هوش مصنوعی در طراحی فرم بدنه و آنالیز هیدرودینامیکی

سود:

• توانایی سرعت بخشیدن به اندازه گیری اولیه و کشف طراحی با دادن فرم بدنه، مقاومت و پارامترهای نیروی محرکه به هوش مصنوعی در قالب ساختاریافته
• امکان پرس و جو در تنظیم مطالعات CFD (دینامیک سیالات محاسباتی)، منطق شبکه و شرایط مرزی با پشتیبانی هوش مصنوعی
• توانایی گرفتن ضرایب و نتایج برازش با بررسی متقاطع پیش‌بینی‌های هیدرودینامیکی هوش مصنوعی با آزمایش مدل، روش تجربی و قابل قبول بودن فیزیکی

کل اقتصاد یک کشتی در شکل زیر آب پنهان است. هنگامی که شکل بدنه (شکل بدنه؛ هندسه بدنه زیر آب و سطحی کشتی) حتی یک میلی متر تغییر کند، سوختی که می سوزاند، محموله ای که حمل می کند و صورتحساب انتشار گازهای گلخانه ای در طول عمر آن کشتی تغییر می کند. بنابراین طراحی فرم و هیدرودینامیک (علم جریان آب در اطراف قایق و نیروهای ناشی از آن) مراحلی است که گرانترین تصمیمات مهندسی نیروی دریایی در آن گرفته می شود. هوش مصنوعی (AI) سه کار را در این مرحله تسریع می‌کند: اندازه‌گیری اولیه و اکتشاف طراحی، نصب روش‌های مقاومت تجربی، و برنامه‌ریزی مطالعات دینامیک سیالات محاسباتی (CFD).

اما بیایید از همان ابتدا آن را ثابت کنیم: هیچ منحنی مقاومتی، هیچ ضریب شکلی که توسط هوش مصنوعی ارائه شده است، بدون اینکه توسط آزمایش مدل یا یک روش معتبر تأیید شود، به یک تصمیم پیشرانه تبدیل می‌شود. آب فرمول ها را نمی خواند. رفتار واقعی قایق فقط با اندازه گیری و قابلیت فیزیکی مشخص است. هوش مصنوعی در اینجا یک شتاب دهنده و ایده پرداز است. هیدرودینامیک شاهدی بر واقعیت نیست.

مفاهیم: مقاومت: نیروی مخالفی که آب در هنگام حرکت به جلو بر روی قایق وارد می کند. از اجزای اصطکاک، موج و گرداب تشکیل شده است. ضریب بلوک (Cb): نسبت حجم زیر آب بدنه به منشور مستطیلی اطراف آن. معیار پر بودن است عدد فرود (Fn): عدد بدون بعد مربوط به سرعت به طول قایق. مقاومت موج را تعیین می کند. راندمان پیشرانه: چه مقدار از نیروی تولید شده توسط موتور به نیروی رانش موثر تبدیل می شود. EHP/DHP: قدرت مؤثر (Effective Horse Power، قدرت مورد نیاز برای غلبه بر مقاومت قایق) و توان تحویلی (Delivered Horse Power، قدرت رسیدن به پروانه).

اندازه گیری اولیه و کاوش طراحی

طراحی فرم یک مشکل جستجو است: ترکیبات بی پایانی بین ابعاد اصلی (طول Lpp، عرض B، پیش نویس T)، ضرایب فرم (Cb، ضریب Cp منشوری، ضریب Cm وسط مقطع) و سرعت وجود دارد. در روش کلاسیک، مهندس از داده های کشتی های مشابه (سری طول اصلی، روابط رگرسیون) شروع می کند. هوش مصنوعی این کشف را تسریع می‌کند: در عرض چند دقیقه ده‌ها ترکیب اندازه اصلی کاندید، جابجایی تقریبی هر کدام، و اینکه آیا نسبت‌های L/B، B/T در محدوده‌های معمولی قرار می‌گیرند را جدول‌بندی می‌کند.

در اینجا روند مرحله به مرحله است. اولین گام این است که الزامات ماموریت را برطرف کنید: محموله‌ای که باید حمل شود، برد، سرعت سرویس، محدودیت‌های کانال/پورت (مانند محدودیت‌های پاناما، سوئز عرض پیش نویس). مرحله دوم این است که به طور تقریبی اولین طول های اصلی را با داده های کشتی مشابه تعیین کنید. مرحله سوم انتخاب ضرایب فرم در محدوده معقول با توجه به نسبت سرعت به ابعاد (عدد فرود) است. مرحله چهارم، برآورد اولیه مقاومت و قدرت با روش تجربی (به عنوان مثال رگرسیون هولتروپ-منن) است. در هر یک از این مراحل، هوش مصنوعی فرمول را می سازد و اعداد را تولید می کند. اما ضروری است که منبع هر ضریب را بپرسید و آن را با محدوده معمولی مقایسه کنید.

نکته: هنگامی که هوش مصنوعی یک ضریب فرم را پیشنهاد می کند، بپرسید "آیا این مقدار Cb برای این عدد فرود معمولی است؛ در چه محدوده ای باید قرار گیرد؟" به عنوان مثال، در یک فرم با سرعت بالا، یک Cb کامل (0.80+) مقاومت موج را منفجر می کند. هوش مصنوعی می تواند این را به شما یادآوری کند، اما انتخاب نهایی با داده های کشتی مشابه با شماست.

روش تجربی و هوش مصنوعی در راه اندازی CFD

در مرحله مقدماتی، مقاومت با روش های رگرسیون تجربی به جای آزمایش مدل تخمین زده می شود. روش‌هایی مانند Holtrop-Mennen مقاومت را به اجزای خود تجزیه می‌کنند: مقاومت در برابر اصطکاک، اثر شکل، مقاومت در برابر موج، برآمدگی و مقاومت هوا، با فرمول‌هایی که از یک پایگاه داده بزرگ کشتی‌ها مشتق شده‌اند. هوش مصنوعی مراحل این روش را به یاد می آورد، ضرایب میانی را محاسبه می کند و یک اسکلت صفحه گسترده می سازد. اما این روش محدودیت اعتبار خود را دارد: Holtrop برای محدوده‌های خاص Cb، Fn و L/B مشتق شده است. اگر از این محدوده خارج شوید، نتیجه غیر قابل اعتماد خواهد بود. هوش مصنوعی باید این محدودیت را به شما یادآوری کند. اگر به شما یادآوری نکرد، باید بپرسید.

در سمت CFD، هوش مصنوعی خود راه حل را انجام نمی دهد، اما به شما کمک می کند تا تنظیمات را جستجو کنید: جایی که وضوح مش باید سفت شود، ارتفاع سلول اولیه (y+) برای لایه مرزی چقدر باید باشد، چرا مدل آشفتگی (مانند k-ω SST) انتخاب شده است، نحوه کنترل همگرایی. این گفتگوی معلم و دانش آموز است. آنچه نتیجه عددی را تأیید می کند، مطالعه استقلال مش (استقلال مش؛ نتیجه با سفت کردن شبکه تغییر نمی کند) و در صورت امکان، کالیبراسیون آزمایش مدل است.

روش

آنچه می دهد

نقطه قوت

محدود کردن / تأیید

کشتی / رگرسیون مشابه

اولین اندازه اصلی، نیروی بی رحم

بسیار سریع، داده ارزان است

فقط برای هندسه مشابه معتبر است

هولتروپ-منن

منحنی مقاومت جزء

استاندارد برای طراحی جلو

محدودیت محدوده Cb/Fn/L·B؛ نیاز به تایید مدل

CFD ها

جریان دقیق، میدان فشار

اثرات محلی را می بیند

حساس به شبکه و مدل آشفتگی. کالیبراسیون لازم است

آزمایش مدل (استخر)

مقاومت واقعی اندازه گیری شد

قابل اعتماد ترین

گران، وقت گیر؛ تصحیح اثر مقیاس

موارد کوچک

مورد 1 - ضریب تصحیح متناسب. یک تیم کشش کل را با هلتروپ برای یک تانکر 190 متری 620 کیلو نیوتن محاسبه می کند. هنگامی که آنها به هوش مصنوعی می گویند "نتیجه را بهبود بخشد"، مدل یک "ضریب تصحیح فرم 0.80" با منشأ ناشناخته اضافه می کند و مقاومت را به 496 کیلونیوتن کاهش می دهد. این کاهش 20 درصدی نیروی محرکه را تقریباً یک کلاس میزبان کاهش می دهد. تیم در مورد مبنای ضریب می پرسد. هوش مصنوعی نمی تواند به منابع استناد کند. وقتی آنها آن را با داده های آزمایش مدل مقایسه می کنند، می بینند که مقاومت واقعی حدود 610 کیلو نیوتن است. درس: هیچ عامل اصلاحی بدون منبع وارد نتیجه نمی شود.

مورد 2 - تجاوز از حد فرود. دانش‌آموزی از هولتروپ می‌خواهد مقاومت یک کشتی 50 متری را با هدف سرعت سرویس 30 گره محاسبه کند. برای این سرعت طول، عدد فرود به 0.70 ~ افزایش می یابد. بسیار بالاتر از محدوده قابل اعتماد Holtrop. هوش مصنوعی بدون اینکه ابتدا آن را مشخص کند نتایج را ارائه می دهد. وقتی دانش آموز در مورد محدوده اعتبار سوال می کند، معلوم می شود که روش در این رژیم مناسب نیست و برای فرم های پلنر/نیمه جابجایی روش دیگری (Savitsky و غیره) مورد نیاز است. درس: پوشش اعتبار هر روش تجربی را زیر سوال ببرید.

مورد 3 - خطا از شبکه. در یک مطالعه CFD، هوش مصنوعی مقاومت 540 کیلونیوتن را با یک مش درشت نشان می دهد. هنگامی که مهندس شبکه را سفت می کند و مطالعات استقلال را انجام می دهد، نتیجه 605 کیلونیوتن است. مقدار اولیه 11٪ کمتر بود زیرا میدان موج عقب به اندازه کافی حل نشده بود. درس: نتیجه CFD را نمی توان بدون مطالعه استقلال شبکه قابل اعتماد در نظر گرفت.

الگوهای اعلان قابل کپی

الگو 1 - کاوش پیش اندازه:

نقش: شما یک مشاور طراحی اولیه کشتی هستید. زمینه (نماینده): بار برای یک کشتی فله بر ~40000 تن، سرعت سرویس ~14.5 گره، در محدوده پیش نویس سوئز. وظیفه: 1) پیشنهاد 4 ترکیب طول اصلی نامزد (Lpp، B، T). نسبت ها خارج از محدوده معمولی قرار می گیرند. محدودیت: واحد هر عدد را بنویسید. رگرسیون/پایگاه داده ای که استفاده می کنید را مشخص کنید. تصمیم نهایی را نگیرید، یک نامزد ارائه دهید.

الگو 2 - پیکربندی محاسبه مقاومت هولتروپ:

یک چارچوب محاسبه مقاومت اولیه با روش Holtrop-Mennen تنظیم کنید. ورودی ها (نماینده): Lpp، B، T، Cb، Cp، سرعت سرویس، منطقه مرطوب. من می خواهم: 1) اجزای مقاومت را به طور جداگانه لیست کنید (اصطکاک، فرم، موج، برآمدگی، هوا).2) فرمول و ضریب مورد استفاده برای هر جزء را بنویسید.3) محدوده اعتبار روش (Cb, Fn, L/B) را مشخص کنید و بررسی کنید که آیا ورودی های من در این محدوده هستند یا خیر. et.4) نحوه کالیبره کردن نتیجه را با آزمایش مدل اضافه کنید.

الگو 3 - پرس و جو راه اندازی CFD:

من در حال راه اندازی یک مطالعه CFD مقاومت قایق هستم. تصمیمات زیر را با توجیه توضیح دهید و یک محدوده معمولی از مقادیر را بیان کنید: - انتخاب مدل آشفتگی و دلیل - راه حل نزدیک دیوار (هدف y+) و ارتفاع سلول اولیه - تنظیمات سطح آزاد (VOF) - نحوه بررسی همگرایی و استقلال مش اضافه کردن یک خط "چگونه این را تایید کنم" برای هر پیشنهاد.

الگو 4 - بررسی منطقی بودن نتیجه:

نتیجه مقاومت/قدرت زیر را نقد کنید: [مقادیر EHP، DHP، سرعت، مقاومت را بچسبانید] 1) آیا ترتیب بزرگی برای این کشتی با اندازه معمول است؟

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

بهترین فرم و منحنی مقاومت را برای این قایق ارائه دهید.

اعلان قدرتمند:

نقش: شما یک مشاور طراحی مقدماتی هیدرودینامیکی هستید. زمینه (نماینده، پروژه واقعی نیست): Lpp ~ 180 متر، B ~ 32 متر، T ~ 12.5 متر، Cb ~ 0.84، سرعت سرویس ~14.5 گره. وظیفه: برآورد مقاومت اولیه جزء با روش هولتروپ. منبع هر ضریب و دامنه اعتبار روش را بنویسید. محدودیت: ضریب تصحیح را بدون منبع اضافه کنید. نحوه تأیید نتیجه را با آزمایش مدل و اندازه گیری هایی که باید انجام دهم را فهرست کنید. واحدهای حالت (kN، kW، گره ها) به وضوح.

فرم سریع ضعیف "بهترین" را تعریف نشده باقی می گذارد و نیازی به اعتبار سنجی ندارد. اعلان قوی متن، روش، محدودیت اعتبار و مسیر تأیید را درخواست می کند.

اشتباهات رایج

• نادیده گرفتن پاکت اعتبار. استفاده از هولتروپ یا هر رگرسیون دیگری خارج از محدوده ای که از آن مشتق شده است، مقاومتی معقول اما نادرست می دهد.
• اتخاذ یک عامل تصحیح بدون منبع بگویید "بهبود" و ضرایب ضعیفی که هوش مصنوعی اضافه می کند بی صدا نتیجه را مخدوش می کند.
• استفاده از CFD بدون استقلال شبکه مش درشت نمی تواند موج و میدان گرداب را حل کند. مقاومت کم می شود
• فراموش کردن اثر مقیاس نتیجه آزمایش مدل نیاز به اصلاح اصطکاک (روش ITTC) هنگام حرکت به مقیاس کامل دارد. هوش مصنوعی می تواند این را دور بزند.
• بهره وری اعزام را خوش بینانه در نظر بگیرید. حتی اگر مقاومت درست باشد، بازده درایو بیش از حد خوش بینانه قدرت مورد نیاز دستگاه را دست کم می گیرد.

به طور خلاصه

هوش مصنوعی کشف فرم بدنه، راه‌اندازی محاسبه مقاومت تجربی و برنامه‌ریزی اجرای CFD را تسریع می‌کند. ده ها فرم نامزد را در چند دقیقه قابل مقایسه می کند. اما هر روش تجربی دارای یک پوشش اعتبار است، هر نتیجه CFD یک وابستگی به شبکه دارد، و هر تخمین در مقیاس کامل دارای یک تصحیح مقیاس است. مقادیر مقاومت و توان تولید شده توسط هوش مصنوعی تنها پس از عبور از فیلتر آزمایش مدل، تایید تجربی و قابل قبول بودن فیزیکی به تصمیم ارجاعی تبدیل می شود.

وظیفه کاربردی

برای یک کشتی نماینده (به عنوان مثال Lpp ~ 150 متر، B ~ 25 متر، T ~ 9 متر، Cb ~ 0.75، سرعت ~ 15 گره)، AI را با استفاده از روش هولتروپ، کشش اولیه و EHP را محاسبه کنید. سپس با استفاده از الگوی "بررسی معقولیت نتیجه گیری"، ترتیب بزرگی و فرض بازده ارسال را جویا شوید. محدوده اعتبار روش را از هوش مصنوعی بخواهید و بررسی کنید که آیا ورودی های شما در این محدوده هستند یا خیر. حداقل یک تناقض که پیدا کردید و نحوه تأیید آن را در نیم صفحه گزارش دهید.

چک لیست

• [ ] من دامنه اعتبار روش تجربی را که استفاده کردم با ورودی هایم مقایسه کردم.
• [ ] من منبع هر عامل اصلاحی را که هوش مصنوعی اضافه کرده است، پرسیدم و تأیید کردم.
• [ ] من نتایج مقاومت و قدرت را با یک کشتی معمولی مقایسه کردم.
• [ ] اگر از CFD استفاده کردم، مطالعه استقلال شبکه را برنامه ریزی/انجام دادم.
• [ ] من تأیید کرده ام که فرض بازده ارسال در محدوده معقولی است.
• [ ] من تصمیم نهایی پیشرانه را بر اساس آزمایش مدل/روش تایید شده استوار کردم.