基于GAN与VAE-PCT的机器学习驱动船舶型线CAD-to-CAD生成设计及几何统计特征验证

《Journal of Marine Science and Engineering》：Ship Hull Generation Using GANs & VAE-PCTs: A Comparison Study

　　本文介绍并应用了一种计算机辅助设计（CAD-to-CAD）策略，用于在船舶设计过程的早期阶段开发生成模型，以探索机器学习（ML）支持的船体型设计空间，并使用CAD数据库作为训练数据集。为此，本文构建了两个生成模型：一个卷积生成对抗网络（GAN）和一个变分自编码器结合点云Transformer模型（VAE-PCT），这两个模型利用了两种不同单类型船体的训练数据集——一种由简单（无球鼻艏）船体组成，另一种由具有典型集装箱船特征的船体组成。两个模型均采用相同的CAD船体离散化方法，其组合结构等价于三维矩形矩阵，并采用了一种被证明对训练过程的稳定性、收敛性和时间成本有益的归一化方法。VAE-PCT模型的架构特征是以变分自编码器为骨干，在解码器组件中集成了堆叠的点Transformer块。模型从质量和多样性两方面进行比较，使用了相关文献中常见的五种互补指标。最后，通过构建一个从生成器的离散输出到通过放样一组由生成器输出进行光顺处理得到的三维曲线族所获得的B样条曲面的拉回映射，实现了CAD-to-CAD策略。拉回映射的性能通过所获得船体的几何有效性以及对以下统计量进行了测试：（i）九个无量纲几何系数，这些系数与船舶设计中关键性能和运营关键绩效指标（KPI）相关；以及（ii）使用适用于船舶设计早期阶段的估算器计算的静水阻力。比较涉及训练CAD模型以及通过处理GAN和VAE-PCT生成器的离散输出所获得的8000个CAD船体，结果表明，生成的CAD船体的统计特征与训练船体的统计特征高度一致。