[論文レビュー] Generative Design of Ship Propellers using Conditional Flow Matching

Patrick Kruger, Rafael Diaz+3 more|arXiv (Cornell University)|Jan 29, 2026

Cavitation Phenomena in Pumps被引用数 0

ひとこと要約

本論文は、条件付きフロー整合（CFM）生成モデルを導入し、指定された性能ターゲットを満たす船用プロペラ形状を生成する。代理モデルによるデータ拡張を用いたデータセットで実証。

ABSTRACT

In this paper, we explore the use of generative artificial intelligence (GenAI) for ship propeller design. While traditional forward machine learning models predict the performance of mechanical components based on given design parameters, GenAI models aim to generate designs that achieve specified performance targets. In particular, we employ conditional flow matching to establish a bidirectional mapping between design parameters and simulated noise that is conditioned on performance labels. This approach enables the generation of multiple valid designs corresponding to the same performance targets by sampling over the noise vector. To support model training, we generate data using a vortex lattice method for numerical simulation and analyze the trade-off between model accuracy and the amount of available data. We further propose data augmentation using pseudo-labels derived from less data-intensive forward surrogate models, which can often improve overall model performance. Finally, we present examples of distinct propeller geometries that exhibit nearly identical performance characteristics, illustrating the versatility and potential of GenAI in engineering design.

研究の動機と目的

• predefined performance targets を達成するプロペラ設計を提案できる生成モデルを開発する。
• 完全にパラメトリックなプロペラデータセットと低忠実度のシミュレーションを用いてモデルを訓練する。
• 生成設計の精度と多様性を評価し、代理モデルによるデータ拡張を調査する。
• 訓練データ量を減らした場合の影響と代理ベースの拡張がモデル性能に与える影響を探る。

提案手法

• フローに基づく生成フレームワーク、特にConditional Flow Matching（CFM）を用いて p(p|l) をモデル化する。ここで p はプロペラ設計パラメータ、l は性能ラベル。
• プロペラ形状を6つの設計変数で表現し、回転系の格子法ベースのOpenPropシミュレーションによって性能ラベルを導出する。
• ニューロンODEベースのフローを条件付きベクトル場で訓練し、サンプルを単純な母集団からターゲット設計分布へ輸送する。
• 代理モデルアンサンブルを組み込み、データ拡張とラベル予測の検証を高速化する。
• 元のシミュレーションを実行して真の性能ラベルを取得し、ターゲットと比較して生成設計を評価する。

実験結果

リサーチクエスチョン

• RQ1 Conditional Flow Matching は、与えられた性能ターゲット（η*, J*, kT*）を満たすプロペラ設計を生成できるか？
• RQ2 元のOpenProp/CFDワークフローで評価した場合、生成設計の精度はどれくらいか？
• RQ3 生成設計は、固定ターゲット性能に対して意味のある形状多様性を示すか？
• RQ4 代理モデルを用いたデータ拡張は、特に限られた訓練データでモデル性能を改善するか？
• RQ5 データ量とモデル精度のトレードオフは逆設計設定でどうなるか？

主な発見

• CFM は、指定されたターゲット性能ラベルを達成する複数の多様なプロペラ設計を生成できる。
• シミュレーションワークフローで評価した後、η*, J*, kT* に対してターゲットラベルと高い精度で一致する生成設計を示す。
• 同じ性能ターゲットでも、刃数の異なる設計など、意味のある形状の多様性を生み出す。
• 代理モデルベースのデータ拡張は、複雑なターゲット（特に kT*）の訓練データが限定的な場合に精度を向上させるが、ラベルごとに効果は異なる。
• データ拡張の効果は、複雑なラベルや小さな初期データセットで最も顕著で、設計間の強い相関を持つ単純なラベルにはあまり影響しない。