机构名称：
¥ 46.0
1.简介 随着计算能力的提高，机器学习为加速初始设计阶段的船舶工程师工作流程提供了新的机会。以往往具有较高相对计算成本的开放水域计算为例，本文表明将测地线卷积神经网络 (GCNN) 等机器学习算法应用于此类计算很有前景，并且可以将初始设计过程的生产率提高几个数量级。因此，本研究的目的是描述该方法并讨论将 GCNN 应用于开放水域计算的结果，使用遵循瓦赫宁根 B 系列螺旋桨系列设计的几何形状，并探索通过将人工智能应用于船舶 CFD 结果可以实现的生产率提高。2.方法 2.1。使用 CFD 生成和验证几何形状 瓦赫宁根 B 系列螺旋桨系列被选为实验设计 (DoE) 的“母”系列。此系列中的螺旋桨由四个参数描述：直径 D、展开面积比 EAR、叶片数量 Z 和螺旋桨螺距 P。如果直径保持不变 (D = 1 m)，则几何形状完全由 EAR、Z 和 P 描述。螺旋桨使用 Rhino 3D 结合 Grasshopper 以及专有 Python 代码建模，该代码包含基于 Kuiper (1992) 中描述的定义进行的截面几何描述。使用 NURBS 将二维截面开发为三维叶片。Van Oossanen 和 Oosterveld (1975) 根据荷兰海事研究所 (MARIN) 进行的早期模型测试的回归分析，开发了适用于任何瓦赫宁根 B 系列螺旋桨的开阔水域性能曲线描述。推力和扭矩系数曲线的原始描述在雷诺数为 2,000,000 时有效。随后将这些回归曲线与选定数量的螺旋桨和操作条件的 CFD（计算流体动力学）结果进行比较，以验证创建的螺旋桨几何形状是否产生了与瓦赫宁根 B 系列相对应的预期结果。
COMPIT'22 - HIPER
主要关键词
相关文件推荐
