Journal of the Korean Society of Marine Environment & Safety (해양환경안전학회지)

The Korean Society of Marine Environment and safety (해양환경안전학회)
권호 표지
DOI QR코드

DOI QR Code

Prediction of Resistance Performance for Low-Speed Full Ship using Deep Neural Network

심층신경망을 이용한 저속비대선의 저항성능 추정

  • TaeWon Park (Shipbuilding & Marine Simulation Center, Tongmyong University) ;
  • JangHoon Seo (Shipbuilding & Marine Simulation Center, Tongmyong University) ;
  • Dong-Woo Park (School of Naval Architecture & Ocean Engineering, Tongmyong University)
  • 박태원 (동명대학교 조선해양시뮬레이션센터) ;
  • 서장훈 (동명대학교 조선해양시뮬레이션센터) ;
  • 박동우 (동명대학교 조선해양공학과)
  • Received : 2022.12.05
  • Accepted : 2022.12.28
  • Published : 2022.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

The resistance performance evaluation of general ships using computational fluid dynamics requires a lot of time and cost, and various methods are being studied to reduce the time and cost. Existing methods using main particulars or cross sections of ships have limitations in estimating resistance performance that is greatly dependent on the shape of the ship. In this paper, we propose a deep neural network model that can quickly predict the resistance performance of the hull surface by inputting the geometric information of the hullform mesh. The proposed deep neural network model based on Perceiver IO can immediately predict resistance performance, unlike computational fluid dynamics techniques that require calculation in each time step. It shows the result of estimating the resistance performance with an average error of less than 1% in the data set for a 50 K tanker ship, a type of low-speed full ship.

전산유체역학을 사용하는 일반적인 선박의 저항성능 평가는 많은 시간과 비용이 필요하며, 이를 줄이기 위한 다양한 방법이 연구되고 있다. 선박의 주요 치수나 단면을 이용하는 기존의 방법들은 선형에 크게 좌우되는 저항성능을 추정하는데 한계가 있다. 본 논문에서는 선형 격자의 기하학적 정보를 입력으로 선체 표면의 저항성능을 빠르게 추정할 수 있는 심층신경망 모델을 제안한다. Perceiver IO 기반의 제안하는 심층신경망 모델은 시간 단계별로 계산이 필요한 전산유체역학 기법과 달리 바로 저항성능 추정이 가능하며, 저속비대선의 일종인 50K 탱커 선박을 대상으로 한 데이터집합에서 평균 1% 미만의 오차로 저항성능을 추정하는 결과를 보인다.

Keywords

Acknowledgement

이 연구는 산업통상자원부의 스마트특성화 기반구축사업 중 실물-가상연계 조선해양 기본설계 기술지원 사업(P0021213) 과제의 지원을 받아 수행되었습니다.

References

  1. Ba, J. L., J. R. Kiros, and G. E. Hinton(2016), Layer Normalization. arXiv preprint arXiv:1607.06450.
  2. Cho, Y. I., M. J. Oh, Y. S. Seok, S. J. Lee, and M. I. Roh (2019), Resistance Estimation of a Ship in the Initial Hull Design Using Deep Learning, 24.2, pp. 203-210.
  3. Girshick, R.(2015), Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision, pp. 1440-1448
  4. He, K., X. Zhang, S. Ren, and J. Sun(2016), Deep Residual Learning for Image Recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 770-778.
  5. Jaegle, A., S. Borgeaud, J.-B. Alayrac, C. Doersch, C. Ionescu, D. Ding, and J. Carreira(2021), Perceiver IO: A General Architecture for Structured Inputs & Outputs. arXiv preprint arXiv:2107.14795.
  6. Kim, Y. C., K. S. Kim, S. H. Hwang, and S. M. Yeon(2022), Prediction of Residual Resistance Coefficient of Ships using Convolutional Neural Network, Journal of the Society of Naval Architects of Korea, Vol. 59, No. 4, pp. 243-250. https://doi.org/10.3744/SNAK.2022.59.4.243
  7. Kim, Y. C., Y. K. Yang, M. S. Kim, Y. Y. Lee, and K. S. Kim(2020), Prediction of Residual Resistance Coefficient of Low-Speed Full Ships Using Hull Form Variables and Machine Learning Approaches, Journal of the Society of Naval Architects of Korea, Vol. 57, No. 6, pp. 312-321. https://doi.org/10.3744/SNAK.2020.57.6.312
  8. Vaswani, A., N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, L. Kaiser, and I. Polosukhin(2017), Attention is all you need. Advances in Neural Information Processing Systems, pp. 5998-6008.