型捕捉强局部梯度（如涡脱落）和非局部流动依赖的能力。
• 训练目标：最小化复合损失函数，包括均方误差（MSE，保证重构精度）和 KL 散度（保证潜在空间的平滑性和连续性）。

2.3 代理模型与 CFD 的集成

• 非解析推进：在优化阶段的 CFD 网格中不解析几何推进器，而是使用元网格生成的速度场。
• 隐式强制（Implicit Forcing）：
  • 将代理模型预测的速度场 $\tilde{\phi}$ 作为源项引入动量方程。
  • 采用隐式强制方法（公式 9），通过无量纲强制系数 $\hat{\alpha}$ 将 CFD 解自然融合到目标速度场。
  • 优势：这种方法不需要代理模型生成的速度场严格满足连续性方程（因为时间平均场本身可能不满足），同时保证了数值求解的鲁棒性和网格灵活性。

2.4 伴随优化策略

• 算法：基于连续伴随方法，计算阻力对形状变化的梯度。
• 流程：
  1. 利用预训练的 CVAE 生成特定工况下的速度场并插值到 CFD 网格。
  2. 求解原始（Primal）方程（使用隐式强制）。
  3. 求解伴随（Adjoint）方程，计算灵敏度。
  4. 基于 Steklov-Poincaré 方法更新网格变形，保持体积守恒。
  5. 迭代直至收敛。

3. 关键贡献 (Key Contributions)

1. CVAE 推进代理模型：首次将 CVAE 应用于 VSP 这种复杂推进系统的时均流场建模，成功替代了几何解析的推进器模拟，显著降低了计算成本。
2. 隐式强制集成技术：提出了一种将机器学习预测的速度场无缝集成到 CFD 动量方程中的隐式强制方法，解决了非连续性流场与 CFD 求解器之间的兼容性问题。
3. 验证了推进器耦合的重要性：通过对比实验，有力证明了在船体优化中忽略推进器相互作用会导致灾难性的设计失误（阻力增加），而引入代理模型后能实现显著的减阻效果。
4. 架构创新：在自编码器中结合自注意力机制和残差块，显著提升了复杂涡流场重构的精度。

4. 实验结果 (Results)

• 代理模型精度：
  • 在未见过的测试数据上，速度场的重构误差极低，最大相对误差约为船速的 1-2%，局部最大误差约 10%。
  • 模型能准确捕捉轴向动量生成和叶片路径附近的强减速区域。
• 推进模型集成验证：
  • 当强制系数 $\hat{\alpha} > 0.1$ 时，基于代理模型的模拟结果（SM）与解析推进器的模拟结果（RP）在速度场指标上高度一致。
  • 阻力预测存在约 14.5% 的差异，但经分析证实这主要源于网格离散化策略的不同（RP 使用较粗网格，SM 使用较细网格），而非代理模型本身的缺陷。
• 优化性能对比：
  • 无推进器优化（NP 案例）：优化算法报告阻力降低了约 2%。然而，后续使用解析推进器的 CFD 验证显示，实际阻力反而增加了约 2.26%。这证明了忽略推进器会导致错误的优化方向。
  • 有推进器优化（SP 案例，使用 CVAE 代理）：优化算法报告阻力降低了约 8.2%。经解析推进器的瞬态 CFD 验证，实际阻力降低了 9.29%。
  • 几何形态：SP 案例在头箱后方形成了一个“隧道状”结构，使流向尾板的过渡更平滑，这是 NP 案例所不具备的特征。

5. 意义与结论 (Significance & Conclusion)

• 工业应用价值：该研究为工业界解决高保真度、非定常推进系统下的船体优化难题提供了一条可行路径。它避免了昂贵的非定常伴随模拟，同时保留了物理模型的准确性。
• 设计启示：研究明确表明，对于配备复杂推进器（如 VSP）的船舶，必须在优化过程中考虑推进器与船体的相互作用。忽略这一因素不仅无法减阻，反而可能恶化船舶性能。
• 未来展望：
  • 目前代理模型在优化循环中是“冻结”的（即不随几何变化实时更新），未来计划将其嵌入优化循环内部，实现动态更新。
  • 计划将方法扩展至两相流（自由液面）和自航（Self-propelled）工况，以模拟船舶的动态运动。

总结：本文成功构建了一个结合深度学习（CVAE）与物理仿真（CFD/伴随方法）的混合框架，解决了 VSP 推进船舶优化中的计算瓶颈，并证明了该框架在实现显著减阻（>8%）方面的有效性和必要性。