Kasu:
- Võimalus kiirendada esialgse suuruse ja disaini avastamist, andes tehisintellektile kere kuju, takistuse ja jõu parameetrid struktureeritud vormingus
- Võimalus teha päringuid CFD (arvutusvedeliku dünaamika) uuringute seadistuse, võrgu ja piirtingimuste loogika kohta tehisintellekti toega
- Võimalus tabada sobituskoefitsiente ja tulemusi, ristkontrollides tehisintellekti hüdrodünaamilisi ennustusi mudeliga eksperimenteerimise, empiirilise meetodi ja füüsilise usutavusega
Kogu laeva ökonoomsus on peidetud selle veealuses vormis. Kui laevakere vorm (kere vorm; laeva veealune ja pealiskaudne kere geomeetria) muutub kasvõi millimeetri võrra, muutub selle laeva eluea jooksul põletatav kütus, veetav last ja heitkoguste arve. Seetõttu on vormikujundus ja hüdrodünaamika (teadus veevoolust paadi ümber ja sellest põhjustatud jõududest) need etapid, kus tehakse mereväeinseneri kõige kallimad otsused. Tehisintellekt (AI) kiirendab selles etapis kolme ülesannet: esialgne suuruse ja disaini uurimine, empiiriliste takistusmeetodite paigaldamine ja arvutusvedeliku dünaamika (CFD) uuringute kavandamine.
Kuid naelutame asja algusest peale: ükski takistuskõver ega tehisintellekti antud vormikoefitsient ei tähenda tõukejõu otsust, ilma et seda kinnitaks mudeleksperiment või valideeritud meetod. Vesi ei loe valemeid; Paadi tegelik käitumine on teada ainult mõõtmise ja füüsilise usutavuse järgi. AI on siin kiirendi ja ideede generaator; hüdrodünaamika ei ole tegelikkuse tunnistaja.
Mõisted: Vastupanu: vastandjõud, mida vesi avaldab paadile, kui see liigub edasi; See koosneb hõõrde-, laine- ja keerisekomponentidest. Plokikoefitsient (Cb): laevakere veealuse mahu ja seda ümbritseva ristkülikukujulise prisma suhe; on täiuse mõõt. Froude'i arv (Fn): mõõtmeteta arv kiiruse ja paadi pikkuse kohta; määrab lainetakistuse. Tõukejõu efektiivsus: kui suur osa mootori toodetud võimsusest muudetakse efektiivseks tõukejõuks. EHP/DHP: efektiivne võimsus (efektiivne hobujõud, paadi takistuse ületamiseks vajalik võimsus) ja tarnitud võimsus (tarnitud hobujõud, võimsus, mis jõuab propellerini).
Esialgne suuruse ja disaini uurimine
Vormikujundus on otsinguprobleem: põhimõõtmete (pikkus Lpp, laius B, süvis T), vormikoefitsientide (Cb, prismakoefitsient Cp, kesklõike koefitsient Cm) ja kiiruse vahel on lõputult kombinatsioone. Klassikalise meetodi puhul lähtub insener sarnaste laevade andmetest (põhipikkusread, regressiooniseosed). Tehisintellekt kiirendab seda avastamist: loeb minutitega tabelitesse kümneid kandidaatsuuruse kombinatsioone, igaühe ligikaudse nihke ja selle, kas L/B, B/T suhe jääb tüüpilistesse vahemikesse.
Siin on samm-sammult protsess. Esimene samm on määrata kindlaks missiooninõuded: veetav last, ulatus, teeninduskiirus, kanali/sadama piirangud (nt Panama, Suessi laiuse-süvise piirangud). Teine samm on sarnaste laevaandmetega esimesed suuremad pikkused ligikaudselt kindlaks määrata. Kolmas samm on valida vormikoefitsiendid mõistlikus vahemikus vastavalt kiiruse ja kuvasuhtele (Froude'i arv). Neljas samm on takistuse ja võimsuse esialgne hinnang empiirilise meetodiga (nt Holtrop-Menneni regressioon). Kõigil nendel etappidel koostab tehisintellekt valemi ja genereerib numbreid; kuid kindlasti tuleb küsida iga koefitsiendi allikat ja võrrelda seda tüüpilise vahemikuga.
Näpunäide. Kui teil on tehisintellektil soovitatud vormikoefitsient, küsige "kas see Cb väärtus on selle Froude'i numbri jaoks tüüpiline; millisesse vahemikku see peaks langema?" Näiteks kiirel kujul plahvatab täis Cb (0,80+) lainetakistust; AI võib teile seda meelde tuletada, kuid sarnaste laevaandmetega on teie teha lõplik valik.
Empiiriline meetod ja AI CFD seadistuses
Esialgses etapis hinnatakse resistentsust pigem empiiriliste regressioonimeetodite kui mudelkatsetuste abil. Sellised meetodid nagu Holtrop-Mennen jaotavad takistuse selle komponentideks: hõõrdetakistus, vormiefekt, lainetakistus, punn ja õhutakistus valemitega, mis on tuletatud suurest laevade andmebaasist. AI tuletab meelde selle meetodi etapid, arvutab vahekoefitsiendid ja koostab arvutustabeli skeleti. Kuid meetodil on oma kehtivuspiir: Holtrop on tuletatud teatud Cb, Fn ja L/B vahemike jaoks; Kui lähete sellest vahemikust välja, on tulemus ebausaldusväärne. AI peaks teile seda piiri meelde tuletama; Kui ta teile meelde ei tule, peaksite küsima.
CFD poolel ei tee AI ise lahendust, vaid aitab seadistust küsida: kus tuleks võrgusilma eraldusvõimet pingutada, milline peaks olema piirkihi algne lahtri kõrgus (y+), miks on valitud turbulentsimudel (nagu k-ω SST), kuidas konvergentsi kontrollida. See on õpetaja ja õpilase dialoog; Mis numbrilist tulemust kinnitab, on võrgusilma sõltumatuse uuring (silma sõltumatus; võrku pingutades tulemus ei muutu) ja võimalusel mudelikatse kalibreerimine.
meetod
mis annab
tugev külg
Piirang/kinnitus
Sarnane laev / regressioon
Esimene suurem suurus, toore jõud
Väga kiire, andmed on odavad
Kehtib ainult sarnase geomeetriaga
Holtrop-Mennen
Komponentide takistuskõver
Esiosa kujunduse standard
Cb/Fn/L·B vahemiku piirang; Vaja mudeli kinnitust
CFD-d
Üksikasjalik vool, rõhuväli
Näeb kohalikke mõjusid
Tundlik võrgu- ja turbulentsimudeli suhtes; kalibreerimine on vajalik
Mudelkatse (bassein)
Mõõdetud tegelik takistus
Kõige usaldusväärsem
Kallis, aeganõudev; skaala efekti korrigeerimine
Mini korpused
Juhtum 1 – paigaldatud paranduskoefitsient. Meeskond arvutab Holtropiga 190 m tankeri kogutakistusjõuks 620 kN. Kui nad käsivad tehisintellektil "tulemust parandada", lisab mudel teadmata päritoluga "vormiparanduskordaja 0,80", vähendades takistust 496 kN-ni. See 20% vähendamine vähendab tõukejõudu ligikaudu ühe peremeesklassi võrra. Meeskond küsib kordaja aluse kohta; AI ei saa allikatele viidata. Kui nad võrdlevad seda mudelitesti andmetega, näevad nad, et tegelik takistus on umbes 610 kN. Õppetund: ükski parandustegur ilma allikata tulemust ei sisesta.
Juhtum 2 – Froude'i limiidi ületamine. Üliõpilane laseb Holtropil välja arvutada 50 m pikkuse parvlaeva takistuse, mis sihib 30 sõlme liikumiskiirust. Selle pikkuse kiiruse korral tõuseb Froude'i arv ~0,70-ni; Üle Holtropi usaldusväärse vahemiku. AI annab tulemusi ilma seda eelnevalt täpsustamata. Kui õpilane küsib kehtivusvahemiku kohta, selgub, et antud režiimis meetod ei sobi ja höövel-/poolnihkevormide puhul on vaja teist meetodit (Savitsky vms). Õppetund: seadke kahtluse alla iga empiirilise meetodi kehtivus.
Juhtum 3 – viga võrgust. CFD uuringus annab AI jämeda võrguga takistuseks 540 kN. Kui insener võrku pingutab ja iseseisvusuuringuid teostab, on tulemuseks 605 kN; algväärtus oli 11% madalam, kuna ahtri laineväli ei olnud piisavalt lahendatud. Õppetund: CFD tulemust ei saa pidada usaldusväärseks ilma võrgu sõltumatuse uuringuta.
Kopeeritavad viipade mallid
Mall 1 – suuruse eeluurimine:
Roll: Olete laeva eelprojekteerimise konsultant.Kontekst (esindaja): Puistlastilaeva kandevõime ~40 000 t, teeninduskiirus ~14,5 sõlme, Suessi süvise piires.Ülesanne:1) Soovitage 4 kandidaati põhipikkuse kombinatsiooni (Lpp, B, T).2) Ligikaudne veeväljasurve, L,/B mis iga kandidaadi jaoks verb./T) väljaspool tüüpilist vahemikku.Piirang: Kirjutage iga arvu ühik; määrake kasutatav regressioon/andmebaas; Ärge langetage lõplikku otsust, esitage kandidaat.
Mall 2 – Holtropi takisti arvutamise konfigureerimine:
Loo esialgne takistusarvutuse raamistik Holtrop-Menneni meetodil. Sisendid (esinduslik): Lpp, B, T, Cb, Cp, teeninduskiirus, märgpind. Soovin:1) Loetlege takistuse komponendid eraldi (hõõrdumine, vorm, laine, projektsioon, õhk).2) Kirjutage iga komponendi jaoks kasutatav valem ja koefitsient.3) Määrake meetodi kehtivusvahemik (Cb, Fn, L/B) ja kontrollige, kas minu sisendid on selles vahemikus. et.4) Lisage, kuidas tulemust mudelkatsega kalibreerida.
Mall 3 – CFD seadistamise päring:
Seadistan paadi takistuse CFD uuringu. Selgitage järgmisi otsuseid koos põhjendusega ja esitage tüüpiline väärtuste vahemik: - Turbulentsimudeli valik ja põhjus - Seinalähedane lahendus (y+ sihtmärk) ja lahtri algkõrgus - Vaba pinna (VOF) sätted - Kuidas kontrollida konvergentsi ja võrgusilma sõltumatust Lisage iga soovituse juurde rida "kuidas seda kontrollida".
Mall 4 – tulemuste mõistlikkuse kontroll:
Kritiseerige järgmist takistuse/võimsuse tulemust:[Kleebi EHP, DHP, kiirus, takistuse väärtused]1) Kas suurusjärk on tüüpiline selle suurusega laevale?2) Kas teie tõukejõu efektiivsuse oletus on mõistlik (tavaliselt 0,55–0,70)?3) Arvutage takistus tagasi minu sisestatud kiiruse järgi, kas see on ühtlane?4) Märkige kõik küsitavad või ebakindlad väärtused.
Nõrk viip / Tugev viip
Nõrk viip:
Andke sellele paadile parim vorm ja takistuskõver.
Võimas viip:
Roll: olete hüdrodünaamilise eeldisaini konsultant. Kontekst (esinduslik, mitte tegelik projekt): Lpp ~180 m, B ~32 m,T ~12,5 m, Cb ~0,84, teeninduskiirus ~14,5 sõlme. Ülesanne: Hinda komponendi eeltakistust Holtropi meetodil; pane kirja iga koefitsiendi allikas ja meetodi kehtivusvahemik. Piirang: LISA parandustegur ilma allikata. Loetlege, kuidas tulemust mudelitestiga kontrollida ja milliseid mõõtmisi pean tegema. Riigi ühikud (kN, kW, sõlmed) selgelt.
Nõrk viipavorm jätab "parima" määratlemata ja ei vaja kinnitamist; Tugev viip küsib konteksti, meetodit, kehtivuspiirangut ja kinnitusteed.
Levinud vead
- Kehtivusümbriku ignoreerimine. Holtropi või mõne muu regressiooni kasutamine väljaspool vahemikku, millest see tuletati, annab mõistliku välimusega, kuid ebaõige vastupanu.
- Ilma allikata parandusteguri vastuvõtmine. Öelge "parandama" ja tehisintellekti lisatud nõrgad koefitsiendid moonutavad tulemust vaikselt.
- CFD kasutamine ilma võrgu sõltumatuseta. Jäme võrk ei suuda lahendada ahtrilainet ja keerisevälja; takistus muutub madalaks.
- Unustades mastaabiefekti. Mudelkatse tulemus nõuab täisskaalale liikumisel hõõrdekorrektsiooni (ITTC meetod); AI saab sellest mööda minna.
- Lähetamise tõhusust optimistlikult võttes. Isegi kui takistus on õige, alahindab liiga optimistlik ajami efektiivsus masina vajalikku võimsust.
Kokkuvõttes
AI kiirendab kere vormide avastamist, empiirilise takistuse arvutamise seadistamist ja CFD töö planeerimist; muudab kümneid kandidaatide vorme minutitega võrreldavaks. Kuid igal empiirilisel meetodil on kehtivuspiirkond, igal CFD tulemusel on võrgusõltuvus ja igal täisskaala hinnangul on skaala parandus. Tehisintellekti loodud takistuse ja võimsuse väärtusi saab suunamisotsuseks muuta alles pärast mudeli katsetamise, empiirilise kinnituse ja füüsilise usutavuse filtri läbimist.
Rakenduse ülesanne
Esinduslaeva puhul (nt Lpp ~150 m, B ~25 m, T ~9 m, Cb ~0,75, kiirus ~15 sõlme) laske AI arvutada Holtropi meetodil eeltakistus ja EHP. Seejärel küsige suurusjärku ja saatmise tõhususe eeldust, rakendades malli „järelduse usutavuse kontroll”. Küsige tehisintellektilt meetodi kehtivusvahemikku ja kontrollige, kas teie sisendid jäävad sellesse vahemikku. Teatage poole lehekülje jooksul vähemalt ühest leitud vastuolust ja sellest, kuidas te seda kinnitasite.
kontrollnimekiri
- [ ] Võrdlesin kasutatud empiirilise meetodi kehtivusvahemikku oma sisenditega.
- [ ] Küsisin ja kinnitasin iga tehisintellekti lisatud parandusteguri allikat.
- [ ] Võrdlesin takistuse ja võimsuse tulemusi suurusjärgus tüüpilise laevaga.
- [ ] Kui kasutasin CFD-d, planeerisin/viisin läbi võrgu sõltumatuse uuringu.
- [ ] Olen kontrollinud, et lähetamise tõhususe eeldus on mõistlikus vahemikus.
- [ ] Lõpliku tõukejõu otsuse tegemisel lähtusin mudelkatsest/valideeritud meetodist.