Mit dem ambitionierten Ziel, die Schifffahrtsindustrie zu dekarbonisieren und die Treibhausgasemissionen bis 2050 um mindestens 50% im Vergleich zum Jahr 2008 zu senken, hat die IMO unterschiedliche Regulierungsmaßnahmen eingeführt, darunter der Energy Efficiency Existing Ship Index (EEXI), der Energy Efficiency Design Index (EEDI) und der Carbon Intensity Indicator (CII). Mit diesen Verordnungen sollen strengere Standards für den Betrieb und die Auslegung von Schiffen durchgesetzt und die Schiffseigner dazu angehalten werden, innovative Lösungen zur Verbesserung der Energieeffizienz und der Umweltverträglichkeit einzuführen.
ShipNET – KI-Schiffsmodellierungsansatz für multidimensionales Design
2025 – 2028
| Titel: | KI-Schiffsmodellierungsansatz für multidimensionales Design |
| Laufzeit: | 2025 – 2028 |
| Projektmanager: | Daniel Akinmulewo |
| Förderung: | Bundesministerium für Wirtschaft und Energie |
| Projektträger: | EuroNorm GmbH |
| Reg.-Nr.: | 49MF250089 |
In diesem Zusammenhang hat sich das Retrofitting zur Verringerung des hydrodynamischen Widerstands und des Kraftstoffverbrauchs zu einem wichtigen Marktbereich entwickelt. Die Schiffsformoptimierung hilft nicht nur bei der Einhaltung von Vorschriften, sondern trägt auch zu Betriebskosteneinsparungen und einer Verringerung der Umweltbelastung bei.
Traditionell ist die Entwicklung des Rumpfdesigns stark von der Erfahrung des Designers abhängig, wodurch der Prozess von seinen Fähigkeiten abhängt, schwer zu standardisieren ist und die systematische Suche nach optimalen Designlösungen einschränkt.
Im modernen Schiffsentwurf gelten parametrisch basierte CFD-Optimierungsverfahren als Stand der Technik. Sie haben jedoch inhärente Einschränkungen. Die Durchführung von High-Fidelity-CFD-Simulationen für jede Entwurfsiteration ist rechenintensiv und unpraktisch, insbesondere in komplexen Entwurfsräumen mit dem Design of Experiments (DOE) Ansatz. Jüngste Entwicklungen in kommerziellen CAE-Programmen ermöglichen vollständig parametergesteuerte, systematische und automatisierte Arbeitsabläufe für den Schiffsentwurf. Diese Werkzeuge ermöglichen es den Entwerfern, ein breiteres Spektrum an Designkonfigurationen zu untersuchen und gleichzeitig den manuellen Aufwand zu reduzieren. Es bleiben jedoch erhebliche Herausforderungen bestehen, begründet in der Notwendigkeit für den Optimierungsalgorithmus den gesamten Parameterraum zu erkunden. Damit einher geht die Berechnung vieler nicht-praktikabler Entwürfe. Die Identifizierung dieser Entwürfe im Optimierungsprozess ist ein zentrales Problem. Ohne einen strukturierten Ansatz, um unpraktische oder nicht brauchbare Entwürfe frühzeitig auszuschließen, werden Rechenressourcen für die Bewertung nicht realisierbarer Konfigurationen verschwendet, was die Gesamteffizienz der Optimierung verringert.
Das ShipNET-Projekt zielt darauf ab, diese Einschränkungen zu überwinden, indem ein KI-gesteuerter, objektorientierter und modularer Workflow für den Schiffsentwurf entwickelt wird, bei dem adaptive KI-Agenten während des gesamten Optimierungsprozesses als kollaborative Copiloten agieren. Diese Agenten erzeugen und verfeinern autonom Rumpfvarianten, bewerten die Machbarkeit, prognostizieren die hydrodynamische Leistung und stellen die Einhaltung physikalischer und regulatorischer Einschränkungen sicher. Ziel ist es, eine intelligente, selbstadaptive Entwurfsschleife zu schaffen, die die Erkundung beschleunigt, manuelle Eingriffe reduziert und eine effiziente Navigation in komplexen Designräumen ermöglicht.
Im Rahmen des Forschungsthemas sollen zwei KI-Agenten entwickelt werden:
- Reinforcement Learning Agent zur automatisierten und autonomen Generierung von Designvarianten, der es dem Agenten ermöglicht, die Erkundung des Entwurfsraums auf praktikable und leistungsstarke Bereiche zu lenken und nicht praktikable Konfigurationen zu vermeiden.
- KI-Surrogat-Prediction-Agent für die schnelle Bewertung von Designvarianten und die Leistungsvorhersagen, um teure CFD-Simulationen innerhalb der Designschleife zu ersetzen.
