基于 CAD 引擎深度学习物理的三维多目标船型优化
机器学习
2023-06-23 v1 计算机视觉与模式识别
流体动力学
摘要
在这项工作中，我们提出了一个内置的深度学习物理优化（DLPO）框架，以建立杜伊斯堡测试用例（DTC）集装箱船的船型优化研究。我们展示了两种不同的应用：（1）敏感性分析以检测最有前景的通用基船型；（2）多目标优化以量化最优船型之间的权衡。DLPO 框架能够以端到端的方式自动评估设计迭代。我们通过将 Extrality 的深度学习物理（DLP）模型与 CAD 引擎和优化器耦合实现了这些结果。我们提出的 DLP 模型在来自 RANS 模拟的完整三维体数据上训练，能够实时提供准确且高质量的三维流场预测，这使其成为一个良好的评估器，用于针对流体动力效率优化新集装箱船设计。特别地，它能够通过船体表面积分恢复作用在船体上的力，总阻力的平均相对误差为 3.84\% \pm 2.179\%。每次迭代仅需 20 秒，从而大幅节省时间和工程工作量，同时提供关于船舶性能的宝贵洞察，包括类 RANS 的详细流动信息。我们得出结论，DLPO 框架是一种有前景的工具，可加速船舶设计流程并带来具有更好流体动力性能的更高效船舶。
引用
@article{arxiv.2306.12915,
title = {Multi-Objective Hull Form Optimization with CAD Engine-based Deep Learning Physics for 3D Flow Prediction},
author = {Jocelyn Ahmed Mazari and Antoine Reverberi and Pierre Yser and Sebastian Sigmund},
journal= {arXiv preprint arXiv:2306.12915},
year = {2023}
}
备注
X International Conference on Computational Methods in Marine Engineering, MARINE 2023, Madrid, Spain