Physics Informed Machine Learning for Accelerated Ship Hydrodynamic Optimization

Bruken av avanserte beregningsmetoder for fluiddynamikk (CFD) for å beregne skipsmotstand under designfasen har vært vanlig praksis i mange år. Imidlertid krever disse metodene mange timer for å utføre én enkelt beregning, noe som skaper en flaskehals i skrogoptimaliseringsprosessen. Dette begrenser utforskningen av det praktiske designrommet som kan brukes for å oppnå det beste designet. På den annen side er datadrevne maskinlæringsteknikker godt bevist på andre områder, men for å reprodusere CFD vil det kreve enorme mengder data og trening, og deretter vil reproduksjonene fungere pålitelig bare når de interpolerer mellom de kjente dataene. Dette prosjektet vil utforske det nye feltet fysikkbasert maskinlæring, som kombinerer rå CFD-data med kjente fysiske lover. Målet er å utvikle en raskere metode for å forutsi skipsmotstand, muligens 100 ganger raskere enn det som er mulig i dag, med sammenlignbar presisjon. Dette vil betydelig forbedre hvor mange design som kan evalueres under skrogoptimaliseringsprosessen, noe som vil føre til enda mer energieffektive skip i fremtiden.

Today due to the time required to perform RANS CFD simulations, the ability to perform optimization is severely restricted. To address this problem this project seeks to explore the possibilities of state-of-the-art machine learning techniques and utilize them to accelerate the ship design optimization problem. It will review state-of-the-art techniques in classical data-driven machine learning. Then seek to improve upon these by adopting promising hybrid approach of physics-informed machine learning, which allows a model to be trained on a combination of raw data and knowledge of the governing laws of physics, like the Reynolds Averaged Navier Stokes equations. To perform the comparison of the various methods open CFD datasets will be produced, including parametric model to study hull variations on NTNU's research vessel RV "Gunnerus".