CN103530435A - 一种基于敏感度的船体型线设计方法 - Google Patents

Abstract

一种基于敏感度的船体型线设计方法，包括下列步骤：(1)船体型线的三维建模：以船体曲面NURBS(Non-Uniform Rat ional B-spline，非均匀有理B样条)表达为基础，运用径向基函数插值技术对船体曲面进行修改；(2)正算部分：对变形后的船体曲面利用CFD软件计算出初始船型的性能指标；(3)反向预测部分：对初始母型依次扰动每个控制点，然后对每个扰动后的船型进行CFD计算，并求取相应的性能指标；(4)检测停止条件：若获得的性能指标不满足停止条件则返回步骤(1)，一直反复迭代到新船型的性能指标与设定值的差小于收敛值或到达设定的迭代次数为止，则此最终船型即为所求的最优船型。

Description

一种基于敏感度的船体型线设计方法

技术领域

本发明涉及一种设计方法，尤其涉及一种基于敏感度的船体型线设计方法。 

背景技术

在过去传统的船型设计中，必须手工修改船体型线，再通过船模实验来验证最佳的船型。这种设计方法成本高昂，设计周期长，且得到的设计方案也只是满足设计技术指标的可行方案并非最优设计方案。因此，船型优化成为了一个热点研究方向。目前，船体型线的优化主要是根据水动力性能的优劣来进行的，通过优化算法来驱动整个优化进程。现在的优化技术存在以下的问题： 

(1)从计算方法上来看，在船型优化中应用最为广泛的计算流体力学(Computational Fluid Dynamics，CFD)方法主要有势流方法和粘性流方法。对非线性的如高速船兴波问题及低速肥大型船的兴波问题等，必须采用非线性Rankine源方法进行迭代求解，计算工作量急剧增加；而采用粘性流的方法确定粘性阻力则迭代次数多，计算工作量巨大，一次型线优化可能耗费几天甚至几周的时间，这往往难以为设计者所接受。 

(2)采用的优化算法效率低下，获得全局最优结果较困难。首先，从船型表达方面来看，由于表达船型的参数多且优化空间范围较大，优化算法又是在整个参数空间内搜索，往往导致优化迭代次数多。其次，从船型设计空间对应的水动力性能指标来看，船型优化的设计空间“地形”过于复杂，存在较多的“波峰”和“波谷”。如果采用非梯度的优化方法如遗传算法或者模拟退火方法，由于只需要目标函数在某点上的取值，而不必求该点处的梯度，理论上可以获得全局的 优化结果。但该优化方法往往是在整个优化空间内随机搜索，优化的时间非常长，优化效率低下，这对船型快速开发而言也是不现实的。 

发明内容

为了解决并避免上述问题的出现，本发明提供了一种能够大大节省优化时间和提高优化效率的基于敏感度的船体型线设计方法。 

一种基于敏感度的船体型线设计方法，包括下列步骤： 

(1)船体型线的三维建模：以船体曲面NURBS(Non-Uniform Rational B-spline，非均匀有理B样条)表达为基础，运用径向基函数插值技术对船体曲面进行修改。 

(2)正算部分：对变形后的船体曲面利用CFD软件计算出初始船型的性能指标； 

(3)反向预测部分：对初始母型依次扰动每个控制点，然后对每个扰动后的船型进行CFD计算，并求取相应的性能指标； 

(4)检测停止条件：若获得的性能指标不满足停止条件则返回步骤(1)，一直反复迭代到新船型的性能指标与设定值的差小于收敛值或到达设定的迭代次数为止，则最终船型即为所求的最优船型。 

所述步骤(1)还包括通过径向基函数插值技术调整船体网格的控制顶点，实现船体曲面的变形。该方法能有效控制船体曲面的局部变形，在保证船体曲面光顺的同时，能够考虑到总布置因素对船体变形的影响，具有很强的工程实用性； 

所述步骤(2)还包括对每个扰动得到的船型分别进行CFD计算后，建立敏感度方程，再根据算法通过迭代的方式逐步预测出性能指标接近目标值的船型，进而更新船型。 

本发明的优点是挖掘出了船型参数和性能指标之间的关系，建立了敏感度矩阵来表示这种关系，从而据此预测出更优的船型。优化过程不需要传统的大范围的搜索，大大节省了优化时间，提高了优化效率。 

附图说明

图1是本发明的船体型线设计方法流程图； 

图2是船体曲面示意图； 

图3是集装箱船的NURBS控制网格示意图； 

图4是优化前后波形图比较图，其中上半部分是优化前波形图，下半部分是优化后波形图； 

图5是舷侧纵切波高图比较图，其中虚线是优化前，实线是优化后； 

图6优化前后的总阻力系数变化； 

图7优化前后的总阻力变化； 

图8横剖线图比较，其中实线是母型，虚线是优化船型； 

图9纵剖线图比较，其中实线是母型，虚线是优化船型。 

具体实施方式

本专利提出一种基于敏感度的船体型线设计方法。其特点是由输出结果的部分信息来反求系统的某些结构特征。这种设计方法的优点在于挖掘出了船型参数和性能指标的间的关系，建立了敏感度矩阵来表示这种关系，从而据此预测出更优的船型。优化过程不需要传统的大范围的搜索，大大节省了优化时间，提高了优化效率。 

参见图1，本发明一种基于敏感度的船体型线设计方法，包括如下步骤： 

(1)船体型线的三维建模：目前船型曲面的表达往往采用非均匀有理B样条。为了和现有CAD软件的兼容性，该模块主要是以非均匀有理B样条为基础，对船体曲面进行参数化表达。通过调整非均匀有理B样条的控制顶点，实现船体曲面的变形。 

(2)正算部分：对变形后的船体曲面利用CFD软件计算出初始船型的性能指标。 

(3)反向预测部分：对初始母型依次扰动每个控制点，然后对每个扰动后的船型进行CFD计算，并求取相应的性能指标。对每个扰动得到的船型分别进行CFD计算后，建立敏感度方程，再根据算法通过迭代的方式逐步预测出性能指标接近目标值的船型，进而更新船型。 

(4)检测停止条件：若获得的性能指标不满足停止条件则返回步骤1，一直反复迭代到新船型的性能指标与设定值的差小于收敛值或到达设定的迭代次数为止，则最终船型即为所求的最优船型。 

由图1可知，实现船体型线的优化设计主要有三部分，即船体型线的三维 建模、正算部分、基于敏感度预测，下面重点阐述原理。 

基本原理 

1.船体型线的三维建模及曲面修改技术 

利用NURBS表达建立船体曲面的三维模型，通过径向基函数插值技术修改NURBS的控制顶点并解得剩余的网格控制点，达到修改船体曲面生成新船型的目的。 

径向基函数插值的具体形式如下： 

$S\left(X\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_i\mathrm{\φ}\left(\right||X-X_i|\left|\right)+p\left(X\right)---\left(1\right)$

易证明这是一个插值函数。其中S(X)表示控制点X＝(x，y，z)在船体曲面上移动的距离，p(X)是低阶多项式，具体形式是： 

p(X)＝c₁x+c₂y+c₃z+c₄

n是控制点的个数，||X-X_i||表示两点之间的欧氏距离，φ是给定的基函数。方程中的系数错误！未找到引用源。，c_i由控制点坐标的变化得到： 

S(X_i)＝f_i，i＝1，2，...，n 

其中f_i表示控制点坐标的变化量。将n个控制点移动前后的坐标带入上式，再联立权重系数满足正交性质的约束条件： 

$\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_k\·X_k^T=0;$ $\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_k=0$

可以得到如下形式的矩阵： 

$\left(\begin{array}{c}f\\ 0\end{array}\right)=\left(\begin{array}{cc}M& q\\ q^T& 0\end{array}\right)\left(\begin{array}{c}\mathrm{\λ}\\ c\end{array}\right)---\left(2\right)$

这里： 

λ＝[λ₁，λ₂，…，λ_n]^T，c＝[c₁，c₂，c₃，c₄]^T，f＝[f₁，f₂，…，f_n]^T， 

M_i，j＝φ(||X_i-X_j||)，i，j＝1，2，...，n 

$q=\left[\begin{array}{cccc}{x}_1& y_1& z_1& 1\\ x_2& y_2& z_2& 1\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ \·& \·& \·& \·\\ x_n& y_n& z_n& 1\end{array}\right]$

将(1)式展开，可分别写成x，y，z三个方向上的方程： 

$f_x=S_x\left(X\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_{\mathrm{ix}}\mathrm{\φ}(X-X_i)+c_{1x}x+c_{2x}y+c_{3x}z+c_{4x};$

$f_y=S_y\left(X\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_{\mathrm{iy}}\mathrm{\φ}(X-X_i)+c_{1y}x+c_{2y}y+c_{3y}z+c_{4y};$

$f_z=S_z\left(X\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\λ}}_{\mathrm{iz}}\mathrm{\φ}(X-X_i)+c_{1z}x+c_{2z}y+c_{3z}z+c_{4z}.$

在每个方向上都可以独立得到一个与(2)式形式相同的矩阵，径向基函数插值最终归结为求解(2)式这样一个线性方程组，即一个大规模矩阵的求逆问题。通过解以上方程就可以得到方程中所有未知系数λ_i，c_i。然后就可以到所有待求点的新坐标。 

由(1)式可以看出插值函数包括两部分，第一部分由n个基函数线性组合而成，包含了参考点集和目标点集之间的本质上的形状差异。 

第二部分是一个线性部分，对应于两个点集间坐标间的仿射变换，包括旋转和平移。具体表示如下： 

$\left(\begin{array}{ccc}{x}^{,}& y^{,}& z^{,}\end{array}\right)=\left(\begin{array}{ccc}x& y& z\end{array}\right)\left(\begin{array}{ccc}{c}_{1x}& c_{1y}& c_{1z}\\ c_{2x}& c_{2y}& c_{2z}\\ c_{3x}& c_{3y}& c_{3z}\end{array}\right)+\left(\begin{array}{ccc}{c}_{4x}& c_{4y}& c_{4z}\end{array}\right)=\left(\begin{array}{ccc}x& y& z\end{array}\right)A+T$

在几何变换中，T为平移变量，A为表示旋转、比例缩放和剪切变换的复合变换。 

该形式的插值函数具有下面的性质： 

(1)它精确的插值参考点集到目标点集的变形； 

(2)它最小化积分挠度范数(使用该形式的径向基函数得到的线型组合具有较低的曲率，即变形能量)； 

(3)在对线性模型和非线性模型近似时都有很强的适用性，近似结果是比较精确和稳健的。 

2.基于敏感度的反向预测 

为找到一使得

即： 

$\left\{\begin{array}{c}{F}_1(X_1,X_2,\·\·\·\·\·,X_n)\\ F_2(X_1,X_2,\·\·\·\·\·,X_n)\\ \·\\ \·\\ F_n(X_1,X_2,\·\·\·\·\·,X_n)\end{array}\right\}=0---\left(3\right)$

将

以泰勒级数展开： 

$\stackrel{\‾}{F}\left({\stackrel{\‾}{X}}^{k+1}\right)=\stackrel{\‾}{F}\left({\stackrel{\‾}{X}}^k\right)+\frac{\∂\stackrel{\‾}{F}}{\∂{\stackrel{\‾}{X}}^T}({\stackrel{\‾}{X}}^{k+1}-{\stackrel{\‾}{X}}^k)+.....---\left(4\right)$

为了使 $\stackrel{\‾}{F}\left(\stackrel{\‾}{x}\right)=0,$ 即 

$\stackrel{\‾}{F}\left({\stackrel{\‾}{x}}^{k+1}\right)=0$ 或 $\stackrel{\‾}{F}\left({\stackrel{\‾}{X}}^k\right)+\frac{\∂\stackrel{\‾}{F}}{\∂{\stackrel{\‾}{X}}^T}({\stackrel{\‾}{X}}^{k+1}-{\stackrel{\‾}{X}}^k)=0---\left(5\right)$

可以解得： 

${\stackrel{\‾}{X}}^{k+1}={\stackrel{\‾}{X}}^k-{\left(\frac{\∂\stackrel{\‾}{F}}{\∂{\stackrel{\‾}{X}}^T}\right)}^{-1}\stackrel{\‾}{F}\left({\stackrel{\‾}{X}}^K\right)---\left(6\right)$

由于在泰勒级数展开忽略高次项的误差，必须迭代数次以得到较精确的结果。 

将(6)改写为： 

${\stackrel{\‾}{X}}^{k+1}={\stackrel{\‾}{X}}^k-J^{-1}\stackrel{\‾}{F}---\left(7\right)$

其中 

$\stackrel{\‾}{J}=\mathrm{Jacobian}=\frac{\∂\stackrel{\‾}{F}}{\∂{\stackrel{\‾}{X}}^T}=\left[\begin{array}{c}\frac{{\∂F}_1}{{\∂X}_2}\·\·\·\·\·\frac{{\∂F}_1}{{\∂X}_2}\\ \·\\ \·\\ \frac{{\∂F}_1}{{\∂X}_2}\·\·\·\·\·\frac{\∂F_1}{{\∂X}_2}\end{array}\right]---\left(8\right)$

若以一较好的初始值

代入，则可以很快地收敛。 

考虑将下式最小化： 

$S\left(\stackrel{\widehat{\‾}}{P}\right)={[\stackrel{\widetilde{\‾}}{T}-\stackrel{\widehat{\‾}}{T}\left(\stackrel{\widehat{\‾}}{P}\right)]}^T[\stackrel{\widetilde{\‾}}{T}-\stackrel{\widehat{\‾}}{T}\left(\stackrel{\widehat{\‾}}{P}\right)]$

(9) 

$=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{[{\tilde{T}}_i-{\hat{T}}_i({\hat{P}}_1,{\hat{P}}_2,\·\·\·\·\·{\hat{P}}_n)]}^2$

(9)为最小平方(Least Square)问题，将(9)对

微分： 

$\left[\frac{\∂{\stackrel{\widehat{\‾}}{T}}^T}{\∂\stackrel{\widehat{\‾}}{P}}\right][\stackrel{\widetilde{\‾}}{T}-\stackrel{\widehat{\‾}}{T}]=0---\left(10\right)$

定义： 

$\stackrel{\‾}{F}\left(\stackrel{\widehat{\‾}}{P}\right)\≡\left[\frac{\∂{\stackrel{\widehat{\‾}}{T}}^T}{\∂\stackrel{\widehat{\‾}}{P}}\right][\stackrel{\widetilde{\‾}}{T}-\stackrel{\widehat{\‾}}{T}]---\left(11\right)$

并对其微分 

$\frac{\∂\stackrel{\‾}{F}}{\∂{\stackrel{\widehat{\‾}}{P}}^T}=\left[\frac{\∂{\stackrel{\widehat{\‾}}{T}}^T}{\∂\stackrel{\widehat{\‾}}{P}}\right][-\frac{\∂\stackrel{\widehat{\‾}}{T}}{\∂{\stackrel{\widehat{\‾}}{P}}^T}]+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left[\frac{{\∂}^2{\hat{T}}_i}{\∂\stackrel{\widehat{\‾}}{P}\∂{\stackrel{\widehat{\‾}}{P}}^T}\right][{\tilde{T}}_i-{\hat{T}}_i]---\left(12\right)$

其中： 

$\stackrel{\‾}{J}\≡\frac{\∂\stackrel{\widehat{\‾}}{T}}{\∂{\stackrel{\widehat{\‾}}{P}}^T}=\left[\begin{array}{c}\frac{{\∂\hat{T}}_1}{{\∂\hat{P}}_1}\·\·\·\·\·\·\·\frac{{\∂\hat{T}}_1}{{\∂\hat{P}}_n}\\ \·\\ \·\\ \frac{{\∂\hat{T}}_n}{{\∂\hat{P}}_1}\·\·\·\·\·\·\·\frac{\∂{\hat{T}}_n}{{\∂\hat{P}}_n}\end{array}\right]\left(\mathrm{Jacobian}\right)---\left(13\right)$

${\stackrel{\‾}{H}}_i\≡\frac{{\∂}^2{\hat{T}}_i}{\∂\stackrel{\widehat{\‾}}{P}\∂{\stackrel{\widehat{\‾}}{P}}^T}=\left[\begin{array}{c}\frac{{\∂}^2{\hat{T}}_i}{\∂{{\hat{P}}_1}^2}\·\·\·\·\·\·\·\frac{{\∂}^2{\hat{T}}_i}{\∂{\hat{P}}_1\∂{\hat{P}}_n}\\ \·\\ \·\\ \frac{{\∂}^2{\hat{T}}_i}{\∂{\hat{P}}_n\∂{\hat{P}}_1}\·\·\·\·\·\·\·\frac{{\∂}^2{\hat{T}}_i}{\∂{{\hat{P}}_n}^2}\end{array}\right]\left(\mathrm{Hessian}\right)---\left(14\right)$

(12)式中第二项相较第一项为较高次项，因此将其忽略： 

$\frac{\∂\stackrel{\‾}{F}}{\∂{\stackrel{\widehat{\‾}}{P}}^T}=-\left[\frac{\∂{\stackrel{\widehat{\‾}}{T}}^T}{\∂\stackrel{\widehat{\‾}}{P}}\right][-\frac{\∂\stackrel{\widehat{\‾}}{T}}{\∂{\stackrel{\widehat{\‾}}{P}}^T}]=-{\stackrel{\‾}{J}}^{T}J---\left(15\right)$

将(11)式与(15)式代入(6)式或(7)式，可改写为： 

${\stackrel{\widehat{\‾}}{P}}^{k+1}={\stackrel{\widehat{\‾}}{P}}^k-[-\left(\frac{\∂{\stackrel{\widehat{\‾}}{T}}^T}{\∂\stackrel{\widehat{\‾}}{P}}\right){\left(\frac{\∂\stackrel{\widehat{\‾}}{T}}{\∂{\stackrel{\widehat{\‾}}{P}}^T}\right)]}^{-1}[\left(\frac{\∂{\stackrel{\widehat{\‾}}{T}}^T}{\∂\stackrel{\widehat{\‾}}{P}}\right)(\stackrel{\widetilde{\‾}}{T}-\stackrel{\widehat{\‾}}{T})]---\left(16\right)$

因此可得到求解(9)式最小平方问题的表示式： 

${\stackrel{\widehat{\‾}}{P}}^{k+1}={\stackrel{\widehat{\‾}}{P}}^k+{({\stackrel{\‾}{J}}^T\stackrel{\‾}{J}+{\mathrm{\λ}}_k\stackrel{\‾}{I})}^{-1}{\stackrel{\‾}{J}}^T(\stackrel{\widetilde{\‾}}{T}-\stackrel{\widehat{\‾}}{T})---\left(17\right)$

收敛条件依须要可定义为以下三种： 

(i)SSE^k+1＜ε₁

(ii) $\frac{|{\mathrm{SSE}}^{k+1}-{\mathrm{SSE}}^k|}{{\mathrm{SSE}}^{k+1}}<{\mathrm{\&epsiv;}}_2$

(iii) $|{\stackrel{\widehat{~}}{P}}^{k+1}-{\stackrel{\widehat{~}}{P}}^k|<{\mathrm{\&epsiv;}}_3$

其中SSE为平方差的总合(Sum of Square Error)，ε₁，ε₂，ε₃为指定的极小值。 

λ的调整方法 

λ的初始值非常敏感，对于不同的优化问题，λ的初始值需要调整。为了取得最佳的优化效果，在开始优化前要反复试取λ的初始值。在优化过程中，调整λ的值的方式如下： 

1.令v＞1。 

2.令λn-1表示λ在前一次迭代时的值。 

3.计算出u(λn-1)及u(λn-1/v)。 

4.如果u(λn-1/v)≤u(Bn-1)，令λn＝λn-1/v。 

5.如果u(λn-1/v)＞u(Bn-1)且u(λn-1)≤u(Bn-1)，令λn＝λn-1。 

6.如果u(λn-1/v)＞u(Bn-1)且u(λn-1)＞u(Bn-1)，则通过乘以v增加λ值，直到对于一个极小的η使得u(λn-1vη)≤u(Bn-1)，令λn＝λn-1vη。 

7.通过步骤4-6找出一适当的λn值，再反复执行步骤3-7，直到目标函数u值达到最小化。 

3.基于敏感度的集装箱船型线设计实例 

3.1船型描述 

对1300TEU集装箱船的主尺度如表1所示： 

表11300TEU船模主尺度 

设计航速U＝2.1559m/s，对应Froude数Fn＝0.260。 

图3为1300TEU集装箱船的NURBS控制网格，其中球鼻首部位的黑色圆点代表本例型线设计的控制点。各控制点坐标均限制为在Y方向(船宽)移动。 

3.2数学模型及求解 

以兴波阻力为目标的模型。 

$\min f\left[B\right]=\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}{[{\hat{C}}_w\left(b_j\right)-C_w]}^2$

其中B表示由控制顶点坐标文件表达的船型，^表示计算出的性能指标参数，目标取母型船的0.7-0.8倍。 

上式对b_j求偏导数，得： 

$\underset{i=1}{\overset{I}{\mathrm{\&Sigma;}}}\left[\frac{\&PartialD;{\hat{C}}_w\left(b_j\right)}{{\&PartialD;b}_j}\right][{\hat{C}}_w\left(b_j\right)-C_w]=0$

对上述方程用泰勒展开式线性化，加入阻尼参数λ来改善收敛。 

(F+λI)ΔB＝D 

F＝J^TJ 

D＝J^TG 

ΔB＝Bn+1-Bⁿ

其中n表示迭代次数，T表示矩阵的转置，I表示单位矩阵，J表示敏感度矩阵。敏感度矩阵是由依次单独扰动每个控制顶点参数b_j然后进行性能指标的CFD计算，扰动量取0.001m。将方程改写为易于迭代的形式，得： 

$B^{n+1}=B^n+{(J^{T}J+\mathrm{\&lambda;I})}^{-1}{J}^T({\hat{C}}_w-C_w)$

3.3型线设计结果 

(1)优化过程共经过8次迭代，耗时2.5小时。 

表2优化前后的变化情况 

从优化前后船型的对比可以看出，排水量、浮心纵向位置、湿表面积的变化率分别是0.8％、0.7％、0.75％，性能指标即兴波阻力系数下降了18.9％。优化过程耗时极短，优化效果非常好。 

(2)优化前后波形比较 

从优化前后波形图的比较可以看出，优化后的波高分布明显较优化前有所 下降，而从舷侧纵切波高图的比较可以看出，优化后的舷侧纵切波高明显低于较优化前。 

(3)总阻力的比较 

为验证优化后总阻力的变化情况，本文分别对母型及优化的船型进行了总阻力的数值计算，计算软件为SHIPFLOW，计算湍流模型为K-ω。计算结果如图6及图7。 

从优化前后总阻力的变化情况来看，本文虽然是在Fn＝0.26时进行的研究。但在Fn＝0.20～0.26的范围内，其降阻效果仍然非常明显。 

(4)优化前后线型比较 

表3各优化方案的取值 

对比优化前后的线型可知，由于本例取球鼻首部位的10个控制顶点的Y(船宽)方向进行了设计，故在满足排水量及浮心纵向位置的情况下，设计后球鼻 首部分的型线变得更宽，越靠近球鼻首的首端，这种变化趋势越明显。 

显然，本发明的上述实施仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。 

Claims (3)

1.一种基于敏感度的船体型线设计方法，包括下列步骤：

(1)船体型线的三维建模：以船体曲面NURBS(Non-Uniform RationalB-spline，非均匀有理B样条)表达为基础，运用径向基函数插值技术对船体曲面进行修改；

(2)正算部分：对变形后的船体曲面利用CFD软件计算出初始船型的性能指标；

(3)反向预测部分：对初始母型依次扰动每个控制点，然后对每个扰动后的船型进行CFD计算，并求取相应的性能指标；

(4)检测停止条件：若获得的性能指标不满足停止条件则返回步骤(1)，一直反复迭代到新船型的性能指标与设定值的差小于收敛值或到达设定的迭代次数为止，则此最终船型即为所求的最优船型。

2.根据权利要求1所述的基于敏感度的船体型线设计方法，所述步骤(1)还包括通过径向基函数插值技术调整船体网格的控制顶点，实现船体曲面的变形。

3.根据权利要求1所述的基于敏感度的船体型线设计方法，所述步骤(2)还包括对每个扰动得到的船型分别进行CFD计算后，建立敏感度方程，再根据算法通过迭代的方式逐步预测出性能指标接近目标值的船型，进而更新船型。

Images