[3R4-OS-27] サロゲートAIモデルの気象・海況/船舶への応用

[3R4-OS-27-05] Physics-Informed Neural NetworkによるCFD代替サロゲートモデルを用いた船舶流体解析

〇木村 考伸¹、上品 彰斗¹、岡本 信¹、三宅 雄登¹、畠中 浩行¹、前野 仁¹、新井 大介²、田島 圭祐²、古池 健太² (1. 古野電気株式会社、2. 株式会社新来島サノヤス造船)

キーワード：サロゲート、数値流体力学、Physics-Informed Neural Network、船舶

数値流体力学(CFD)手法は精度と計算量のトレードオフの制約があるが、特に船舶に用いられる流体計算は高精度が要求されることから、必要となる計算リソースの増大が課題とされてきた。
近年高速化を目的としたAIによる高速なCFD代替手法が提案されているが、一般的な教師あり学習では十分な精度を得るために膨大なCFD計算結果を学習データとして事前に準備する必要があり、多様な船型を網羅するデータ収集は現実的に困難である。本研究ではPhysics-Informed Neural Network (PINN)の概念を導入し、様々な位置や形状に対応するため、球状や円柱状の基本的な幾何構造に加え多様に変形させた数学的な仮想船型（Wigley模型）などの対象に流体挙動シナリオを作成し流体力学方程式や物理的境界条件を満たす制約付き学習を実施した。この結果流体挙動を維持しつつ従来のCFD解析と比較して数百倍の計算速度を実行可能なモデルを構築出来た。
今後は模型船および実スケール船を用いた検証を通し、さらに計算リソース制約のある環境下でも効率的な流体解析を実現するAIシステムの開発を目指していく。