[논문 리뷰] Generative Design of Ship Propellers using Conditional Flow Matching

Patrick Kruger, Rafael Diaz외 3명|arXiv (Cornell University)|2026. 01. 29.

Cavitation Phenomena in Pumps인용 수 0

한 줄 요약

본 논문은 지정된 성능 타깃을 충족하는 선박 프로펠러 기하를 생성하기 위한 조건부 흐름 매칭(CFM) 생성 모델을 도입하며, 보조 모델을 통한 데이터 증강을 이용한 파라메트릭 프로펠러 데이터셋에서 시연되었다.

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.

연구 동기 및 목표

• 사전 정의된 성능 목표를 달성하는 프로펠러 설계를 제안할 수 있는 생성 모형을 개발한다.
• 완전 파라메트릭 프로펠러 데이터셋과 저충실도 시뮬레이션을 활용하여 모델을 학습한다.
• 생성 설계의 정확도와 다양성을 평가하고 대리모델을 활용한 데이터 증강을 조사한다.
• 감소된 학습 데이터와 대리모델 기반 증강이 모델 성능에 미치는 영향을 탐구한다.

제안 방법

• 프로펠러 설계 매개변수 p와 성능 레이블 l을 각각 p(p|l)로 모델링하기 위해 흐름 기반 생성 프레임워크, 특히 Conditional Flow Matching(CFM)을 사용한다.
• 프로펠러 기하를 여섯 개의 설계 변수로 표현하고 OpenProp 시뮬레이션을 통해 소용돌이 격자법(vortex lattice method)을 기반으로 성능 레이블을 도출한다.
• 단순한 소스 분포에서 목표 설계 분포로 샘플을 이동시키기 위해 조건 벡터장을 갖는 신경 미분방향(ODE) 기반 흐름을 학습한다.
• 레이블 예측의 검증 속도를 높이고 데이터 증강을 가능하게 하기 위해 대리모델 앙상블을 도입한다.
• 원래의 시뮬레이션을 실행해 실제 성능 레이블을 얻고 이를 타깃과 비교하여 생성 설계를 평가한다.

실험 결과

연구 질문

• RQ1 Conditional Flow Matching이 주어진 성능 타깃(η*, J*, kT*)을 충족하는 프로펠러 설계를 생성할 수 있는가?
• RQ2 원래의 OpenProp/CFD 워크플로우로 평가했을 때 생성 설계의 정확도는 어느 정도인가?
• RQ3 고정된 목표 성능에 대해 생성된 설계가 의미 있는 기하학적 다양성을 보이는가?
• RQ4 대리모델을 이용한 데이터 증강이 특히 제한된 학습 데이터에서 모델 성능을 향상시키는가?
• RQ5 이 역설계 설정에서 데이터 양과 모델 정확도 사이의 트레이드오프는 무엇인가?

주요 결과

• CFM은 지정된 목표 성능 레이블을 달성하는 다수의 다양한 프로펠러 설계를 생성할 수 있다.
• 생성된 설계는 시뮬레이션 워크플로우로 평가한 후 η*, J*, 및 kT*에 대해 목표 레이블과 비교하여 높은 정확도를 보인다.
• 같은 성능 타깃에도 서로 다른 블레이드 수를 가진 설계를 포함하여 의미 있는 기하학적 다양성을 산출한다.
• 대리모델 기반 데이터 증강은 학습 데이터가 제한적일 때 복잡한 타깃(특히 kT*)에 대한 정확도를 향상시키며, 레이블에 따라 효과가 다르게 나타난다.
• 데이터 증강 이점은 복잡한 레이블과 작은 초기 데이터 세트에서 가장 뚜렷하고, 설계 간 강한 상관관계가 있는 간단한 레이블에서는 영향이 덜하다.