2021/01/20

【技術】船型優化中如何選擇合適的優化策略

在船型優化任務中,考慮到單個算例仿真時間的成本和計算資源成本,工程師往往需要在盡可能少的計算案例中找到更優的設計方案。因此一個合理的優化策略的選擇便顯得尤其重要。在本文中,筆者以KCS船為例,試圖探討CAESES中不同優化算法的選擇,以及南京天洑軟件公司自研優化平臺AIPOD對于優化效率和效果的影響。需要注意的是,本文所得的結論可能僅適用于該KCS船型。結論是否具有普適性需要進一步的探索與思考。


參數化模型
 

采用CAESES軟件的半參數化變形方法,對KCS船進行局部變形,在球鼻艏,船體入流段和去流段采用FFD方法,艉封板采用Delta shift方法,除了局部變形,還通過Lackenby方法對船體其他位置進行變形,組合變形效果如視頻所示:


數值仿真計算 


本算例以SHIPFLOW作為仿真工具,計算參數化模型的總阻力系數Ct。

算例網格數為1.74M;計算使用的工作站硬件配置為: CPU: Intel? Core? i7-7700K @ 4.2GHz 4.2GHz;內存: 16GB;單個算例仿真時間約40分鐘。

1.png


優化問題



8個設計變量,以總阻力系數較小為優化目標,同時滿足排水體積和浮心縱向位置的約束。


CAESES優化算法
 

1.    Sobol

首先采用智能取樣算法sobol,在設計變量給定的變化范圍內做50次試驗設計。計算結果如下:

2.png

表格1.jpg

結論:

①. Sobol只是取樣算法,并沒有執行優化。

②. “優化”效果有限?!皟灮边^程未體現出收斂性。

2.    Sobol+Tearch

基于上一步Sobol的優化結果,另執行50個方案的優化計算,采用梯度優化算法Tsearch。計算結果如下:

3.png

表格2.jpg

結論:

①. 基于sobol的結果增加Tsearch的算法可以得到更優的設計方案。

②. Tsearch優化過程體現出收斂性。

3.    遺傳算法NSGA-II

采用流行的遺傳算法NSGA-II進行進一步探索??紤]到電腦計算性能和時間成本,遺傳算法設置為如下:種群規模 (population):12。代數 (Generation):10。共計120個方案。計算結果如下:

4.png

表格3.jpg

結論:

①. 遺傳算法NSGA-II體現出一定優化效果,但優化效果不如sobol+Tsearch算法。

②. 120次仿真計算的優化歷程未體現明顯收斂性。

③. 思考:sobol+NSGA-II的方案能否優于單獨的NSGA-II優化或者sobol+Tsearch方案?

4.    Sobol+遺傳算法NSGA-II

執行50次sobol計算,以更優方案為基礎另執行120次NSGA-II優化。參數設置與前述方案相同。剔除無效設計方案后,結果如下:

5.png

表格4.jpg

結論:

①. 由于NSGA-II算法每一代取值的隨機性,Sobol+NSGA-II的優化策略優化效果甚至不如單獨NSGA-II策略。

②. 對于小樣本優化計算(100次左右),遺傳算法NSGA-II并不能發揮其優勢。

③. 綜合考慮優化效果和優化成本,對于小樣本優化計算,更佳優化策略為sobol+Tseach的組合優化。


天洑軟件自研優化平臺AIPOD
 

優化平臺AIPOD核心優化算法SilverBullet算法是天洑針對工業設計領域數值模擬計算成本高的痛點而研發,在計算成本有限的情況下(百量級),以盡可能少的計算代價,獲取盡可能高的性能提升。

6.png

SilverBullet算法整合了智能采樣技術、耦合優化技術,以及一套核心的參數指標動態協調全局優化和局部探索力度,從而實現在小計算規模下的高效性能優化提升。SilverBullet算法有以下兩大特色:

①. 自適應優化場景,零使用門檻

SilverBullet算法具有強大的自適應性,用戶僅需提供計算代價,無需任何超參設定,即可一鍵啟動優化流程,很大程度的降低了用戶的使用門檻;

②. 智能邊界突破(Bound-break)

SilverBullet獨有的智能優化探索能夠擺脫參數范圍不夠精確的困擾,對于無法精確給定變量范圍的部分變量,在滿足不增加搜索成本的前提下,自主決策有選擇性地突破設計參數范圍邊界,獲得更好的設計方案。 

1.    AIPOD

采用相同的設計參數與設置,利用SilverBullet算法執行100次優化計算,結果如下:

7.png

表格5.jpg

結論:

①. AIPOD算法在100次樣本規模的優化設計中,優化效果好于上述更優的優化策略Sobol+Tsearch。

②. AIPOD算法在100次樣本規模的優化設計中,優化結果體現出一定收斂性。

2.    AIPOD (boundbreak 200)

采用相同的設計參數與設置,利用SilverBullet算法開啟boundbreak功能,執行200次優化計算,結果如下:

8.png

表格6.jpg

結論:

①. AIPOD算法開啟boundbreak功能后,優化結果得到進一步提升。

②. 優化結果體現出一定收斂性。

③. 思考:減少計算成本,降低樣本規模到100以下,能否也可以得到較好的優化結果? 

 3.    AIPOD (boundbreak 80)

采用相同的設計參數與設置,利用SilverBullet算法開啟boundbreak功能,執行80次優化計算,結果如下:

     

     

     

    9.png

    表格7.jpg

     結論:

    ①. AIPOD算法開啟boundbreak功能后,80次優化計算的結果不如200次優化計算的結果。

    ②. AIPOD算法開啟boundbreak功能后,80次優化計算結果仍然好于上述較優的Sobol+Tsearch優化策略和AIPOD不開啟boundbreak功能算法。

    ③. 優化結果體現出一定收斂性。

    由于開啟了boundbreak功能,更優方案對應的個別設計變量最終取值在原始設定的邊界外,因此有必要檢查最優設計方案的幾何光順性。經檢查,更優方案的光順性良好,船體幾何合理,如下圖:

    10-1.png

    10-2.png

     優化船型與原始船型對比

    11-1.png

    原始船型

    11-2.png

    優化船型



    結 論
     

    文基于標模KCS船型進行了多種優化策略的嘗試,優化設置中同時考慮了優化效果和優化時間。由于工業設計中單個算例需要較為昂貴的仿真成本,因此在實際項目中,工程師能接受的優化樣本規模通常在百次左右?;谶@一前提,遺傳算法無法發揮其優勢,得不到較好的優化結果。如果基于CAESES平臺進行優化,更優的優化設計策略為sobol+Tsearch的組合。

    在國家倡導的工業軟件自主化的大背景下,南京天洑軟件公司自研AIPOD優化產品體現出了其功能性與自主性的優勢。不僅僅可以幫助客戶在有限的時間內得到更優的設計方案,并且給予客戶更大的軟件自主開發權限。

    AIPOD軟件現以面向客戶提供試用,如果感興趣請與我們聯系。 

     

    最新高清无码专区在线视频_热的无码和有码_国产欧美另类专区