一种基于点云的深度学习方法，用于预测流体动力性能

《Ocean Engineering》：A point-cloud based deep learning method for predicting hydrodynamic performance

　　

黄毅|郑龙|李文平|陈顺怀

教育部武汉理工大学高性能船舶技术重点实验室，中国武汉，430063

摘要

海洋船舶的流体动力性能预测在船舶设计和优化中起着关键作用。在这项工作中，我们提出了一种基于点云的流体动力性能预测框架，称为ShipPointNet。ShipPointNet直接处理以点云形式存在的三维船体表面。通过从原始点云数据中学习空间几何特征，该方法实现了对建模方法的独立性，使其能够应用于通过参数设计、CAD建模或逆向工程生成的船体形状。这提高了流体动力性能预测的通用性、灵活性和准确性。本研究利用裸船抵抗力的流体动力性能作为基准，展示了ShipPointNet框架的可行性和竞争力。具体来说，收集了2000艘船舶的裸船阻力数据，并通过与其他方法的比较评估了ShipPointNet的性能和优势。大量的数值测试验证了该方法的准确性和鲁棒性。为了进一步验证ShipPointNet，还进行了拖车水池实验。结果显示，与物理模型测试相比，预测误差为2.011%。这些结果有效地展示了基于点云的深度学习方法在预测船舶流体动力性能方面的潜力。

引言

在过去的二十年里，基于仿真的船舶优化设计逐渐成为传统船舶设计方法的有效替代方案（Grigoropoulos, 2004; Kim and Yang, 2010; Han et al., 2012; Zhang et al., 2018; Serani et al., 2024）。在基于仿真的船舶优化设计中，该框架通常包括三个核心模块：船体形状表示模块、流体动力性能评估模块和优化计算模块（Miao et al., 2020）。其中，流体动力性能评估模块在确保优化过程的正确性和可靠性方面起着关键作用。通常，船体形状的流体动力性能评估使用势流理论或粘性计算流体动力学（CFD）方法进行。然而，势流理论的固有限制在处理极端条件时往往会导致偏差结果，而粘性CFD模拟则极其耗时。例如，在配备24个CPU的中端工作站上，每次CFD模拟可能需要大约30小时（Coppedè et al., 2019）。为了解决这个问题，研究人员采用了替代建模技术，以在流体动力性能评估的准确性和计算效率之间取得更好的平衡。这些基于近似的方法通过有限次数的模拟来预测相应的性能指标。常见的替代建模方法包括响应面方法（RSM）（Li et al., 2024）、高斯过程回归（GPR）（Zhang et al., 2024）和多种机器学习（ML）技术（Zheng and Chen, 2025）。这些方法已成功应用于广泛的流体动力学相关问题（Zheng and Chen, 2025; Iuliano and Quagliarella, 2013; Vesting and Bensow, 2014; Gaggero and Villa, 2018; Pellegrini et al., 2016; Diez et al., 2018; Bonfiglio et al., 2018）。为了预测海洋船舶的流体动力性能，Zhang等人开发了一种深度信念网络（DBN）模型来预测Wigley船型的波浪阻力（Zhang et al., 2021）。Liu等人提出了一个多保真度Co-Kriging替代模型，结合了高保真度样本的准确性和低保真度样本的计算效率来预测船体的总阻力性能（Liu et al., 2022）。Luo等人使用动态替代模型来预测水下车辆的流体动力性能（Luo et al., 2021）。Kim等人构建了一种深度神经网络（DNN）模型，可以根据船体形状参数预测船舶性能，其平均绝对误差（MAE）为2.835%（Kim et al., 2024）。Lu等人开发了一种新型的多保真度替代模型MFS-DNNDA，该模型巧妙地将深度神经网络架构与数据增强策略相结合。该模型使用Kriging模型在高置信度区域生成高质量样本，从而获得增强的数据集，并实现水下车辆阻力的自主预测（Lu et al., 2025）。到目前为止，已经开发了许多用于预测海洋船舶流体动力性能的模型。然而，这些模型大多数都是为特定的基于仿真的船体形状优化任务而设计的。因此，不同实现之间的船体几何表示存在显著差异，导致模型输入参数的严重不一致性。这些模型的性能在很大程度上取决于特定的参数化策略、船舶类型和先前的设计知识。在许多情况下，不同的特征参数选择可能导致关于预测性能的不同结论。因此，找到一个可以普遍应用于各种类型海洋船舶流体动力性能估计的预测模型仍然非常罕见。

为了解决上述挑战，本研究提出了一种基于点云的船舶流体动力性能预测方法，称为ShipPointNet。与传统方法不同，ShipPointNet直接关注以点云形式存在的船体表面的几何表示。ShipPointNet的主要优势在于其建模方法的独立性，无论船体几何形状是如何生成的（例如，通过参数设计、CAD重构或逆向工程），只要能够提取船体表面的3D点云数据，ShipPointNet就能够捕获潜在的空间特征并以高精度预测流体动力性能。这种方法显著增强了流体动力预测模型的通用性和适应性。因此，本研究的主要重点是建立一个几何驱动的框架，该框架可以直接处理船体表面点云，而无需依赖手动选择的描述符。

其余内容组织如下：第2节介绍了基于点云的神经网络。第3节详细介绍了ShipPointNet，第4节展示了数值实验和结果分析。第5节提供了拖车水池实验验证。最后，第6节提供了结论。

部分片段

PointNet

PointNet（Qi et al., 2017a）直接以点云数据作为输入，并在其网络架构中明确确保输入点的排列不变性，从而实现3D点云上的端到端学习。PointNet的网络结构如图1所示。

PointNet的核心思想如下：每个输入点都通过共享的多层感知器（MLP）独立处理以提取高维特征。然后这些特征被聚合到一个全局

ShipPointNet的框架

ShipPointNet模块使用模型规模的船体点云数据及其相应的流体动力性能数据进行训练。一旦训练完成，它就能够直接从当前规模的3D点云表示中预测船舶的相应流体动力性能。ShipPointNet的整个框架如图3所示。如图3所示，ShipPointNet包括一个预处理层、两层多尺度分组和集合

数值实验和结果分析

为了验证ShipPointNet方法的可行性，我们收集了2000个船体模型阻力数据样本来测试其性能。所有数据都是通过基于RANS的CFD求解器获得的，具体来说是Star CCM+。第4.1节提供了对CFD求解器准确性的详细分析。ShipPointNet的训练是在配备NVIDIA GeForce RTX 4060 Ti GPU的工作站上进行的。

拖车水池实验验证

为了进一步验证ShipPointNet的性能，我们基于本研究的数据集训练的模型进行了拖车水池实验。选择了一艘压缩天然气（CNG）运输船作为测试船舶，其主要尺寸列在表7中。模型测试首先在武汉理工大学的拖车水池中进行。拖车水池是国际拖车水池会议（ITTC）的成员设施，拖车架的操作速度范围

结论和未来工作

本研究提出了ShipPointNet，这是一个基于点云的深度学习框架，用于预测船舶的流体动力性能。通过直接利用3D船体表面表示，所提出的方法实现了对特定几何建模方法的独立性，并展示了强的通用性、灵活性和预测准确性。在2000艘船舶的数据集上进行的大量数值实验，以及拖车水池验证，证实了该方法的可靠性和可行性

CRediT作者贡献声明

黄毅：撰写——原始草稿、调研、正式分析、数据整理。郑龙：撰写——审阅与编辑、验证、项目管理、方法论、概念化。李文平：撰写——原始草稿、可视化。陈顺怀：项目管理、资金获取。

利益冲突声明

作者声明他们没有已知的可能会影响本文所报告工作的竞争性财务利益或个人关系。

致谢

本研究得到了“绿色标准船舶设计和制造的关键技术研发与应用”（Grant GuikeAA23062037）广西科技重大计划的财政支持。