Multi-Objective Hull Form Optimization with CAD Engine-based Deep Learning Physics for 3D Flow Prediction

要約

この研究では、デュイスブルク テスト ケース (DTC) コンテナ船の形状最適化研究をセットアップするための組み込みの深層学習物理最適化 (DLPO) フレームワークを提案します。
我々は 2 つの異なるアプリケーションを紹介します: (1) 最も有望な一般的な基本船体形状を検出するための感度解析、および (2) 最適な船体形状間のトレードオフを定量化するための多目的最適化。
DLPO フレームワークを使用すると、設計の反復をエンドツーエンドで自動的に評価できます。
これらの結果は、Extraality の深層学習物理学 (DLP) モデルを CAD エンジンおよびオプティマイザーに結合することで達成されました。
私たちが提案する DLP モデルは、RANS シミュレーションから得られる完全な 3D ボリューム データでトレーニングされており、正確かつ高品質の 3D 流量予測をリアルタイムで提供できるため、流体力学に関する新しいコンテナ船の設計の最適化を実行するための優れた評価ツールになります。
効率。
特に、総抵抗に対する平均相対誤差 3.84\% \pm 2.179\% で、船体表面の積分によって船舶に作用する力を回復できます。
各反復にかかる時間はわずか 20 秒なので、時間とエンジニアリングの労力が大幅に節約されると同時に、RANS のような詳細な流れ情報など、船舶のパフォーマンスに関する貴重な洞察が得られます。
私たちは、DLPO フレームワークは船舶設計プロセスを加速し、より優れた流体力学的性能を備えたより効率的な船舶を実現する有望なツールであると結論付けています。

要約(オリジナル)

In this work, we propose a built-in Deep Learning Physics Optimization (DLPO) framework to set up a shape optimization study of the Duisburg Test Case (DTC) container vessel. We present two different applications: (1) sensitivity analysis to detect the most promising generic basis hull shapes, and (2) multi-objective optimization to quantify the trade-off between optimal hull forms. DLPO framework allows for the evaluation of design iterations automatically in an end-to-end manner. We achieved these results by coupling Extrality’s Deep Learning Physics (DLP) model to a CAD engine and an optimizer. Our proposed DLP model is trained on full 3D volume data coming from RANS simulations, and it can provide accurate and high-quality 3D flow predictions in real-time, which makes it a good evaluator to perform optimization of new container vessel designs w.r.t the hydrodynamic efficiency. In particular, it is able to recover the forces acting on the vessel by integration on the hull surface with a mean relative error of 3.84\% \pm 2.179\% on the total resistance. Each iteration takes only 20 seconds, thus leading to a drastic saving of time and engineering efforts, while delivering valuable insight into the performance of the vessel, including RANS-like detailed flow information. We conclude that DLPO framework is a promising tool to accelerate the ship design process and lead to more efficient ships with better hydrodynamic performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google