Может ли генеративный ИИ создать идеальный корпус?

Разговоры о том, что искусственный интеллект вот-вот перевернет судостроение, ведутся уже несколько лет. Одни видят в генеративных сетях инструмент, способный за секунды перебрать миллионы вариантов обводов и выдать форму, к которой инженер шел бы месяцами. Другие относятся к этому с настороженностью, напоминая, что гидродинамика не прощает поверхностного подхода, а настоящий опыт нарабатывается годами работы с моделями в бассейне и на стапеле.

В центре спора оказывается ключевое понятие – идеальный корпус. Для заказчика это может быть минимальное сопротивление на заданной скорости. Для конструктора – сочетание ходкости, остойчивости, технологичности постройки и ремонтопригодности. Для классификационного общества – выполнение правил по прочности и безопасности. Ни одна нейросеть сегодня не способна объять все эти измерения одновременно. Но это не значит, что у ИИ нет потенциала.

Чтобы поглубже вникнуть этот вопрос, стоит посмотреть на несколько недавних работ по теме. Начнем с китайской разработки ShipDMaster от коллектива из Уханьского технологического университета. Статья о ней опубликованная в виде препринта в конце 2025 года.

Китайский эксперимент по сжатию 3D в 2D

Китайцы пошли по нестандартному пути. Вместо того чтобы создавать сложную параметрическую модель корпуса с десятками управляющих параметров, они превратили трехмерную геометрию в двумерные изображения. С помощью разработанного ими энкодера Ships2pix каждый корпус был представлен картинкой размером 40 на 40 пикселей в градациях серого. Такое сжатие – огромная потеря информации, но оно позволило применить хорошо отработанные в компьютерном зрении методы генеративно-состязательных сетей (GAN) с информационным расширением, которые поддаются контролю со стороны проектировщика.

Верхняя часть системы, получившая название ShipInfoGAN, обучается на массиве из 62 528 корпусов, отобранных из открытой базы SHIP D. Разработчики очистили датасет от судов со сложными носовыми окончаниями и вручную разметили два класса: с бульбовым носом и без него. Это важно, потому что именно возможность управлять признаками – то, чего часто не хватает генеративным моделям. Нижняя часть – модуль эволюционной оптимизации TT DDEA, предназначенный для работы с дорогостоящими целевыми функциями, такими как сопротивление, вычисляемое методом RANS (это один из самых распространенных подходов в вычислительной гидродинамике для расчета турбулентных течений жидкости и газа, полное название — Reynolds-Averaged Navier-Stokes, то есть усредненные по Рейнольдсу уравнения Навье-Стокса).

ShipDMaster предлагает три режима работы. Первый – свободная генерация, когда система выдает до шести вариантов в секунду в широком диапазоне главных размерений. Это нужно на самом раннем этапе, чтобы быстро получить множество концепций для оценки. Второй режим – проектирование с ограничениями: проектировщик задает длину, ширину, осадку, водоизмещение и тип носового окончания, а система генерирует варианты, которые этим условиям соответствуют. Третий – оптимизационный, когда целью становится минимизация сопротивления на заданной скорости. Для этого авторы предварительно выполнили 2000 CFD-расчетов методом RANS, на которых обучили суррогатную модель, и уже с ее помощью эволюционный алгоритм искал наилучшую форму.

В итоге 88 % сгенерированных корпусов попадают в заданное водоизмещение с отклонением менее 2 %. При попытке реконструировать известные эталонные суда среднеквадратичное отклонение по точкам ватерлиний составляет единицы процентов. Брались контейнеровоз KCS, танкер KVLC2, корпус Series 60. В соревновании с опытным проектировщиком для конкретного грузового судна варианты ShipDMaster показали сопоставимые кривые сопротивления, а после оптимизации даже удалось получить некоторое улучшение на расчетной скорости. Более того, авторы провели физические модельные испытания для валидации своих CFD-расчетов, что добавляет работе научной строгости.

Однако именно здесь начинается область, требующая пристального критического анализа.

Три серьезных ограничения

Первое и самое важное ограничение кроется в данных. Авторы ShipDMaster честно признают, что среди 62 тысяч корпусов, использованных для обучения, есть немало геометрически необычных форм, которые не соответствуют традиционным судостроительным канонам. Нейросеть не умеет отделять хорошие проекты от плохих. Она учится на всем, что ей дали. Если в базе встречаются корпуса с сомнительной гидродинамикой или нереализуемой технологически геометрией, модель может воспроизводить эти дефекты как допустимые. У нас часто флот проектируется под конкретные условия и весьма разнообразные условия – ледовые усиления, работа на мелководье, требования к мореходности в штормовых районах. Так что такое наследование ошибок неприемлемо. Создание качественных баз данных, отражающих реальные потребности отечественного судостроения, само по себе является огромной и пока нерешенной задачей.

Второе ограничение – информационная емкость входного представления. Перевод трехмерного корпуса в картинку 40×40 пикселей неизбежно ведет к потере деталей, которые критически важны для гидродинамики и технологичности. Такое разрешение позволяет уловить общие пропорции и наличие бульба, но оно неспособно описать форму носовой оконечности в подводной части, сопряжение скулы, характер изменения кривизны в кормовой оконечности – все то, что определяет сопротивления, кавитационные качества и обтекаемость винта.

Третье ограничение касается физических ограничителей, которые система способна учитывать. На сегодняшний день ShipDMaster оперирует главными размерениями, водоизмещением и бинарным признаком наличия бульба. В реальном проектировании этого катастрофически мало. Положение центра плавучести, осевой момент инерции, остойчивость на больших углах крена, характеристики в условиях битого льда – ничто из этого нейросеть не контролирует и не гарантирует. Эволюционная оптимизация, показанная в работе, требует предварительного набора тысяч CFD-расчетов, что само по себе является вычислительным подвигом, доступным далеко не каждому конструкторскому бюро.

Альтернатива от MIT

Лаборатория Design Computation and Digital Engineering (DeCoDE) Массачусетского технологического института пошла по другому пути. Их модель называется C-ShipGen и представляет собой условную направляемую диффузионную сеть. По сути, это современный тип генеративного ИИ, который учится на огромном массиве данных и затем создает новые формы корпуса судна с нуля, но под жестким контролем заданных параметров. В отличие от многих других инструментов, здесь конструктор может прямо задать ключевые ограничения – длину, ширину, осадку, водоизмещение и расчетную скорость.

Для обучения использовался открытый датасет Ship-D, который содержит более тридцати тысяч реальных форм корпусов самых разных типов судов – от контейнеровозов до танкеров и пассажирских судов. Важно, что модель обучается не на растровых картинках, а на параметрических поверхностях, и на выходе выдает результаты, которые можно без дополнительной обработки загружать в любые CAD-программы. Это резко сокращает разрыв между генерацией концепта и инженерным анализом.

Самое же интересное в C-ShipGen – это встроенная гидродинамическая направляющая. Модель не просто механически повторяет формы из обучающей выборки, но на каждом шаге диффузионного процесса получает подсказку от упрощенной модели полного сопротивления корпуса. Эта подсказка корректирует генерацию в сторону снижения сопротивления воды. В результате сгенерированные корпуса показывают полное сопротивление в среднем на 25-30% процентов ниже, чем при традиционной параметрической оптимизации, когда инженер вручную перебирает варианты в ограниченном параметрическом пространстве. Для ранних стадий проектирования такой выигрыш является огромным, потому что именно на этапе выбора общей формы закладывается большая часть будущей экономичности судна.

Еще одно важное преимущество C-ShipGen заключается в том, что модель не требует переобучения под каждую новую задачу. Достаточно один раз обучить ее на разнообразном датасете Ship-D, и затем для любого набора входных параметров (длина, ширина, осадка, водоизмещение и скорость) она за считанные секунды выдает сразу несколько реалистичных и гидродинамически эффективных вариантов корпуса. Это делает ее удобным инструментом для исследования. Конструктор может быстро прогнать десятки комбинаций главных размерений, оценить, как меняется форма, и выбрать направление для последующего детального проектирования.

Авторы работы утверждают, что на сегодняшний день C-ShipGen является одним из самых продвинутых академических инструментов в своей области именно благодаря сочетанию скорости генерации, управляемости и реального, измеримого выигрыша по экономичности, подтвержденного не только численными расчетами, но и сравнением с классическими эталонными корпусами.

И еще несколько проектов

В промышленной сфере наибольшее внимание сейчас привлекает платформа NeuralShipper британской компании Compute Maritime, которая работает в тесном партнерстве с Siemens. К началу 2026 года это уже полноценный коммерческий продукт – генеративный помощник для судостроителей. NeuralShipper умеет сразу создавать CAD-готовые поверхности NURBS, то есть модели, которые можно сразу передавать в производство или в расчеты. В феврале 2025 года Compute Maritime и Siemens объявили о полной интеграции NeuralShipper с промышленным пакетом Simcenter STAR-CCM+. Теперь вся цепочка замкнута – от генерации сотен концептуальных вариантов за несколько минут до автоматической оптимизации и проверки в CFD без лишних ручных операций. Платформа уже используется для адаптации коммерческих судов под новые виды топлива, проектирования рабочих катеров, яхт и многоцелевых судов.

Параллельно в Великобритании в сентябре 2025 года стартовал крупный консорциумный проект GenDSOM (Generative Design and Simulation for Optimised Manufacturing). В него вошли Compute Maritime как лидер, Siemens, Rapid Fusion, HP, BYD Naval Architects и Университет Саутгемптона. Проект получил государственное финансирование в размере 700 тысяч фунтов и ставит амбициозную цель – радикально сократить весь цикл от идеи до готового изделия за счет одновременного использования генеративного ИИ, точной симуляции и современных технологий производства. На практике это уже дает сокращение времени проектирования на 20 %, снижение затрат примерно на 10 % и рост общей эффективности до 50 %.

Однако не все так радужно. Эти разработки пока еще не решают всех проблем. Большинство моделей сильно зависят от качества и разнообразия данных для обучения, а значит, могут плохо работать с необычными задачами или новыми типами судов. Вычислительная нагрузка остается высокой, особенно когда нужно проводить сотни CFD-расчетов. Кроме того, ни одна из этих систем пока не заменяет человека на финальных стадиях – прочность, остойчивость, ледопроходимость и соответствие нормам все равно требуют экспертной проверки. Тем не менее переход от научных статей к реальным промышленным продуктам уже произошел, и это заметно меняет весь процесс проектирования судов.

Для России ключевым условием эффективного внедрения таких технологий становится создание собственных репрезентативных баз данных, включающих проекты, адаптированные к ледовым условиям, внутренним водным путям и специфике отечественного судостроения. И, видимо, необходима разработка отраслевых стандартов верификации результатов, сгенерированных ИИ, чтобы любой проект, прошедший через такие алгоритмы, получал полноценную экспертную оценку и подтверждение физическими расчетами.