基于对提供的文本内容的分析，该文档详细报告了一项具体的原创性研究，其内容结构完整，包含了引言、方法、结果与讨论等标准科研论文章节。因此，它属于类型a：报告一项单一的原创研究。以下是根据要求生成的学术报告。
一种融合深度学习和CFD的船舶阻力快速优化新方法：基于隐式几何表达的流场重建与船型优化研究
一、 研究团队与发表信息
本研究的主要作者为王强（Qiang Wang）、詹承胜（Cheng-sheng Zhan，通讯作者）和冯柏伟（Bai-wei Feng），他们都来自武汉理工大学高性能船舶技术教育部重点实验室和船舶与海洋工程能源与动力工程学院。这项研究成果于2025年12月28日修订，2026年1月5日在国际知名期刊《Ocean Engineering》（第349卷）上以题为“Hybrid deep learning–CFD method with implicit geometry representation for flow field reconstruction and hull form optimization”的论文形式在线发表。
二、 学术背景与研究目标
本研究的核心科学领域是船舶流体动力学与计算流体力学（CFD） 的智能化加速。研究背景源于全球航运业减排的迫切需求（如国际海事组织IMO提出的2050年近零排放目标），而船舶总阻力与船型设计直接相关，是决定船舶能效的关键。传统的船型优化依赖于大量的CFD仿真来评估不同设计方案的水动力性能，虽然精度高，但计算成本极其昂贵，一次仿真通常需要数小时，严重限制了优化设计的效率和探索的设计空间范围。尽管已有研究采用基于CFD结果的代理模型来加速优化，但其构建本身仍严重依赖CFD生成的数据集，计算瓶颈并未从根本上解决。
近年来，机器学习和深度学习在空气/水动力学流场重建与优化中展现出巨大潜力。然而，将其应用于船舶两相流（水-气） 这一复杂场景面临独特挑战：1. 需要处理复杂的三维船体几何形状与三维物理场（速度、压力、自由液面）之间的高维非线性映射；2. 需要一种高效且精确的几何表征方法，作为深度网络的输入，以捕捉船型的细微变化；3. 需要确保深度学习预测的流场符合物理守恒定律，才能用于可靠的工程分析。
为此，本研究旨在开发一套全新的混合方法，以深度加速船型优化中所需流场数据的获取过程。具体目标包括：1. 提出一个基于深度神经网络的水动力加速器，能够从船型参数快速重建其周围的三维流场；2. 开发一种名为共形质心演化（Conformal Centroid Evolution, CCE） 的快速、高精度隐式几何表征框架，作为上述加速器的高质量输入；3. 利用体积分数（VOF）方程对深度学习预测的流场进行物理后验验证，确保其物理一致性；4. 将预测的流场作为CFD模拟的初始场，加速总阻力代理模型的构建，最终实现高效的船型优化。
三、 详细研究流程与方法
研究遵循一个清晰的“数据生成-模型训练-物理验证-应用加速”工作流程，具体步骤如下：
1. 数据集构建与CFD仿真验证 * 研究对象与参数化：选取一艘7500载重吨的散货船（母型船）作为研究对象。选取三个关键的船型变形参数：方形系数（Cb，控制船体丰满度）、浮心纵向位置（Xcb，控制前后体丰满度分布）和尾鳍间距（B），以及一个工况参数：弗劳德数（Fr）。在保证型线光顺的前提下，使用CAESES软件结合Lackenby方法在这些参数的宽广范围内（具体范围见文中表1）生成多种变体船型。 * 采样策略：采用拉丁超立方抽样方法在设计空间中采样。用于训练深度神经网络的数据集包含64个训练样本和16个验证样本，另设25个样本作为独立的预测集。而用于构建总阻力代理模型所需的样本量根据经验公式确定为260个，远大于深度学习所需样本量，这本身就凸显了深度学习方法的潜在效率优势。 * CFD仿真设置与验证：使用开源软件OpenFOAM进行非稳态RANS（雷诺平均纳维-斯托克斯）模拟，采用SST k-ω湍流模型和VOF方法捕捉自由液面。计算域采用半船模型以节约计算成本。为确保CFD结果的可靠性，研究团队在武汉理工大学拖曳水池对母型船进行了阻力试验（Fr=0.148），并遵循ITTC指南对试验和CFD进行了详细的不确定性分析。通过网格收敛性研究（比较粗、中、细三套网格），最终选定中等分辨率网格（约125万个单元）作为生成数据集的平衡选择。CFD验证结果表明，模拟误差在验证不确定度范围内，确认了数据集的可信度。每个CFD案例在24核处理器上约需6小时达到准稳态。
2. 水动力加速器深度神经网络（HA-DNN）的架构与训练 * 网络架构：HA-DNN采用编码器-解码器框架。编码器部分集成了ResNet（残差网络）块和注意力机制块，用于从输入数据中进行下采样和特征提取。解码器部分则使用转置卷积层进行上采样，以重建与原始输入维度匹配的流场。该网络能够依次输出三个方向的速度分量（Ux， Uy， Uz）和压力场（p）。 * 关键技术细节： * 输入预处理：除了设计变量（Cb, Xcb, B, Fr）和空间坐标，模型的关键输入是船体的隐式几何表征。坐标经过傅里叶特征嵌入，以帮助网络捕捉高频空间变化。 * 归一化策略创新：研究发现，对于主流方向的速度Ux，采用速度波动归一化（即从Ux中减去来流速度Vinlet后再进行最大最小值归一化）比常规归一化更有效，能使验证损失更低、收敛更稳定，这是因为该方法更好地分离了不同航速下流场结构的变化模式。 * 训练配置：使用均方误差作为损失函数，Adam优化器，初始学习率0.0005，批大小16，并在验证损失平台期时自动降低学习率。模型在单个NVIDIA GTX 4080 GPU上训练5000个epoch。
3. 共形质心演化（CCE）隐式几何表征方法 * 方法提出：针对传统符号距离场（SDF）在描述复杂船型时存在的缺陷——远场特征表达弱化、生成高精度场计算耗时——本研究创新性地提出了CCE方法。 * 数学原理与实现：CCE的核心思想是模拟一个初始轮廓（取船体水线以下剖面，排除中横剖面）从其质心向外遵循特定演化函数膨胀的过程。对于空间中的任一点，其场值定义为该点被膨胀轮廓首次“吞噬”时的放大系数。该方法能以极快的速度生成任意精度的连续场。文中将演化函数设为常数0.08进行计算。 * 优势验证（消融实验）：研究将CCE与SDF以及不使用任何隐式表征的方法进行了对比。结果显示，在相同的HA-DNN架构和数据集上，采用CCE作为输入，在所有五个预测场（Ux, Uy, Uz, p， 体积分数α）上都取得了最低的验证集均方根误差，相比SDF方法降低了22%至42%，且训练过程更稳定。这证明CCE能更有效地编码船型几何特征，帮助网络学习几何与流场间的映射关系。
4. 物理后验验证：AlphaAdvectionFoam求解器 * 目的：由于直接使用深度学习预测体积分数α精度不佳，且预测的流速场需要满足物理守恒律才能作为可信的初始场，研究开发了一个专门的求解器。 * 原理：该求解器基于OpenFOAM框架，绕过了复杂的N-S方程求解，仅利用HA-DNN预测的、固定的速度场u，来求解描述自由液面演化的VOF方程（一个对流方程）。采用MULES算法确保体积分数有界，并运用界面压缩技术保持相界面的锐利性。 * 验证结果：将HA-DNN预测并反归一化后的速度场输入该求解器，它仅在20次迭代内迅速收敛。计算过程中质量守恒误差可忽略，且最终得到的自由液面波形与完整CFD模拟结果总体吻合良好（仅在首尾局部存在差异）。这强有力地证明了HA-DNN预测的流速场具有物理一致性，可以作为有效的初始条件。
5. 工程应用：初始场加速与船型优化 * 加速流程：对于构建总阻力代理模型所需的260个样本点，仅对其中的80个进行完整的CFD仿真，用于训练HA-DNN模型。然后，利用训练好的HA-DNN模型预测剩余180个样本点的速度场和压力场，再结合AlphaAdvectionFoam求解器快速计算出对应的体积分数场。将这组“预测场”作为CFD模拟的初始场，从而跳过CFD求解器耗时的初始发展过程（约4000次迭代），直接从更接近稳态的状态开始计算，大幅缩短了获取每个样本点总阻力值的时间。 * 代理模型构建与优化：使用这260个（80个CFD全仿真 + 180个初始场加速仿真）样本点的总阻力数据，构建克里金代理模型。将该代理模型与多目标遗传算法（NSGA）结合，以两个不同航速下的总阻力最小化为目标进行船型优化。
四、 主要研究结果
CCE方法的优越性得到证实：消融实验的量化数据（见表4）清晰显示，CCE框架在Ux、Uy、Uz、p四个物理量的预测上，其最小验证集RMSE均显著低于SDF方法和无隐式表征的方法。例如，对于Ux场，CCE的RMSE为0.0034，比SDF的0.0052降低了34.6%。这表明CCE能生成更有利于深度学习模型捕捉几何细微变化的隐式场，是提升模型预测精度的关键。
HA-DNN具备强大的三维流场重建能力：对25个独立预测集样本的评估显示，模型对四个物理量的预测RMSE分布集中，仅有少量异常值，表现出良好的鲁棒性。选取的两个典型样本（样本A和B，具有不同的Cb、Xcb、B和Fr组合）的详细对比图（图16-19）表明，HA-DNN预测的涡量场、三维速度分量切片云图和压力场与CFD参考解在整体结构和分布上高度一致。图19的散点图进一步量化了这种一致性，绝大多数网格点的预测值与CFD值紧密分布在1:1参考线附近。
物理后验验证成功：AlphaAdvectionFoam求解器的快速收敛（20步）和质量守恒误差曲线（图13），以及其生成的波形与CFD波形的总体吻合（图14），从物理方程层面验证了HA-DNN输出速度场的合理性。这解决了单纯数据驱动模型缺乏物理可解释性的痛点，为工程应用提供了信心。
初始场加速效果显著：图20展示了使用HA-DNN预测场作为初始场进行CFD模拟的力收敛历程。与从均匀来流开始的传统CFD模拟相比，加速模拟跳过了前4000次迭代，虽然初始阶段因预测场与真实解的偏差导致受力有波动，但能迅速调整并收敛。这证实了该方法能有效缩短单次CFD模拟的“预热”时间。
船型优化取得实际效益：利用基于加速方法构建的总阻力代理模型进行优化，得到了优化后的船型参数。CFD验证表明，优化船型在两个目标航速下，总阻力相比参考船型分别降低了2.5%和2.9%，且排水量变化极小。优化后的型线图（图23）显示船尾部分有显著修改，自由液面高程图（图24）也显示优化船型的尾波有所降低，符合阻力减少的预期。
五、 结论与价值
本研究成功开发并验证了一套混合深度学习与CFD的船型优化加速框架。该框架的核心创新在于将HA-DNN（用于快速流场预测）、CCE（用于高效几何表征）和AlphaAdvectionFoam（用于物理验证）三者有机结合。
其科学价值在于：1. 提出了一种针对复杂船舶几何的、优于SDF的新型隐式表征方法CCE，丰富了几何深度学习在工程领域的工具集；2. 证明了深度神经网络能够学习从多参数变体船型到其周围复杂两相三维流场的准确映射，即使是在相对稀疏的数据集上；3. 探索了一种通过求解简化物理方程（VOF）对深度学习预测进行后验验证的“混合物理-数据”范式，增强了模型的可靠性和可解释性。
其工程应用价值极为显著：该方法能够大幅减少构建高精度总阻力代理模型所需的原始CFD计算量（在本案例中，260个样本点仅需对80个进行全仿真），从而加速整个船型优化设计流程。它为解决船舶水动力优化中CFD计算成本高昂这一长期瓶颈问题，提供了一条切实可行的新路径。该方法可兼容多种代理模型和优化算法，具有良好的普适性和推广潜力。
六、 研究亮点
七、 其他有价值内容
研究也指出了当前方法的局限性，例如AlphaAdvectionFoam求解器仅用于后验验证，未能实现物理梯度向深度学习模型的回传，因此无法利用CFD中的高级离散格式知识来进一步优化网络本身。这为未来研究指明了方向，例如开发可微分CFD求解器或更紧密的物理信息神经网络（PINN）框架，以实现真正的端到端物理约束学习。尽管如此，本研究已在两相流条件下的船舶水动力智能化快速优化方面迈出了坚实且富有成效的一步。