Проектирование корпусов подводных лодок следующего поколения с использованием Cfd для уменьшения драги и шума

Физика подводного драга и шума

Подводные лодки, работающие на высоких скоростях, сталкиваются с двумя взаимосвязанными проблемами: гидродинамическим сопротивлением и акустической сигнатурой. Драг, сила сопротивления, противостоящая движению через воду, непосредственно влияет на скорость и расход топлива. На типичных глубинах подводных лодок сопротивление включает фрикционное сопротивление вдоль поверхности корпуса и сопротивление давлению из-за разделения потока за кормой. Трениевое сопротивление доминирует для хорошо обтекаемых тел, в то время как блефовые формы или высокие углы атаки увеличивают сопротивление давлению. Между тем, шум возникает из турбулентных пограничных слоев, вихревого сбрасывания от выступов и кавитации - образование и разрушение пузырьков пара, когда местное давление падает ниже давления пара. Кавитация производит широкополосный шум и может разрушать лопасти винта и покрытия корпуса. Понимание этих физических механизмов имеет важное значение перед применением вычислительной динамики жидкости (CFD).

Современные подводные лодки требуют коэффициентов сопротивления ниже 0,005 и уровней шума, едва превышающих фон окружающего океана на тактических частотах. Достижение этих целей требует детального анализа явлений потока, которые традиционные эмпирические методы не могут разрешить. CFD заполняет этот пробел, решая уравнения Навье-Стокса для сложных геометрий и режимов потока, предоставляя пространственные карты скорости, давления и интенсивности турбулентности, которые направляют проектные решения.

Эволюция дизайна корпуса: от подкожных капель до био-вдохновленных форм

Ранние подводные лодки использовали цилиндрические корпуса с плоскими концами, производя высокое сопротивление и сильное разделение потока. Форма корпуса слезоточивой капли, широко принятая в середине 20-го века, уменьшала сопротивление давления, оптимизируя заднее тело и сужая хвост. Более поздние конструкции добавляли бульбовидные луки, чтобы уменьшить волновое сопротивление на малых глубинах и соотношении тонкости, которые задерживают разделение. Однако сегодняшние субмарины следующего поколения требуют производительности за пределами простых капель. Био-вдохновленные формы, смоделированные после дельфинов, тунца или даже рыбы-мышки, предлагают естественные решения для уменьшения сопротивления и подавления шума. Совместимая кожа дельфина, например, влажная, но многоугольная карапака, создает стабильные микро-вихрики, которые уменьшают общее сопротивление. CFD позволяет инженерам тестировать эти органические формы под реалистичными числами Рейнольдса (Re ~ 107-108) и оптимизировать тонкие функции, такие как кривизна носа, кормовое су

Возникает тенденция использования корпусов изменяемой геометрии, которые адаптируются к условиям эксплуатации. Например, расширяемые обтекатели могут сглаживать блефующие в противном случае гидролокаторные массивы, а убирающиеся плавники могут быть размещены на высокой скорости для уменьшения сопротивления. Моделирование CFD направляет переход между конфигурациями, гарантируя, что добавленная сложность не увеличивает шум или вес. Центр надводной войны ВМС США опубликовал исследование таких адаптивных концепций корпуса, подчеркивая роль CFD в оценке эффектов переходного потока при изменении формы (см. NSWC Carderock).

Вычислительная динамика жидкости: методологии и инструменты

Применение CFD к конструкции корпуса подводной лодки включает в себя выбор соответствующих решателей, моделей турбулентности и стратегий сетки. Основными классами решателей являются Reynolds-средний Navier-Stokes (RANS) для анализа в устойчивом состоянии, моделирование больших вихрей (LES) для решения переходных турбулентных структур и отдельное моделирование вихрей (DES) в качестве гибрида, который уравновешивает стоимость и точность. Для прогнозирования сопротивления и шума RANS с моделями турбулентности с двумя уравнениями (например, k-ω SST) остается промышленной рабочей лошадкой, в то время как LES или DES необходимы для захвата начального кавитационного и широкополосного шумовых спектров.

Сетчатая генерация имеет решающее значение: граничные сетки со значениями y+ ниже единицы необходимы для точного напряжения сдвига стенок, в то время как призменные слои вокруг придатков должны разрешать пузыри разделения. Неструктурированные тетраэдрические сетки с зонами уточнения в будке и вблизи плоскости пропеллера являются общими. Типичное моделирование полного корпуса может использовать 20–50 миллионов ячеек, требуя высокопроизводительных вычислительных кластеров. Валидация против экспериментальных данных, таких как испытания модели субмарины Series 58 в бассейне модели Дэвида Тейлора, гарантирует, что численные результаты воспроизводят реальные силы и распределения давления. Недавние работы в Лаборатории морской гидродинамики Мичиганского университета сочетают CFD с велоциметрией изображения частиц для проверки скоростей пробуждения, еще больше повышая уверенность в результатах моделирования.

Сетчатая независимость и проверка

Надежный рабочий процесс CFD включает в себя исследования конвергенции сетки, которые оценивают, как изменяется коэффициент сопротивления при увеличении плотности сетки. Метод Grid Convergence Index (GCI), рекомендованный Американским обществом инженеров-механиков (ASME), количественно оценивает ошибку дискретизации. Для корпусов подводных лодок достижение GCI ниже 1% для сопротивления и 3% для шумовых прокси (например, турбулентная кинетическая энергия на корме) является стандартным. Инженеры также должны решать численное рассеивание, которое может искусственно влажной мелкомасштабной турбулентности, решающей для прогнозирования шума. Схемы дискретизации высокого порядка (например, WENO пятого порядка) сохраняют физику потока, но увеличивают вычислительные затраты. Балансировка точности и времени остается центральной проблемой в разработке корпуса следующего поколения.

Сокращение нагрузки: гидродинамическая оптимизация

Снижение драга напрямую улучшает скорость, дальность и выносливость. Исследования CFD выявили несколько жизнеспособных стратегий:

Обтекаемая форма корпуса

Оптимизация соотношения длины корпуса к лучу (обычно 8:1 для форм капли) уменьшает градиент давления, который вызывает разделение. CFD позволяет параметрические промахи над тонкостью носа, параллельной длиной тела и сужением хвоста. Для данного смещения оптимальная форма имеет почти эллиптическое поперечное сечение, которое минимизирует смачивающуюся область при сохранении внутреннего объема. Такие конструкции, как ], бульбусный нос , распространенный на поверхностных кораблях, могут уменьшать волновой драг на небольших глубинах, но должны быть тщательно интегрированы, чтобы избежать добавления шума от вихревого сбрасывания. Моделирование показывает, что тонкий купол вперед сонарной сферы может снизить общее сопротивление до 4% без ухудшения акустической производительности (см. ] Журнал прикладной военно-морской математики .

Дизайн и размещение придатков

Парусы, рули, стабилизаторы и мачты непропорционально способствуют перетаскиванию и шуму из-за их открытых краев и соединений. CFD позволяет оптимизировать форму каждого придатка: обтекаемые передние края уменьшают эффекты сжимаемости на высокой скорости; корневые обтекатели сглаживают пересечение корпуса с придатком, уменьшая вихри перехода, которые генерируют шум. Многоэлементные рули, похожие на закрылки самолетов, задерживают разделение на больших углах атаки. Размещение паруса дальше на корму на корпусе уменьшает помехи переднему потоку, и моделирование показывает, что асимметричный профиль паруса может отменить турбулентность будки. Лаборатория оборонной науки и техники Великобритании (Dstl) опубликовала руководящие принципы по конфигурации придатка на основе обширных CFD (см. ]Dstl публикации .

Поверхностные покрытия и микроструктуры

Пассивное уменьшение сопротивления с помощью скатерти — микро-трубки, выровненные с потоком — было продемонстрировано как в аэродинамических трубах, так и в море. CFD воспроизводит эффект, моделируя риблеты как анизотропную шероховатость, которая изменяет вязкий подслой турбулентного пограничного слоя. Результаты показывают 4-6% уменьшение сопротивления для риблет оптимального размера (s⁺ ≈ 17. Аналогично, совместимые покрытия, которые поглощают турбулентную кинетическую энергию, изучаются с использованием моделирования взаимодействия флюидной структуры (FSI). Хотя FSI является вычислительно дорогостоящим, модели с уменьшенным порядком теперь позволяют инженерам прогнозировать производительность покрытия для полномасштабных корпусов. Будущие направления включают активные манипуляции с поверхностью с использованием встроенных пьезоэлектрических приводов, которые, как показал CFD, могут отменить движущиеся волны в пограничном слое.

Минимизация шума: акустический и кавитационный контроль

Акустическая скрытность имеет первостепенное значение для подводных лодок, и CFD вносит свой вклад в две основные области: прогнозирование шума потока и подавление кавитации . Шум потока возникает из-за турбулентных колебаний давления на поверхности корпуса, которые связаны непосредственно с окружающей водой и вибрациями внутри корпуса. CFD с использованием методов LES или гибридных RANS-LES может вычислять спектр давления стенки, который затем используется в качестве входа для структурно-акустических моделей. Исследования показывают, что самые высокие уровни шума происходят вблизи носового гидроакустического купола и на придаточных переходах, где достигается пик турбулентности.

Управление кавитацией

Кавитация является единственным крупнейшим источником шума для подводной лодки, работающей вблизи поверхности или на высокой скорости. Вихри наконечника пропеллера и присоски поверхностей управления являются типичными местами инициации. CFD в сочетании с однородной многофазной моделью (например, модель Zwart-Gerber-Belamri) предсказывает начало и степень кавитации. Инженеры затем корректируют геометрию корпуса, чтобы задержать кавитацию, повышая местное давление. Например, пре-вихральный статор вверх по течению пропеллера может изменять угол притока, уменьшая силу вихря наконечника. Моделирование показывает, что такие статоры снижают критическую скорость кавитации на 15-20%, в то время как только незначительно увеличивая сопротивление. Другие подходы включают в себя проектирование генераторов вихря, установленных на корпусе, которые разрушают когерентные вихри наконечника, и использование полимерных покрытий, которые подавляют кинетику роста пузырьков - оба проверены через CFD.

Тихая интеграция придатков

Артрит гидролокатора, часто размещенный в луковичном носовом или парусном куполе, генерирует возбуждаемый потоком шум. CFD помогает расположить массив за сеткой выпрямления потока , которая уменьшает турбулентность до того, как он достигнет поверхности массива. Пористость и геометрия сетки оптимизированы для минимизации сопротивления при сохранении акустической прозрачности. Кроме того, использование анэховой плитки, покрывающей корпус, моделируется как граничное условие, которое поглощает волны давления инцидента. Недавние работы CFD в Морском центре подводной войны (NUWC) показали, что правильно спроектированный паттерн плитки может уменьшить излучаемый шум еще на 3-5 дБ, способствуя общей акустической скрытности (см. NUWC Newport .

Многоцелевая оптимизация и искусственный интеллект

Конструкция корпуса включает в себя противоречивые цели: более низкое сопротивление часто конфликтует с пониженным шумом, так как более плавные формы могут увеличивать градиенты давления. CFD позволяет многообъективную оптимизацию с использованием генетических алгоритмов или байесовской оптимизации, которая исследует сотни вариантов конструкции. Каждый вариант оценивается по коэффициенту сопротивления, уровню звукового давления на целевой частоте и часто структурным ограничениям (например, вес корпуса). Выход является границей оптимальных компромиссов Парето. Например, одна конструкция может достичь снижения сопротивления на 6% с увеличением шума на 2 дБ, в то время как другая направлена на нейтральный шум с уменьшением сопротивления на 4%. Окончательный выбор зависит от профиля миссии подводной лодки.

Интеграция машинного обучения (ML) ускоряет этот процесс. Суррогатные модели, обученные на библиотеке результатов CFD, мгновенно предсказывают производительность новых форм корпуса, сокращая общее время оптимизации с недель до часов. Глубокие нейронные сети , работающие на параметризациях поверхности корпуса, могут напрямую выводить прокси-серверы сопротивления и шума. Активные стратегии обучения выбирают наиболее информативные точки проектирования для дорогостоящей проверки CFD высокой точности. Исследователи из MIT разработали такой трубопровод для беспилотных подводных аппаратов, достигая почти оптимальных конструкций за долю вычислительной стоимости. Тот же подход масштабируется до полноразмерных подводных лодок, и оборонные подрядчики, такие как General Dynamics Electric Boat, вкладывают значительные средства в инструменты проектирования на основе ИИ (см. General Dynamics Electric Boat ).

Будущие направления: цифровые близнецы, машинное обучение и автономный дизайн

Следующим рубежом в конструкции корпуса подводной лодки является цифровой двойник — вычислительная модель в реальном времени, которая отражает физическую подводную лодку на протяжении всего ее жизненного цикла. Цифровые двойники интегрируют CFD со структурными датчиками, акустическими измерениями и эксплуатационными данными для непрерывного обновления прогнозов производительности. Для сопротивления корпуса и шума это означает использование бортовых датчиков потока для проверки моделей CFD и регулировки настроек (например, активных приводов управления потоком) для оптимальной производительности в изменяющихся морских условиях. Программа модернизации SUBLANT ВМС США определила цифровых двойников в качестве ключевого активатора для блока V класса Virginia и будущих конструкций SSN-X.

Машинное обучение позволит далее генерировать автономную геометрию. Алгоритмы генерационного проектирования с использованием обучения с подкреплением могут предлагать совершенно новые формы корпуса, которые люди могут не предвидеть. Эти алгоритмы работают в рамках физики-ограниченной структуры, обучаясь на основе миллионов оценок CFD для получения форм, которые минимизируют сопротивление и шум одновременно. Ранние результаты сотрудничества между MIT и DARPA DARPA AHD Program показали снижение сопротивления на 12-15% за пределы текущего состояния-искусства, без увеличения шума.

Квантовые вычисления, хотя и зарождаются, обещают имитировать турбулентные потоки с беспрецедентным разрешением. Полномасштабные DES целой подводной лодки могут стать рутиной, устраняя необходимость в моделях уменьшенного масштаба. В сочетании с передовыми материалами, такими как сплавы памяти формы для морфинга шкур корпуса, следующее поколение подводных лодок может иметь корпуса, которые меняют форму во время миссии, оптимизируя для высокоскоростного транзита или бесшумного безделья. CFD, дополненный искусственным интеллектом, будет конструктивным двигателем, приводящим к этим преобразованиям.

Заключение

Проектирование корпусов подводных лодок следующего поколения, которые одновременно уменьшают сопротивление и шум, является сложной многомасштабной задачей. Вычислительная динамика жидкости превратилась в незаменимый инструмент, позволяющий инженерам моделировать физику потока с высокой точностью и исследовать тысячи вариантов проектирования, которые ранее были непрактичными. От био-вдохновленных форм и адаптивной геометрии до риблетовых покрытий и активного управления потоком, CFD обеспечивает количественную информацию, необходимую для раздвигания границ гидродинамических характеристик и акустической скрытности. Интеграция машинного обучения и цифровых двойников обещает ускорить процесс проектирования дальше, делая процесс проектирования более быстрым, дешевым и более эффективным. По мере того, как вычислительная мощность продолжает свой экспоненциальный рост, следующие подводные лодки будут тише, эффективнее и гораздо более способными, чем сегодняшние суда - прямой результат достижений в дизайне корпуса, управляемого CFD, изложенном здесь.