2022 Fiscal Year Annual Research Report
A Study on Fluid Characteristics of Wake Field Utilizing Hull Forms and Flow Field Database
| Project/Area Number |
20K04954
|
|---|
| Research Institution | National Institute of Maritime, Port and Aviation Technology |
|---|
Principal Investigator |
一ノ瀬 康雄 国立研究開発法人海上・港湾・航空技術研究所, その他部局等, 研究員 (00550021)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
谷口 智之 国立研究開発法人海上・港湾・航空技術研究所, その他部局等, 研究員 (20782460)
|
|---|
| Project Period (FY) |
2022-11-15 – 2023-03-31
|
| Keywords | 船型 / 伴流 / 数値流体力学 / 推進性能 / 機械学習 / 船型データベース / 船尾振動 / 船型表現 |
|---|
| Outline of Annual Research Achievements |
本研究は船型・流場データベースの構築とこのデータベースの分析手法を提案し、三次元剥離を伴う複雑な船尾伴流場の流場特性を体系化することを目的としている。本研究では、まずこれまで内航肥大船に限定されていた船型・流場データベースをPCCやコンテナ船などの痩せ型船型にも拡張し、船型・流場データベースにより汎用性を持たせた。次に、船型データベースの体系化および推進性能の可視化を目的として、これまで二つや三つの基本船型の組み合わせのみに限定されていた船型のブレンディング手法を基礎に、この手法に重心座標系の概念を導入することで任意の数の船型を基底とする船型座標系（Hull-form Coordinate System）を開発した。この座標系は船型設計空間の性能分布の可視化にとどまらず、船型の自動生成にも活用可能な汎用性のある船型設計空間モデルである。さらに、本研究では船型・流場データベースのサロゲートモデルを新たな船体表現手法（IHR: Imaged-based Hull Form Representation）とConvolutional Neural Network (CNN)で構築した。このモデルは船型設計で必要となる実用的推定精度を維持しつつ、従来手法（CFD計算）よりも数万倍高速に船尾伴流場を予測するモデルである。また、損失関数に伴流の分布関数の勾配を導入することでこのモデルを改良し、推定伴流の問題のある振動を軽減させ、推定精度をさらに向上させることに成功した。最終年度はこれらの成果の論文化に取り組んでいたが、ノルウェー科学技術大学において本研究とも関連のある船型設計に関する研究開発に取り組む機会を得たため、研究を一時中断し、帰国後欧州で得られた知見を活かし、提案手法の検証に引き続き取り組み、より充実した研究成果を目指すこととした。
|
