Sample-Efficient and Surrogate-Based Design Optimization of Underwater Vehicle Hulls

要約

【タイトル】

水中航行体の設計最適化におけるサンプル効率の高い代理ベース最適化手法

【要約】

– 物理シミュレーションは、コンピュータ支援設計の最適化プロセスにおいて、計算のボトルネックとなる。
– 長時間のシミュレーションを最適化に使用するためには、高いサンプル効率の最適化フレームワークまたは高速データ駆動型の代理モデルが必要となる。
– 本研究では、最適な無人水中航行体（UUV）の設計を行うために、最近の最適化および人工知能（AI）の技術を結集し、これらの問題に取り組む。
– 標準の計算流体力学（CFD）ソルバーを最適化ループに組み込んだいくつかの最適化手法のサンプル効率と収束性を調べ、ベイジアン最適化下限条件境界（BO LCB）アルゴリズムが最もサンプル効率が高く、最適な収束性を示すことを発見した。
– 次に、DNNベースの代理モデルを開発し、CFDソルバーで直接数値シミュレーションを行うことができる抗力を近似することができる。
– この代理モデルを船体設計の最適化ループに組み込むことにより、同等の精度を備えた2桁の速度向上を実証し、ベイジアン最適化とDNNベースの代理モデリングをUUV設計最適化の問題に適用する最初の研究であることを示した。

要約(オリジナル)

Physics simulations are a computational bottleneck in computer-aided design (CAD) optimization processes. Hence, in order to make accurate (computationally expensive) simulations feasible for use in design optimization, one requires either an optimization framework that is highly sample-efficient or fast data-driven proxies (surrogate models) for long running simulations. In this work, we leverage recent advances in optimization and artificial intelligence (AI) to address both of these potential solutions, in the context of designing an optimal unmanned underwater vehicle (UUV). We first investigate and compare the sample efficiency and convergence behavior of different optimization techniques with a standard computational fluid dynamics (CFD) solver in the optimization loop. We then develop a deep neural network (DNN) based surrogate model to approximate drag forces that would otherwise be computed via direct numerical simulation with the CFD solver. The surrogate model is in turn used in the optimization loop of the hull design. Our study finds that the Bayesian Optimization Lower Condition Bound (BO LCB) algorithm is the most sample-efficient optimization framework and has the best convergence behavior of those considered. Subsequently, we show that our DNN-based surrogate model predicts drag force on test data in tight agreement with CFD simulations, with a mean absolute percentage error (MAPE) of 1.85%. Combining these results, we demonstrate a two-orders-of-magnitude speedup (with comparable accuracy) for the design optimization process when the surrogate model is used. To our knowledge, this is the first study applying Bayesian optimization and DNN-based surrogate modeling to the problem of UUV design optimization, and we share our developments as open-source software.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI