論文の概要: ShipNet: A Geometric Deep Learning Surrogate for Real-Time Ship Hydrodynamics

• arxiv url: http://arxiv.org/abs/2606.15356v1
• Date: Sat, 13 Jun 2026 15:38:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.450591
• Title: ShipNet: A Geometric Deep Learning Surrogate for Real-Time Ship Hydrodynamics
• Title（参考訳）: ShipNet: リアルタイム船舶流体力学のための幾何学的深層学習サロゲート
• Authors: Kirsten Odendaal, George Drakoulas,
• Abstract要約: ShipNetは、船体表面圧力分布と遠距離自由表面波パターンの両方を、船体形状と速度から直接予測する幾何学的深層学習サロゲートである。 推論には1ケースあたり約0.15秒が必要で、従来のハードウェアの電位フローソルバと比較して550倍のスピードアップが得られる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of hydrodynamic performance is central to ship design, yet high-fidelity computational fluid dynamics remains prohibitively expensive for large-scale parametric exploration. This motivates the development of data-driven surrogate models that provide rapid approximations to hydrodynamic predictions at substantially reduced cost. We present ShipNet, a geometric deep-learning surrogate that predicts both hull-surface pressure distributions and far-field free-surface wave patterns directly from hull geometry and speed. The network employs a regularized dynamic graph convolutional backbone on hull point clouds, with a multi-head decoder for simultaneous near-body pressure and free-surface elevation outputs. Training data consist of 420 inviscid free-surface simulations generated using a potential-flow panel method for two parent yacht hulls, each parameterized into 70 variants and evaluated at three speeds. ShipNet predicts per-point pressure coefficient and two-dimensional wave elevation map using a composite loss that combines point-wise regression and image-structure terms. On a geometry-held-out test set, ShipNet achieves R^2=0.98 for hull pressure and R^2=0.91 for wave fields. Inference requires approximately 0.15s per case, yielding over a 550x speedup relative to the potential-flow solver on conventional hardware. Limitations include the restricted geometry and speed ranges and the inviscid training data, while future work will extend the model to high-fidelity viscous simulations with physics-informed regularization.
• Abstract（参考訳）: 流体力学的性能の正確な予測は船の設計の中心であるが、大規模パラメトリック探査には高忠実な計算流体力学は不当に高価である。 このことはデータ駆動サロゲートモデルの開発を動機付け、流体力学予測への高速な近似をコストを大幅に削減する。 船体表面圧力分布と遠距離自由表面波パターンの両方を船体形状と速度から直接予測する幾何学的深層学習サロゲートであるShipNetを提案する。 このネットワークは、船体近傍の圧力と自由表面の上昇出力を同時に行うマルチヘッドデコーダを備えた、船体点雲上の規則化された動的グラフ畳み込みバックボーンを使用している。 訓練データは、2つの親ヨット船体に対する電位流パネル法を用いて420個の不可視自由表面シミュレーションから成っており、それぞれが70種類の変種にパラメータ化され、3つの速度で評価される。 ShipNetは、点次回帰と画像構造項を組み合わせた複合損失を用いて、点ごとの圧力係数と2次元波高図を予測する。 幾何ホールドアウトテストセットでは、船体圧力はR^2=0.98、波動場はR^2=0.91を達成する。 推論には1ケースあたり約0.15秒が必要で、従来のハードウェアの電位フローソルバと比較して550倍のスピードアップが得られる。 制限には、制限された幾何と速度範囲と暗黙のトレーニングデータが含まれており、将来の研究は、物理インフォームド正規化による高忠実度粘性シミュレーションにモデルを拡張する予定だ。

関連論文リスト

• A solver-in-the-loop framework for end-to-end differentiable coastal hydrodynamics [4.010598744735379]
  深度積分された非定常浅水方程式に基づいて, 微分可能な流体力学解法である AegirJAX を紹介する。 AegirJAX は連続計算グラフとしてタイムマーチング物理ループを扱う。 我々は、科学的な機械学習タスクのスイートでフレームワークの汎用性を実証する。
  論文  参考訳（メタデータ） (2026-04-08T14:21:47Z)
• WeirNet: A Large-Scale 3D CFD Benchmark for Geometric Surrogate Modeling of Piano Key Weirs [0.4837272320474764]
  WeirNetは、PKWの幾何学的代理モデリングのための大規模な3次元CFDベンチマークデータセットである。 ワイアネットは3,794のパラメトリック、実現可能性に制約された長方形および台形PKW測地を含んでいる。 パラメトリックディスクリプタ上の木ベースの回帰器は、最高の全体的な精度を達成する一方、ポイントベースのモデルとメッシュベースのモデルは競争力を持ち、パラメータ化に依存しない推論を提供する。
  論文  参考訳（メタデータ） (2026-02-24T09:19:28Z)
• Car Drag Coefficient Prediction from 3D Point Clouds Using a Slice-Based Surrogate Model [0.6882042556551609]
  本稿では,3次元車両形状の逐次スライスワイズ処理に基づいて,空力抵抗係数(Cd)の予測を行うための軽量サロゲートモデルを提案する。 DrivAerNet++データセットでトレーニングされ評価されたこのモデルは、Cd予測において高い判定係数(R2 > 0.9528)と低い平均絶対誤差(MAE approx 6.046 x 10-3)を達成する。
  論文  参考訳（メタデータ） (2026-01-05T13:41:20Z)
• 3D Neural Operator-Based Flow Surrogates around 3D geometries: Signed Distance Functions and Derivative Constraints [3.100300350494905]
  高忠実度3次元流れシミュレーションの計算コストは依然として大きな課題である。 我々は、符号付き距離関数(SDF)を介して幾何学情報を組み込んだ変種であるDeepONet(DeepONet)とGeometric-DeepONet(Geometric-DeepONet)を評価する。 その結果,Geometric-DeepONetは標準のDeepONetに比べて境界層精度を最大32%向上することがわかった。
  論文  参考訳（メタデータ） (2025-03-21T16:40:48Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Machine learning for phase-resolved reconstruction of nonlinear ocean wave surface elevations from sparse remote sensing data [37.69303106863453]
  ニューラルネットワークを用いた位相分解波面再構成のための新しい手法を提案する。 提案手法は,一次元格子を用いた合成的かつ高精度な訓練データを利用する。
  論文  参考訳（メタデータ） (2023-05-18T12:30:26Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。