本报告针对《Engineering Applications of Computational Fluid Mechanics》期刊于2025年发表的一篇研究论文进行详细阐述。该论文题为“Data-driven pressure field prediction for ships in regular sea states”，由来自德国汉堡工业大学（Hamburg University of Technology）流体动力学与船舶理论研究所的Malte Loft, Henning Schwarz和Thomas Rung三位研究人员共同完成。以下将从研究的学术背景、详细工作流程、核心结果、结论价值以及亮点等多个方面进行系统介绍。
一、 研究背景与动机 本研究的核心科学领域为计算流体力学在船舶工程中的应用，特别是结合机器学习方法进行复杂流场的降阶建模。商业航运是全球贸易的支柱，同时也贡献了超过2%的全球温室气体排放。因此，提升船舶的燃油效率、降低生态足迹至关重要。航路优化系统是实现这一目标的关键手段之一，它依赖于对环境因素（如波浪、风）引起的附加燃料消耗进行快速预测。传统的计算流体力学（Computational Fluid Dynamics， CFD）仿真虽然精确，但计算成本高昂，无法满足实时在线预测的需求。因此，开发高效、快速的数据驱动代理模型成为了一个迫切的研究方向。
本研究旨在针对船舶在波浪中的航行场景，预测由海浪引起的附加阻力。与以往直接预测阻力系数的方法不同，本研究的创新目标在于对整个三维压力场进行代理建模。具体而言，研究团队提出了一种基于卷积自编码器（Convolutional Autoencoder， CAE）和神经网络（Neural Network， NN）的混合模型，以学习并预测不同海况下船体周围的时间平均压力场。该方法最终能通过将预测的压力场映射到船体表面并进行积分，快速计算出附加阻力，为船舶的实时航路优化提供决策支持。
二、 详细研究流程 本研究采用了“离线训练、在线应用”的策略，整个工作流程环环相扣，包含以下几个核心环节：
1. 数据生成：基于CFD的高保真仿真数据集 研究首先构建了一个高质量的仿真数据集作为机器学习模型的基础。研究对象是基于Kriso集装箱船（KCS）缩尺模型。海况由三个关键参数描述：波浪入射角（β）、波长（λ）和波高（2a）。研究设计了包含150种不同海况的离散参数组合（10个角度 × 5个波长 × 3个波高）。通过镜像技术，最终将数据集扩展至285个案例，以覆盖0至360度的所有方向。 所有CFD仿真均采用一个隐式二阶有限体积法求解器，结合了流体体积法（VOF）模拟自由液面，k-ω SST模型封闭湍流。船舶运动被简化为4自由度（垂荡、纵摇、横荡和纵荡），抑制了横摇和艏摇以防止共振。计算网格为无结构多面体网格，针对不同波长进行了分辨率调整，规模在120万至310万网格单元之间。每个仿真计算2万个时间步，取后1万个时间步进行数据处理，确保了流场充分发展并达到统计稳态。
2. 数据预处理与转换 由于CFD使用的是无结构网格，而机器学习模型（特别是卷积神经网络）更适用于结构化数据，因此需要进行数据转换。研究采用了反距离加权插值法（IDW），将每个CFD仿真得到的三维压力场投影到两个不同分辨率的正交结构化元网格上：Meta-grid A (128×32×48) 和 Meta-grid B (128×64×96)。这些元网格覆盖了船体及其周围区域。关键的一步是，研究将时间平均后的压力场（而非瞬态场）作为机器学习的目标，这大幅降低了问题的复杂度。平均过程基于希尔伯特变换确定稳定周期的时间窗口，确保了数据的代表性。此外，压力场的输入是相对于静水压力的偏差值。
3. 机器学习模型构建与训练 研究的代理模型由两个核心组件串联构成：一个用于降维的卷积自编码器和一个用于回归的参数映射神经网络。 * 卷积自编码器（CAE）：该网络通过编码器将高维（三维网格上的）压力场压缩到一个低维的潜在空间（默认维度为10），再通过解码器从潜在空间重建出完整的压力场。编码器和解码器均采用3D卷积层和反卷积层，以捕捉压力场的空间依赖性，并减少模型参数以防止过拟合。 * 回归神经网络（NN）：这是一个全连接网络，输入是描述海况的三个参数（β, λ, 2a），输出是与CAE潜在空间维度相同的向量。该网络负责学习海况参数到压力场潜在表征之间的映射关系。
训练数据被分为三部分：249个案例用于训练，18个用于验证，18个用于最终测试。研究中对比了两种训练策略：分步训练（先单独训练CAE，再用其潜在空间训练NN）和同步训练（将CAE和NN作为一个整体，通过组合损失函数同时训练）。最终采用了同步训练方法，其损失函数包含重构损失和预测损失两部分，且巧妙地将船体内部网格单元的损失置零（因为这些位置没有流体压力）。研究还探讨了两种处理船体内部网格值的策略：“置零”和“迭代平均”，后者表现更优。
4. 在线预测与阻力积分 训练好的代理模型在在线应用阶段可以极其快速地运行。当输入一组新的海况参数（β, λ, 2a）时，回归NN首先预测出对应的潜在空间向量；然后CAE的解码器将该向量解码为完整的三维压力偏差场；最后，通过将该预测的压力场映射回原始的CFD船体表面网格，并进行表面积分，即可计算出在船舶坐标系下的附加阻力系数。整个过程相比原始的CFD仿真，计算速度提升了约九个数量级。
三、 主要研究结果 研究结果分阶段验证了从数据转换到最终代理模型预测的整个流程的准确性和可靠性。
1. 数据转换流程的验证 首先，研究者评估了将CFD数据转换到元网格并积分计算阻力这一过程引入的误差（不涉及机器学习）。在船舶固定坐标系下，无论是使用时间平均数据还是瞬时数据进行积分，结果都与原始CFD结果高度一致，平均阻力误差很小（对于Meta-grid B为0.64×10^(-5)）。然而，当转换到惯性坐标系（考虑船舶纵摇运动）时，由于时间平均和积分的顺序问题，使用平均数据的策略会引入更大的误差（3.42×10^(-5)）。这证明了选择船舶固定坐标系和时间平均数据作为机器学习目标是更高效且准确的选择。
2. 代理模型预测性能的综合评估 接下来，研究全面评估了整合机器学习模型后的整体性能，重点关注阻力预测误差和压力场的相对均方根误差。 * 最佳配置：结果显示，采用更高的网格分辨率（Meta-grid B）和迭代平均法处理船体内部值的模型配置取得了最好的预测效果。 * 阻力预测：在测试集上，平均绝对阻力误差为1.77×10^(-5)，这仅比单纯数据转换引入的误差高一倍左右，表明机器学习模型成功地捕捉了压力场与阻力之间的关键物理联系。 * 压力场预测：压力场的整体预测质量同样良好。相对均方根误差在大部分测试案例中较低，表明模型不仅能准确预测阻力，还能重建出物理上合理的三维压力分布。尤其是对于迎浪（β接近180°）工况，压力场和阻力的预测精度都非常高。可视化对比显示，对于典型的迎浪和随浪工况，代理模型重建的压力场在形态和量值上都与CFD结果吻合得很好。
3. 存在的挑战与影响因素分析 研究也客观地指出了模型的局限性。个别测试案例（特别是某些横浪或随浪工况）出现了较大的预测误差。分析表明，这些工况的流动形态更复杂，而训练数据集的规模和分布可能不足以让模型完全捕捉其所有特征。此外，研究还分析了潜在空间维度、训练集大小等超参数的影响。结果表明，10维的潜在空间是一个良好的折衷；增加训练数据量有望进一步提升模型在复杂工况下的泛化能力。
四、 结论与价值 本研究成功开发并验证了一个基于CAE/NN的数据驱动代理模型，用于快速预测船舶在规则波中的压力场及附加波浪阻力。主要结论如下： 1. 方法可行性：所提出的离线/在线流程是可行的，能够以前所未有的速度（相比CFD加速九个数量级）预测复杂多相流场和船舶水动力性能。 2. 配置优选：采用更高分辨率的元网格和迭代平均处理船体内部值的策略，可以获得最优的预测精度。 3. 应用潜力：该模型可作为船舶实时航路优化决策支持系统的核心组件。通过快速评估不同海况路径下的附加阻力，系统能够推荐最省油的航线。 4. 可扩展性：该方法具有通用性，原则上可通过更新CFD数据集，应用于任何船型或其他类似的工程流体力学问题中，为AI辅助的复杂流场降阶建模指明了方向。
五、 研究亮点 1. 目标创新：不同于直接回归阻力系数，本研究开创性地将全三维压力场作为代理建模的直接目标，这提供了更丰富的流场物理信息，并可能具有更广泛的适用性。 2. 技术融合：巧妙地将计算流体力学（CFD） 与深度学习（CAE/NN） 相结合，形成了一个完整、高效且物理意义明确的预测流程链。 3. 显著的效率提升：实现了从高保真CFD仿真到实时预测的跨越，九个数量级的计算加速是其走向工程实际应用的关键优势。 4. 详尽的验证与敏感性分析：研究对流程中的每个环节（数据转换、内域处理、网格分辨率、训练策略、潜在空间维度等）都进行了细致的误差分析和对比，为后续研究提供了宝贵的经验。
六、 其他有价值内容 论文还对未来工作方向进行了展望，包括：处理更大规模和非结构化的数据集；改进训练策略以分离潜在空间中相关和不相关的变量（例如采用β-VAE等方法）；以及将该框架推广到其他更复杂的工程问题（如考虑风阻、船舶操纵性等）。这些方向对于进一步提升数据驱动流体力学模型的鲁棒性、可解释性和应用广度具有重要意义。