arXiv cs.AI· Hadi Keramati, Mohammed A. Hannan, Patrick Kirchen, Sina Tousi, Joonas Riekkinen, Jim Pyra, Rajeev K. Jaiman·· 6 天前AI 评分20
用扩散模型与高保真评估实现船体局部生成式设计
Localized Generative Design of Ship Hulls with Diffusion Models and High-Fidelity Assessment
AI 导读
一篇论文提出奖励导向的扩散框架，用于船体局部优化：数据集生成时用参数化掩码把几何变化限制在球鼻艏和前体等选定变量上，同时保持全船连续性，并以代理模型辅助的序贯蒙特卡洛采样降低预测静水阻力。
正文 · AI 翻译
摘要：实际的船舶设计需要局部细化和性能评估。本文提出了一种用于局部船体优化的奖励导向扩散框架。在数据集生成过程中，参数化掩码将几何变化限制在选定的变量上，包括球鼻艏和前体，同时保持全船体的连续性。代理辅助的顺序蒙特卡洛采样以降低预测的静水阻力为目标，通过训练数据保持稳性，并在筛选过程中匹配排水量。一个自动化的粘性自由面 CFD 流程，已针对两艘基准集装箱船的测量结果进行验证，用于评估一个生成的变体以及 GenHull E——一个由船舶设计师在同一表示下细化的船体。在匹配 KRISO 集装箱船（KCS）排水量时，生成的变体在 $F_n=0.195$ 时总阻力相当，但在 $F_n=0.250$ 和 $0.260$ 时阻力高出 45-50%，而经验筛选未能发现这一点。GenHull E 在 $F_n=0.240$ 以下实现了低 6-8% 的总阻力，但在 $F_n=0.250$ 以上阻力更高，因为相反的摩擦和压力趋势逆转了收益。在这个交叉点上对阻力进行聚合，可能会掩盖当摩擦和压力分量分别评估时出现的权衡。评估揭示了无法表示光顺球鼻艏以及奖励缺乏粘性压力和稳性项的问题。这些发现表明，高保真评估如何为物理上可实现的生成式设计提供改进的表示和目标。
| 学科： | 偏微分方程分析（math.AP）；人工智能（cs.AI）；数学物理（math-ph） |
| 引用为： | arXiv:2610.12870 [math.AP] |
| （或 arXiv:2610.12870v1 [math.AP] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.12870 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Hadi Keramati [查看电子邮件]
[v1]
2026年10月9日星期五 01:56:07 UTC（17,162 KB）
来源：arXiv cs.AI · arxiv.org