AI駆動の「性能→設計」生成と海洋プロペラの最適化

要旨: AIは、意思決定の改善と反復サイクルの短縮によって工学設計を加速するためにますます活用されています。しかしながら、海洋プロペラ設計への適用は、学習データが乏しいことや広く利用可能な事前学習済みモデルが欠けていることにより、依然として困難です。本研究は、物理に基づくデータ生成パイプラインと、海洋プロペラに合わせて調整した生成AIフレームワークにより、性能から設計へ直接生成するというギャップを埋めます。まず、20,000件以上の4枚および5枚羽根のプロペラ幾何形状からなるデータベースを構築し、各幾何形状に対して模擬した開水域性能曲線を付与します。このデータセット上に、3モジュールの設計フレームワークを開発します：(1) 条件付き生成モデルは、目標推力、必要動力、直径といった設計仕様に条件付けて、候補となる幾何形状を提案します。(2) 性能予測モデルはニューラルネットワークのサロゲートとして実装し、推力、トルク、効率をミリ秒単位で予測することで、生成された設計の迅速な評価を可能にします。(3) 設計の洗練段階では、進化的最適化を適用し、動力制限下で必要推力を満たすことや、ブレード面積比および厚さに関する上限制約と下限制約を課します。さまざまな作動条件における実験結果は、本フレームワークが、水力学的にもっともらしいプロペラ設計を生成し、所望の性能目標に整合しつつ、従来の専門家による誘導的な洗練と比べて設計反復時間を大幅に削減できることを示しています。潜在拡散ベースの生成器は、同一条件下で条件付き変分オートエンコーダよりも多様性の高い設計を生成し、拡散モデルによる設計空間探索能力がより強いことを示唆します。物理に基づくデータ合成とモジュール式AIモデルを組み合わせることで、本提案手法はプロペラ設計サイクルを効率化し、高価な高忠実度シミュレーションへの依存を最終的な検証段階まで縮小します。