JP7437747B2 - 構造物－流場推定方法、構造物－流場推定プログラム、及び構造物－流場推定システム - Google Patents
構造物－流場推定方法、構造物－流場推定プログラム、及び構造物－流場推定システム Download PDFInfo
- Publication number
- JP7437747B2 JP7437747B2 JP2020059405A JP2020059405A JP7437747B2 JP 7437747 B2 JP7437747 B2 JP 7437747B2 JP 2020059405 A JP2020059405 A JP 2020059405A JP 2020059405 A JP2020059405 A JP 2020059405A JP 7437747 B2 JP7437747 B2 JP 7437747B2
- Authority
- JP
- Japan
- Prior art keywords
- flow field
- data
- dimensional
- estimation
- dimensional plane
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 49
- 230000009466 transformation Effects 0.000 claims description 68
- 238000000547 structure data Methods 0.000 claims description 62
- 238000010801 machine learning Methods 0.000 claims description 50
- 238000006243 chemical reaction Methods 0.000 claims description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 9
- 238000004134 energy conservation Methods 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 19
- 238000005457 optimization Methods 0.000 description 16
- 238000004364 calculation method Methods 0.000 description 7
- 239000012530 fluid Substances 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000017531 blood circulation Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Description
本発明は、曲面状の構造物の周りの流場、又は流場から曲面状の構造物を推定する構造物－流場推定方法、構造物－流場推定プログラム、及び構造物－流場推定システムに関する。
船舶の推進性能設計では、船体形状を様々な制約と多様な目的を考慮して検討する。例えば、要件として、必要な推進性能と積載貨物量を満たし、かつ燃費がよく、振動の少ない形状などが求められる。これらに加え、生産時の作りやすさや費用なども考慮すると検討すべきケースは膨大となる。近年では水槽試験だけでなく、数値流体力学（ＣＦＤ）を活用した設計が行われている。しかしながら、これらは計算結果を得るまでに時間がかかり、最適化を実施するとなると数週間を要することがある。そのため、熟練者による経験に基づく船体形状の設計がなされることが多い。一方、機械学習を活用した簡易推定法に関する研究もあるが、そのほとんどは流体性能に関するスカラー値を予測するものである。また、船体形状に関しても長さや幅といった値に集約されており、形状表現に制約がある。
ここで、特許文献１には、ｚ方向に沿って所定間隔で撮像された複数のｘｙ平面画像の画像データを取得し、ｘｙ平面画像の画素の値に対してＲＧＢ値及び不透明度が定められ、複数のｘｙ平面画像それぞれの各画素に対応するＲＧＢ値及び不透明度を有するボクセルで構成される３次元ボクセル画像を生成し、３次元ボクセル画像のボクセルの座標値の少なくとも一つの座標値に所定の座標オフセット値を加えて所定の座標変換を行って変換後ボクセル画像を生成し、変換後ボクセル画像に対してレイキャスティング法を用いて暫定レンダリング画像を生成し、座標オフセット値を既に設定された値と異なる値に更新しながら変換後ボクセル画像の生成と暫定レンダリング画像の生成とを一回以上繰り返し、生成した複数の暫定レンダリング画像に基づいてレンダリング画像を生成するコンピュータプログラムが開示されている。
また、特許文献２には、スポットレーザー光走査方式三次元計測機を用いて計測された遺構及び遺物の三次元座標点群データと二次元図条件を入力し、出力する用紙サイズと解像度から二次元画像のサイズを算出し、三次元座標点群データの座標を視覚方向により変換するとともに奥行方向のデータを色濃度に変換し、二次元画像のピクセル濃度を統計処理により求め、二次元画像の各ピクセルの濃度を周辺のピクセルの濃度値を用いて新たに設定し、二次元画像の色反転などの処理をおこない画像ファイルとして出力する遺構遺物等の実測二次元作成方法が開示されている。
また、特許文献３には、複数の個体のそれぞれについて、個体の血管系の少なくとも一部の形状モデル及び推定血流特性を取得することと、複数の個体のそれぞれについての形状モデル及び推定血流特性に対して機械学習アルゴリズムを実行することと、機械学習アルゴリズムを使用して、形状モデルにおける複数点に対応する血流特性を予測する特徴を識別することと、患者について、患者の血管系の少なくとも一部の形状モデルを取得することと、識別された特徴を使用して患者の形状モデルにおける複数点のそれぞれについての患者の血流特性の推定値を生成することと、を含む血流特性を推定するシステムが開示されている。
また、特許文献２には、スポットレーザー光走査方式三次元計測機を用いて計測された遺構及び遺物の三次元座標点群データと二次元図条件を入力し、出力する用紙サイズと解像度から二次元画像のサイズを算出し、三次元座標点群データの座標を視覚方向により変換するとともに奥行方向のデータを色濃度に変換し、二次元画像のピクセル濃度を統計処理により求め、二次元画像の各ピクセルの濃度を周辺のピクセルの濃度値を用いて新たに設定し、二次元画像の色反転などの処理をおこない画像ファイルとして出力する遺構遺物等の実測二次元作成方法が開示されている。
また、特許文献３には、複数の個体のそれぞれについて、個体の血管系の少なくとも一部の形状モデル及び推定血流特性を取得することと、複数の個体のそれぞれについての形状モデル及び推定血流特性に対して機械学習アルゴリズムを実行することと、機械学習アルゴリズムを使用して、形状モデルにおける複数点に対応する血流特性を予測する特徴を識別することと、患者について、患者の血管系の少なくとも一部の形状モデルを取得することと、識別された特徴を使用して患者の形状モデルにおける複数点のそれぞれについての患者の血流特性の推定値を生成することと、を含む血流特性を推定するシステムが開示されている。
特許文献１から３は、曲面状の構造物（船体等）の周りの流場を精度よく高速に推定するものではなく、流場から曲面状の構造物を推定するものでもない。
そこで本発明は、曲面状の構造物の周りの流場を、又は流場から曲面状の構造物を、精度よく高速に推定できる構造物－流場推定方法、構造物－流場推定プログラム、及び構造物－流場推定システムを提供することを目的とする。
そこで本発明は、曲面状の構造物の周りの流場を、又は流場から曲面状の構造物を、精度よく高速に推定できる構造物－流場推定方法、構造物－流場推定プログラム、及び構造物－流場推定システムを提供することを目的とする。
請求項１記載に対応した構造物－流場推定方法においては、曲面状の構造物の周りの流場を推定する方法であって、構造物の表面の三次元構造データを座標変換した二次元平面と流場との関係を学習した学習済モデルを取得する学習済モデル取得ステップと、構造物の表面の三次元構造データを取得する構造データ取得ステップと、三次元構造データを二次元平面に座標変換する座標変換ステップと、二次元平面を学習済モデルに適用して構造物の流場を推定する流場推定ステップと、推定した流場を流場データとして出力する流場データ出力ステップとを備えたことを特徴とする。
請求項１に記載の本発明によれば、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、構造物の外部流の流場のみならず、内部流の流場の推定にも用いることができる。
請求項１に記載の本発明によれば、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、構造物の外部流の流場のみならず、内部流の流場の推定にも用いることができる。
請求項２記載に対応した構造物－流場推定方法においては、流場から曲面状の構造物を推定する方法であって、構造物の表面の三次元構造データを座標変換した二次元平面と流場との関係を学習した学習済モデルを取得する学習済モデル取得ステップと、構造物の周りの所望する流場の流場データを取得する流場データ取得ステップと、流場データを学習済モデルに適用して流場に対応した構造物の二次元平面を推定する構造物推定ステップと、二次元平面を三次元構造データに座標逆変換する座標逆変換ステップと、推定した構造物の表面を座標逆変換された三次元構造データとして出力する構造物データ出力ステップとを備えたことを特徴とする。
請求項２に記載の本発明によれば、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。
請求項２に記載の本発明によれば、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。
請求項３記載の本発明は、所望する流場の流場データが得られるか終了条件を満たすまで、構造物推定ステップ、座標逆変換ステップ、及び構造物データ出力ステップを繰り返すことを特徴とする。
請求項３に記載の本発明によれば、所望の流場を実現する構造物の形状を確認しながら、さらに精度よく推定することができる。
請求項３に記載の本発明によれば、所望の流場を実現する構造物の形状を確認しながら、さらに精度よく推定することができる。
請求項４記載の本発明は、三次元構造データと二次元平面との変換は、三次元構造データとしての表面格子（Ｘ,Ｙ,Ｚ）と二次元平面としての二次元ＲＧＢ画像データとの間の変換であることを特徴とする。
請求項４に記載の本発明によれば、構造物の形状をパラメータ化せずに流場を推定するためパラメータ化による情報欠落が防止され、また形状表現に関する制約が殆どなくなることにより、精度よく高速に流場を推定することができる。
請求項４に記載の本発明によれば、構造物の形状をパラメータ化せずに流場を推定するためパラメータ化による情報欠落が防止され、また形状表現に関する制約が殆どなくなることにより、精度よく高速に流場を推定することができる。
請求項５記載の本発明は、学習済モデルで使用する二次元ＲＧＢ画像データは、三次元構造データとしての表面格子（Ｘ,Ｙ,Ｚ）をそれぞれ二次元ＲＧＢ画像データのＲ・Ｇ・Ｂに対応させた二次元ＲＧＢ画像データであることを特徴とする。
請求項５に記載の本発明によれば、Ｒ・Ｇ・Ｂに対応させることで、さらに精度よく高速に流場を推定することができる。
請求項５に記載の本発明によれば、Ｒ・Ｇ・Ｂに対応させることで、さらに精度よく高速に流場を推定することができる。
請求項６記載の本発明は、学習済モデルは、曲面状の構造物のデータベースから読み込んだ複数の構造物の表面の三次元構造データを二次元平面に座標変換するとともに、データベースの構造物に対応した流場との関係を、機械学習を用いて学習した結果であることを特徴とする。
請求項６に記載の本発明によれば、機械学習を用いて流場の推定に適した学習済モデルを取得することができる。
請求項６に記載の本発明によれば、機械学習を用いて流場の推定に適した学習済モデルを取得することができる。
請求項７記載の本発明は、機械学習としてＣＮＮ(畳み込みニューラルネットワーク)を用いることを特徴とする。
請求項７に記載の本発明によれば、画像認識の分野で優れた性能を発揮しているＣＮＮを用いて、流場を高速に推定することができる。
請求項７に記載の本発明によれば、画像認識の分野で優れた性能を発揮しているＣＮＮを用いて、流場を高速に推定することができる。
請求項８記載の本発明は、機械学習に用いる損失関数に流場のエネルギー保存則を導入することを特徴とする。
請求項８に記載の本発明によれば、推定精度及び汎化性能の向上と、流体力学的な整合性を図り推定の精度をさらに高めることができる。
請求項８に記載の本発明によれば、推定精度及び汎化性能の向上と、流体力学的な整合性を図り推定の精度をさらに高めることができる。
請求項９記載に対応した構造物－流場推定プログラムにおいては、コンピュータに、構造物－流場推定方法における、学習済モデル取得ステップと、構造データ取得ステップと、座標変換ステップと、流場推定ステップと、流場データ出力ステップとを実行させることを特徴とする。
請求項９に記載の本発明によれば、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、構造物の外部流の流場のみならず、内部流の流場の推定にも用いることができる。
請求項９に記載の本発明によれば、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、構造物の外部流の流場のみならず、内部流の流場の推定にも用いることができる。
請求項１０記載に対応した構造物－流場推定プログラムにおいては、コンピュータに、構造物－流場推定方法における、学習済モデル取得ステップと、流場データ取得ステップと、構造物推定ステップと、座標逆変換ステップと、構造物データ出力ステップとを実行させることを特徴とする。
請求項１０に記載の本発明によれば、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。
請求項１０に記載の本発明によれば、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。
請求項１１記載に対応した構造物－流場推定システムにおいては、曲面状の構造物の周りの流場を推定するシステムであって、構造物の表面の三次元構造データを座標変換した二次元平面と流場との関係を学習した学習済モデルを取得する学習済モデル取得手段と、構造物の表面の三次元構造データを入力する構造データ入力手段と、三次元構造データを二次元平面に座標変換する座標変換手段と、二次元平面を学習済モデルに適用して構造物の流場を推定する流場推定手段と、推定した流場を流場データとして出力する流場データ出力手段とを備えたことを特徴とする。
請求項１１に記載の本発明によれば、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、構造物の外部流の流場のみならず、内部流の流場の推定にも用いることができる。
請求項１１に記載の本発明によれば、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、構造物の外部流の流場のみならず、内部流の流場の推定にも用いることができる。
請求項１２記載に対応した構造物－流場推定システムにおいては、流場から曲面状の構造物を推定するシステムであって、構造物の表面の三次元構造データを座標変換した二次元平面と流場との関係を学習した学習済モデルを取得する学習済モデル取得手段と、構造物の周りの所望する流場の流場データを入力する流場データ入力手段と、流場データを学習済モデルに適用して流場に対応した構造物の二次元平面を推定する構造物推定手段と、二次元平面を三次元構造データに座標逆変換する座標逆変換手段と、推定した構造物の表面を座標逆変換された三次元構造データとして出力する構造物データ出力手段とを備えたことを特徴とする。
請求項１２に記載の本発明によれば、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。
請求項１２に記載の本発明によれば、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。
請求項１３記載の本発明は、学習済モデルを生成するために、曲面状の構造物と構造物に対応した流場との関係を蓄積したデータベースと、データベースの複数の構造物の表面の三次元構造データを二次元平面に座標変換する学習用座標変換手段と、二次元平面とデータベースの構造物に対応した流場との関係を機械学習する機械学習手段をさらに備えたことを特徴とする。
請求項１３に記載の本発明によれば、機械学習を用いて流場の推定に適した学習済モデルを取得することができる。
請求項１３に記載の本発明によれば、機械学習を用いて流場の推定に適した学習済モデルを取得することができる。
請求項１４記載の本発明は、機械学習手段は、機械学習としてＣＮＮ(畳み込みニューラルネットワーク)を用いることを特徴とする。
請求項１４に記載の本発明によれば、画像認識の分野で優れた性能を発揮しているＣＮＮを用いて、流場を高速に推定することができる。
請求項１４に記載の本発明によれば、画像認識の分野で優れた性能を発揮しているＣＮＮを用いて、流場を高速に推定することができる。
請求項１５記載の本発明は、機械学習に用いる損失関数に流場のエネルギー保存則を導入することを特徴とする。
請求項１５に記載の本発明によれば、推定精度及び汎化性能の向上と、流体力学的な整合性を図り推定の精度をさらに高めることができる。
請求項１５に記載の本発明によれば、推定精度及び汎化性能の向上と、流体力学的な整合性を図り推定の精度をさらに高めることができる。
本発明の構造物－流場推定方法によれば、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。
また、本発明の構造物－流場推定方法によれば、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。
また、所望する流場の流場データが得られるか終了条件を満たすまで、構造物推定ステップ、座標逆変換ステップ、及び構造物データ出力ステップを繰り返す場合は、所望の流場を実現する構造物の形状を確認しながら、さらに精度よく推定することができる。
また、三次元構造データと二次元平面との変換は、三次元構造データとしての表面格子（Ｘ,Ｙ,Ｚ）と二次元平面としての二次元ＲＧＢ画像データとの間の変換である場合は、構造物の形状をパラメータ化せずに流場を推定するためパラメータ化による情報欠落が防止され、また形状表現に関する制約が殆どなくなることにより、精度よく高速に流場を推定することができる。
また、学習済モデルで使用する二次元ＲＧＢ画像データは、三次元構造データとしての表面格子（Ｘ,Ｙ,Ｚ）をそれぞれ二次元ＲＧＢ画像データのＲ・Ｇ・Ｂに対応させた二次元ＲＧＢ画像データである場合は、Ｒ・Ｇ・Ｂに対応させることで、さらに精度よく高速に流場を推定することができる。
また、学習済モデルは、曲面状の構造物のデータベースから読み込んだ複数の構造物の表面の三次元構造データを二次元平面に座標変換するとともに、データベースの構造物に対応した流場との関係を、機械学習を用いて学習した結果である場合は、機械学習を用いて流場の推定に適した学習済モデルを取得することができる。
また、機械学習としてＣＮＮ(畳み込みニューラルネットワーク)を用いる場合は、画像認識の分野で優れた性能を発揮しているＣＮＮを用いて、流場を高速に推定することができる。
また、機械学習に用いる損失関数に流場のエネルギー保存則を導入する場合は、推定精度及び汎化性能の向上と、流体力学的な整合性を図り推定の精度をさらに高めることができる。
また、本発明の構造物－流場推定プログラムによれば、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。
また、本発明の構造物－流場推定プログラムによれば、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。
また、本発明の構造物－流場推定システムによれば、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。
また、本発明の構造物－流場推定システムによれば、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。
また、学習済モデルを生成するために、曲面状の構造物と構造物に対応した流場との関係を蓄積したデータベースと、データベースの複数の構造物の表面の三次元構造データを二次元平面に座標変換する学習用座標変換手段と、二次元平面とデータベースの構造物に対応した流場との関係を機械学習する機械学習手段をさらに備えた場合は、機械学習を用いて流場の推定に適した学習済モデルを取得することができる。
また、機械学習手段は、機械学習としてＣＮＮ(畳み込みニューラルネットワーク)を用いる場合は、画像認識の分野で優れた性能を発揮しているＣＮＮを用いて、流場を高速に推定することができる。
また、機械学習に用いる損失関数に流場のエネルギー保存則を導入する場合は、推定精度及び汎化性能の向上と、流体力学的な整合性を図り推定の精度をさらに高めることができる。
以下に、本発明の実施形態による構造物－流場推定方法、構造物－流場推定プログラム、及び構造物－流場推定システムについて説明する。
図１は構造物－流場推定方法に用いる機器の概要図である。
構造物－流場推定方法は、データサーバ１０、学習用サーバ２０、構造データ入力手段３０、推論サーバ４０、流場データ出力手段５０、流場データ入力手段６０、最適化サーバ７０、及び構造物データ出力手段８０を利用し、曲面状の構造物の周りの流場、又は流場から曲面状の構造物を推定する。曲面状の構造物とは、船体、車体、機体、配管等である。
データサーバ１０は、曲面状の構造物とその構造物に対応した流場との関係を蓄積したデータベース１１を有する。曲面状の構造物のデータは、ＣＡＤ等によって作成された構造物の表面の曲面形状を表す三次元構造データである。また、構造物に対応した流場のデータは、ＣＦＤ解析の結果、又は水槽試験等による実験結果などに基づいて得たものである。
学習用サーバ２０は、構造物の表面の三次元構造データを二次元平面に座標変換する学習用座標変換手段２１と、二次元平面とそれに対応した流場との関係をＡＩ（人工知能）により機械学習する機械学習手段２２を備え、学習済モデルを生成する。
構造物－流場推定方法は、データサーバ１０、学習用サーバ２０、構造データ入力手段３０、推論サーバ４０、流場データ出力手段５０、流場データ入力手段６０、最適化サーバ７０、及び構造物データ出力手段８０を利用し、曲面状の構造物の周りの流場、又は流場から曲面状の構造物を推定する。曲面状の構造物とは、船体、車体、機体、配管等である。
データサーバ１０は、曲面状の構造物とその構造物に対応した流場との関係を蓄積したデータベース１１を有する。曲面状の構造物のデータは、ＣＡＤ等によって作成された構造物の表面の曲面形状を表す三次元構造データである。また、構造物に対応した流場のデータは、ＣＦＤ解析の結果、又は水槽試験等による実験結果などに基づいて得たものである。
学習用サーバ２０は、構造物の表面の三次元構造データを二次元平面に座標変換する学習用座標変換手段２１と、二次元平面とそれに対応した流場との関係をＡＩ（人工知能）により機械学習する機械学習手段２２を備え、学習済モデルを生成する。
構造データ入力手段３０は、キーボードやマウス、タッチパネル等であり、任意の構造物の表面形状の三次元構造データを推論サーバ４０に入力するのに用いられる。
なお、構造データ入力手段３０には、ＣＡＤデータや三次元計測データ等のデータ元とリンクして自動的に入力を行うものも含む。
推論サーバ４０は、学習用サーバ２０が生成した学習済モデルを取得する学習済モデル取得手段４１と、構造データ入力手段３０から入力された三次元構造データを二次元平面に座標変換する座標変換手段４２と、座標変換した二次元平面を学習済モデルに適用してＡＩにより構造物の流場を推定する流場推定手段４３を備える。
流場データ出力手段５０は、推論サーバ４０が推定した流場を流場データとして出力する。
なお、構造データ入力手段３０には、ＣＡＤデータや三次元計測データ等のデータ元とリンクして自動的に入力を行うものも含む。
推論サーバ４０は、学習用サーバ２０が生成した学習済モデルを取得する学習済モデル取得手段４１と、構造データ入力手段３０から入力された三次元構造データを二次元平面に座標変換する座標変換手段４２と、座標変換した二次元平面を学習済モデルに適用してＡＩにより構造物の流場を推定する流場推定手段４３を備える。
流場データ出力手段５０は、推論サーバ４０が推定した流場を流場データとして出力する。
流場データ入力手段６０は、キーボードやマウス、タッチパネル等であり、設計対象の構造物の周りの所望する流場データを入力するのに用いられる。
最適化サーバ７０は、学習用サーバ２０が生成した学習済モデルを取得する学習済モデル取得手段７１と、流場データ入力手段６０から入力された流場データを学習済モデルに適用して流場に対応した構造物の二次元平面を推定する構造物推定手段７２と、推定により得られた二次元平面を学習済モデルに適用してＡＩによる構造物の周囲の流場の推定と評価を行う流場推定評価手段７３と、推定により得られた二次元平面を三次元構造データに座標逆変換する座標逆変換手段７４を備える。
構造物データ出力手段８０は、所望する流場を実現する構造物の最適曲面形状として、座標逆変換された三次元構造データを出力する。
最適化サーバ７０は、学習用サーバ２０が生成した学習済モデルを取得する学習済モデル取得手段７１と、流場データ入力手段６０から入力された流場データを学習済モデルに適用して流場に対応した構造物の二次元平面を推定する構造物推定手段７２と、推定により得られた二次元平面を学習済モデルに適用してＡＩによる構造物の周囲の流場の推定と評価を行う流場推定評価手段７３と、推定により得られた二次元平面を三次元構造データに座標逆変換する座標逆変換手段７４を備える。
構造物データ出力手段８０は、所望する流場を実現する構造物の最適曲面形状として、座標逆変換された三次元構造データを出力する。
図２は学習用サーバにおける学習フェーズのフローである。
学習フェーズでは、まず機械学習モデルを構築する（Ｓ１：機械学習モデル構築ステップ）。機械学習モデルには、画像解析に有効なＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）を用いる。
次に、データベース１１から構造物の曲面形状のデータと流場のデータの対を読み込む（Ｓ２：データ読込ステップ）。
読み込んだ構造物の曲面形状のデータは三次元構造データでありそのままではニューラルネットワークで取り扱えない。そのため、データベース１１から読み込んだ曲面形状のデータと流場データの対のうち曲面形状のデータを、学習用座標変換手段２１が二次元平面に座標変換する（Ｓ３：学習用座標変換ステップ）。
次に、二次元平面に座標変換した曲面形状に対応した流場との関係を、機械学習手段２２において機械学習を用いて学習する（Ｓ４：機械学習ステップ）。機械学習ステップＳ４においては、損失関数に流場のエネルギー保存則を導入することが好ましい。流場はエネルギー保存則が成立する必要があるため、ナビエストークス方程式等のエネルギー保存則を適用することで、推定精度及び他の問題にも対応できる汎化性能の向上と、流体力学的な整合性を図り推定の精度をさらに高めることができる。
学習用サーバ２０は、データベース１１から読み込んだ構造物の曲面形状のデータと流場のデータの対についての機械学習が終了すると、学習終了条件を満たすか否かを判定する（Ｓ５：機械学習終了判定ステップ）。学習終了条件は、例えば、データベース１１に蓄積されている全ての曲面形状と流場の対を学習したときとする。
機械学習終了判定ステップＳ５において学習終了条件を満たさないと判定した場合は、データ読込ステップＳ２に戻り、データベース１１から次の曲面形状と流場の対を読み込む。一方、機械学習終了判定ステップＳ５において学習終了条件を満たすと判定した場合は、学習フェーズを終了する。学習用サーバ２０は、機械学習により得られた、構造物の表面の三次元構造データを座標変換した二次元平面と流場との関係を学習した学習済モデルを保存する。
曲面状の構造物の周りの流場を推定する場合も、流場から曲面状の構造物を推定する場合も、構造物の表面の三次元構造データを座標変換した二次元平面と流場との関係を学習した学習済モデルを用いる。
このように、学習済モデルは、データベース１１から読み込んだ複数の構造物の表面の三次元構造データを二次元平面に座標変換し、データベース１１の構造物に対応した流場との関係を機械学習を用いて学習した結果とすることで、機械学習を用いて流場の推定に適した学習済モデルを取得することができる。
また、機械学習としてＣＮＮを用いることで、画像認識の分野で優れた性能を発揮しているＣＮＮを用いて、流場を高速に推定することができる。
学習フェーズでは、まず機械学習モデルを構築する（Ｓ１：機械学習モデル構築ステップ）。機械学習モデルには、画像解析に有効なＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）を用いる。
次に、データベース１１から構造物の曲面形状のデータと流場のデータの対を読み込む（Ｓ２：データ読込ステップ）。
読み込んだ構造物の曲面形状のデータは三次元構造データでありそのままではニューラルネットワークで取り扱えない。そのため、データベース１１から読み込んだ曲面形状のデータと流場データの対のうち曲面形状のデータを、学習用座標変換手段２１が二次元平面に座標変換する（Ｓ３：学習用座標変換ステップ）。
次に、二次元平面に座標変換した曲面形状に対応した流場との関係を、機械学習手段２２において機械学習を用いて学習する（Ｓ４：機械学習ステップ）。機械学習ステップＳ４においては、損失関数に流場のエネルギー保存則を導入することが好ましい。流場はエネルギー保存則が成立する必要があるため、ナビエストークス方程式等のエネルギー保存則を適用することで、推定精度及び他の問題にも対応できる汎化性能の向上と、流体力学的な整合性を図り推定の精度をさらに高めることができる。
学習用サーバ２０は、データベース１１から読み込んだ構造物の曲面形状のデータと流場のデータの対についての機械学習が終了すると、学習終了条件を満たすか否かを判定する（Ｓ５：機械学習終了判定ステップ）。学習終了条件は、例えば、データベース１１に蓄積されている全ての曲面形状と流場の対を学習したときとする。
機械学習終了判定ステップＳ５において学習終了条件を満たさないと判定した場合は、データ読込ステップＳ２に戻り、データベース１１から次の曲面形状と流場の対を読み込む。一方、機械学習終了判定ステップＳ５において学習終了条件を満たすと判定した場合は、学習フェーズを終了する。学習用サーバ２０は、機械学習により得られた、構造物の表面の三次元構造データを座標変換した二次元平面と流場との関係を学習した学習済モデルを保存する。
曲面状の構造物の周りの流場を推定する場合も、流場から曲面状の構造物を推定する場合も、構造物の表面の三次元構造データを座標変換した二次元平面と流場との関係を学習した学習済モデルを用いる。
このように、学習済モデルは、データベース１１から読み込んだ複数の構造物の表面の三次元構造データを二次元平面に座標変換し、データベース１１の構造物に対応した流場との関係を機械学習を用いて学習した結果とすることで、機械学習を用いて流場の推定に適した学習済モデルを取得することができる。
また、機械学習としてＣＮＮを用いることで、画像認識の分野で優れた性能を発揮しているＣＮＮを用いて、流場を高速に推定することができる。
図３は推論サーバを用いた推論フェーズのフロー、図４は推論フェーズの概念図である。
推論フェーズでは、まず学習済モデル取得手段４１が学習用サーバ２０から学習済モデルを読み込む（Ｓ１１：学習済モデル取得ステップ）。なお、学習済モデルは予め読み込んで推論サーバ４０に記憶させておくこともできる。
また、構造データ入力手段３０から入力された構造物の表面の三次元構造データを取得する（Ｓ１２：構造データ取得ステップ）。図４（ａ）は構造物が船体である場合の三次元構造データによる船体の表面の三次元曲面形状を示す。
構造データ取得ステップＳ１２で取得した三次元構造データはそのままではニューラルネットワークで取り扱えない。そのため、構造物の表面の三次元構造データを、座標変換手段４２が二次元平面に座標変換する（Ｓ１３：座標変換ステップ）。図４（ｂ）は二次元平面としての二次元ＲＧＢ画像データ（Ｎ×Ｍ×３）を示す。
座標変換ステップＳ１３の後、流場推定手段４３において、二次元平面を学習済モデルに適用して構造物の流場を推定する（Ｓ１４：流場推定ステップ）。図４（ｃ）は流場推定ステップＳ１４を示している。流場推定ステップＳ１４では、流場を、二次元平面としての二次元ＲＧＢ画像データからＣＮＮによって直接演算して求める。ＣＮＮを用いることで流場を高速に推定できる。
流場推定ステップＳ１４の後、推定した流場を流場データ出力手段５０が流場データとして出力する（Ｓ１５：流場データ出力ステップ）。図４（ｄ）は出力された流場の例を示している。図４（ｄ）では、角度方向（Ｓ）と半径方向（Ｒ）で区切った各グリッドの配色で流れの強さを表している。
このように、構造物の形状を画像データに見立て、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、ＡＩによって推定することができる。なお、構造物の外部流の流場のみならず、内部流の流場の推定にも用いることができる。これにより設計者等は、精度の高い流場の推定結果を、ＣＦＤや実験により求める場合と比べて高速に得られるため、検討スピードが飛躍的に向上する。また、設計者等が構造物の曲面形状と流場との関係を理解することを助け、特に、精度を求められない設計初期段階において効果的な支援を果たすことができる。また、多様な目的や制約を満たす設計を、熟練者に限らず実施できる可能性がある。これらにより、結果として設計期間の短縮につながる。また、例えば構造物が船体である場合は、推定した流場から推進性能等を求めることができる。
推論フェーズでは、まず学習済モデル取得手段４１が学習用サーバ２０から学習済モデルを読み込む（Ｓ１１：学習済モデル取得ステップ）。なお、学習済モデルは予め読み込んで推論サーバ４０に記憶させておくこともできる。
また、構造データ入力手段３０から入力された構造物の表面の三次元構造データを取得する（Ｓ１２：構造データ取得ステップ）。図４（ａ）は構造物が船体である場合の三次元構造データによる船体の表面の三次元曲面形状を示す。
構造データ取得ステップＳ１２で取得した三次元構造データはそのままではニューラルネットワークで取り扱えない。そのため、構造物の表面の三次元構造データを、座標変換手段４２が二次元平面に座標変換する（Ｓ１３：座標変換ステップ）。図４（ｂ）は二次元平面としての二次元ＲＧＢ画像データ（Ｎ×Ｍ×３）を示す。
座標変換ステップＳ１３の後、流場推定手段４３において、二次元平面を学習済モデルに適用して構造物の流場を推定する（Ｓ１４：流場推定ステップ）。図４（ｃ）は流場推定ステップＳ１４を示している。流場推定ステップＳ１４では、流場を、二次元平面としての二次元ＲＧＢ画像データからＣＮＮによって直接演算して求める。ＣＮＮを用いることで流場を高速に推定できる。
流場推定ステップＳ１４の後、推定した流場を流場データ出力手段５０が流場データとして出力する（Ｓ１５：流場データ出力ステップ）。図４（ｄ）は出力された流場の例を示している。図４（ｄ）では、角度方向（Ｓ）と半径方向（Ｒ）で区切った各グリッドの配色で流れの強さを表している。
このように、構造物の形状を画像データに見立て、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、ＡＩによって推定することができる。なお、構造物の外部流の流場のみならず、内部流の流場の推定にも用いることができる。これにより設計者等は、精度の高い流場の推定結果を、ＣＦＤや実験により求める場合と比べて高速に得られるため、検討スピードが飛躍的に向上する。また、設計者等が構造物の曲面形状と流場との関係を理解することを助け、特に、精度を求められない設計初期段階において効果的な支援を果たすことができる。また、多様な目的や制約を満たす設計を、熟練者に限らず実施できる可能性がある。これらにより、結果として設計期間の短縮につながる。また、例えば構造物が船体である場合は、推定した流場から推進性能等を求めることができる。
ここで、三次元構造データと二次元平面との変換について説明する。
図５は三次元構造データから二次元平面への変換プロセスを示すフロー、図６は変換プロセスの概念図である。
図６（ａ）は構造物が船体である場合の三次元構造データによる船体の表面の三次元曲面形状を示す。三次元構造データは例えばＣＡＤデータである。なお、船体をレーザスキャンすること等により三次元構造データを取得することもできる。
学習用サーバ２０における学習用座標変換ステップＳ３、及び推論サーバ４０における座標変換ステップＳ１３では、三次元構造データ（三次元曲面形状）をオフセット（Ｎ×Ｍ）し、Ｎ×Ｍで表される表面格子（格子状のメッシュ）の交点の座標である三次元座標値（Ｘ，Ｙ，Ｚ）に変換する（Ｓ３１：三次元座標値変換ステップ）。オフセットとは、滑らかな曲面形状をメッシュ分割（代表値を離散化）することをいう。図６（ｂ）は図６（ａ）に示す船体を左右に分割した一方側のオフセットを示し、Ｘは船長方向、Ｙは船幅方向、Ｚは高さ方向である。
三次元座標値変換ステップＳ３１の後、変換した三次元座標値（Ｘ，Ｙ，Ｚ）を基に、Ｎ×Ｍ×３の画像データに変換する（Ｓ３２：画像データ変換ステップ）。図６（ｃ）は三次元座標値を上から順にＸ（Ｂ：ブルー）、Ｙ（Ｒ：レッド）、Ｚ（Ｇ：グリーン）のそれぞれについて画像化したものであり、縦軸を６５段階、横軸を１０５段階としている。図６（ｄ）は図６（ｃ）の画像データを組み合わせてＮ×Ｍ×３の画像データとしたものである。
このように、三次元構造データと二次元平面との変換は、三次元構造データとしての表面格子（Ｘ，Ｙ，Ｚ）と二次元平面としての二次元ＲＧＢ画像データとの間の変換としている。これにより、構造物の形状をパラメータ化せずに流場を推定するためパラメータ化による情報欠落が防止され、また形状表現に関する制約が殆どなく構造物の形状を表す自由度が高いため、精度よく高速に流場を推定することができる。
また、学習済モデルで使用する二次元ＲＧＢ画像データは、三次元構造データとしての表面格子（Ｘ、Ｙ，Ｚ）をそれぞれ二次元ＲＧＢ画像データのＲ・Ｇ・Ｂに対応させた二次元ＲＧＢ画像データとしている。Ｒ・Ｇ・Ｂに対応させることで、さらに精度よく高速に流場を推定することができる。なお、二次元平面は、Ｒ・Ｇ・Ｂに替えて、カラーホイールの頂点となる例えばマゼンタ（Ｍ）、シアン（Ｃ）、イエロー（Ｙ）等、他の色の組み合わせとすることもできる。
図５は三次元構造データから二次元平面への変換プロセスを示すフロー、図６は変換プロセスの概念図である。
図６（ａ）は構造物が船体である場合の三次元構造データによる船体の表面の三次元曲面形状を示す。三次元構造データは例えばＣＡＤデータである。なお、船体をレーザスキャンすること等により三次元構造データを取得することもできる。
学習用サーバ２０における学習用座標変換ステップＳ３、及び推論サーバ４０における座標変換ステップＳ１３では、三次元構造データ（三次元曲面形状）をオフセット（Ｎ×Ｍ）し、Ｎ×Ｍで表される表面格子（格子状のメッシュ）の交点の座標である三次元座標値（Ｘ，Ｙ，Ｚ）に変換する（Ｓ３１：三次元座標値変換ステップ）。オフセットとは、滑らかな曲面形状をメッシュ分割（代表値を離散化）することをいう。図６（ｂ）は図６（ａ）に示す船体を左右に分割した一方側のオフセットを示し、Ｘは船長方向、Ｙは船幅方向、Ｚは高さ方向である。
三次元座標値変換ステップＳ３１の後、変換した三次元座標値（Ｘ，Ｙ，Ｚ）を基に、Ｎ×Ｍ×３の画像データに変換する（Ｓ３２：画像データ変換ステップ）。図６（ｃ）は三次元座標値を上から順にＸ（Ｂ：ブルー）、Ｙ（Ｒ：レッド）、Ｚ（Ｇ：グリーン）のそれぞれについて画像化したものであり、縦軸を６５段階、横軸を１０５段階としている。図６（ｄ）は図６（ｃ）の画像データを組み合わせてＮ×Ｍ×３の画像データとしたものである。
このように、三次元構造データと二次元平面との変換は、三次元構造データとしての表面格子（Ｘ，Ｙ，Ｚ）と二次元平面としての二次元ＲＧＢ画像データとの間の変換としている。これにより、構造物の形状をパラメータ化せずに流場を推定するためパラメータ化による情報欠落が防止され、また形状表現に関する制約が殆どなく構造物の形状を表す自由度が高いため、精度よく高速に流場を推定することができる。
また、学習済モデルで使用する二次元ＲＧＢ画像データは、三次元構造データとしての表面格子（Ｘ、Ｙ，Ｚ）をそれぞれ二次元ＲＧＢ画像データのＲ・Ｇ・Ｂに対応させた二次元ＲＧＢ画像データとしている。Ｒ・Ｇ・Ｂに対応させることで、さらに精度よく高速に流場を推定することができる。なお、二次元平面は、Ｒ・Ｇ・Ｂに替えて、カラーホイールの頂点となる例えばマゼンタ（Ｍ）、シアン（Ｃ）、イエロー（Ｙ）等、他の色の組み合わせとすることもできる。
図７は最適化サーバを用いた最適化フェーズのフローである。
最適化フェーズでは、まず学習済モデル取得手段７１が学習用サーバ２０から学習済モデルを読み込む（Ｓ２１：学習済モデル取得ステップ）。なお、学習済モデルは予め読み込んで最適化サーバ７０に記憶させておくこともできる。
また、流場データ入力手段６０から入力された流場データを取得する（Ｓ２２：流場データ取得ステップ）。流場データ入力手段６０では、図６（ｄ）のようなデータを直接入力するのではなく、利用者が理解しやすいように、例えば二次元画像としての流速分布図を単数枚又は複数枚用いて流場データとして入力することが好ましい。この場合、入力された流速分布図を図６（ｄ）のような二次元データに変換する二次元－二次元データ変換ステップをさらに含むことになる。
次に、構造物推定手段７２が、流場データ取得ステップＳ２２で取得された流場データを学習済モデルに適用して流場に対応した構造物の二次元平面を推定する（Ｓ２３：構造物推定ステップ）。これにより構造物の初期曲面形状が生成される。
構造物推定ステップＳ２３の後、流場推定評価手段７３において、二次元平面を学習済モデルに適用して構造物の流場を推定する（Ｓ２４：流場推定ステップ）。
流場推定評価手段７３は、流場推定ステップＳ２４の後、所望の流場が得られたか否か、及び所定の終了条件を満たしたか否かを判定する（Ｓ２５：最適化演算終了判定ステップ）。所望の流場が得られたか否かは、流場データ取得ステップＳ２２で取得した所望の流場の流場データと流場推定ステップＳ２４で得られた流場との一致度を評価すること等により判定する。また、所定の終了条件とは、例えば流場推定ステップＳ２４の実行回数である。
最適化演算終了判定ステップＳ２５において、所望の流場が得られていないと判定され、かつ所定の終了条件を満たしていないと判定された場合は、構造物推定手段７２が、流場データを学習済モデルに適用して流場に対応した構造物の変更した二次元平面を推定する（Ｓ２６：（変更）構造物推定ステップ）。これにより構造物の変更曲面形状が生成される。（変更）構造物推定ステップＳ２６の後は、流場推定ステップＳ２４に戻る。
一方、最適化演算終了判定ステップＳ２５において、所望の流場が得られたと判定されるか、又は所定の終了条件を満たしたと判定された場合は、推定した二次元平面を座標逆変換手段７４が三次元構造データに座標逆変換する（Ｓ２７：座標逆変換ステップ）。座標逆変換は、図５、６を用いて説明した上述の変換プロセスを逆に辿ることにより行う。すなわち、二次元平面としての二次元ＲＧＢ画像データから三次元座標値（Ｘ，Ｙ，Ｚ）を求め、三次元構造データを生成する。
座標逆変換ステップＳ２７の後、構造物データ出力手段８０は、推定した構造物の表面として、座標逆変換された三次元構造データを出力する（Ｓ２８：構造物データ出力ステップ）。
このように、所望の流場を実現する構造物の曲面形状を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、ＡＩによって推定することができる。これにより設計者等は、精度の高い推定結果を、ＣＦＤや実験により求める場合と場合と比べて高速に得ることができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。
また、最適化演算終了判定ステップＳ２５を有し、所望の流場が得られたと判定されるか、又は所定の終了条件を満たしたと判定されるまで流場推定ステップＳ２４と（変更）構造物推定ステップＳ２６を繰り返すことで、所望の流場を実現する構造物の形状をさらに精度よく推定することができる。
なお、所望する流場の流場データが得られるか終了条件を満たすまで、流場推定ステップＳ２４と（変更）構造物推定ステップＳ２６のみならず、座標逆変換ステップＳ２７、及び構造物データ出力ステップＳ２８も繰り返すことが好ましい。この場合は構造物データ出力ステップＳ２８で三次元構造データが出力されるため、所望の流場を実現する構造物の形状を設計者等が確認しながら、さらに精度よく推定することができる。またこの場合は、最適化演算終了判定ステップＳ２５に替えて、又は最適化演算終了判定ステップＳ２５と併せて、流場推定ステップＳ２４、（変更）構造物推定ステップＳ２６、座標逆変換ステップＳ２７、及び構造物データ出力ステップＳ２８を繰り返すか否かを構造物データ出力ステップＳ２８で出力された三次元構造データに基づいて設計者等が判断するステップを設けることもできる。
最適化フェーズでは、まず学習済モデル取得手段７１が学習用サーバ２０から学習済モデルを読み込む（Ｓ２１：学習済モデル取得ステップ）。なお、学習済モデルは予め読み込んで最適化サーバ７０に記憶させておくこともできる。
また、流場データ入力手段６０から入力された流場データを取得する（Ｓ２２：流場データ取得ステップ）。流場データ入力手段６０では、図６（ｄ）のようなデータを直接入力するのではなく、利用者が理解しやすいように、例えば二次元画像としての流速分布図を単数枚又は複数枚用いて流場データとして入力することが好ましい。この場合、入力された流速分布図を図６（ｄ）のような二次元データに変換する二次元－二次元データ変換ステップをさらに含むことになる。
次に、構造物推定手段７２が、流場データ取得ステップＳ２２で取得された流場データを学習済モデルに適用して流場に対応した構造物の二次元平面を推定する（Ｓ２３：構造物推定ステップ）。これにより構造物の初期曲面形状が生成される。
構造物推定ステップＳ２３の後、流場推定評価手段７３において、二次元平面を学習済モデルに適用して構造物の流場を推定する（Ｓ２４：流場推定ステップ）。
流場推定評価手段７３は、流場推定ステップＳ２４の後、所望の流場が得られたか否か、及び所定の終了条件を満たしたか否かを判定する（Ｓ２５：最適化演算終了判定ステップ）。所望の流場が得られたか否かは、流場データ取得ステップＳ２２で取得した所望の流場の流場データと流場推定ステップＳ２４で得られた流場との一致度を評価すること等により判定する。また、所定の終了条件とは、例えば流場推定ステップＳ２４の実行回数である。
最適化演算終了判定ステップＳ２５において、所望の流場が得られていないと判定され、かつ所定の終了条件を満たしていないと判定された場合は、構造物推定手段７２が、流場データを学習済モデルに適用して流場に対応した構造物の変更した二次元平面を推定する（Ｓ２６：（変更）構造物推定ステップ）。これにより構造物の変更曲面形状が生成される。（変更）構造物推定ステップＳ２６の後は、流場推定ステップＳ２４に戻る。
一方、最適化演算終了判定ステップＳ２５において、所望の流場が得られたと判定されるか、又は所定の終了条件を満たしたと判定された場合は、推定した二次元平面を座標逆変換手段７４が三次元構造データに座標逆変換する（Ｓ２７：座標逆変換ステップ）。座標逆変換は、図５、６を用いて説明した上述の変換プロセスを逆に辿ることにより行う。すなわち、二次元平面としての二次元ＲＧＢ画像データから三次元座標値（Ｘ，Ｙ，Ｚ）を求め、三次元構造データを生成する。
座標逆変換ステップＳ２７の後、構造物データ出力手段８０は、推定した構造物の表面として、座標逆変換された三次元構造データを出力する（Ｓ２８：構造物データ出力ステップ）。
このように、所望の流場を実現する構造物の曲面形状を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、ＡＩによって推定することができる。これにより設計者等は、精度の高い推定結果を、ＣＦＤや実験により求める場合と場合と比べて高速に得ることができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。
また、最適化演算終了判定ステップＳ２５を有し、所望の流場が得られたと判定されるか、又は所定の終了条件を満たしたと判定されるまで流場推定ステップＳ２４と（変更）構造物推定ステップＳ２６を繰り返すことで、所望の流場を実現する構造物の形状をさらに精度よく推定することができる。
なお、所望する流場の流場データが得られるか終了条件を満たすまで、流場推定ステップＳ２４と（変更）構造物推定ステップＳ２６のみならず、座標逆変換ステップＳ２７、及び構造物データ出力ステップＳ２８も繰り返すことが好ましい。この場合は構造物データ出力ステップＳ２８で三次元構造データが出力されるため、所望の流場を実現する構造物の形状を設計者等が確認しながら、さらに精度よく推定することができる。またこの場合は、最適化演算終了判定ステップＳ２５に替えて、又は最適化演算終了判定ステップＳ２５と併せて、流場推定ステップＳ２４、（変更）構造物推定ステップＳ２６、座標逆変換ステップＳ２７、及び構造物データ出力ステップＳ２８を繰り返すか否かを構造物データ出力ステップＳ２８で出力された三次元構造データに基づいて設計者等が判断するステップを設けることもできる。
以上、構造物／流場推定方法について説明したが、本発明は、コンピュータに、少なくとも学習済モデル取得ステップＳ１１と、構造データ取得ステップＳ１２と、座標変換ステップＳ１３と、流場推定ステップＳ１４と、流場データ出力ステップＳ１５とを実行させる、曲面状の構造物の周りの流場を推定する構造物／流場推定プログラムとすることもできる。これにより、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、構造物の外部流の流場のみならず、内部流の流場の推定にも用いることができる。
また、本発明は、コンピュータに、少なくとも学習済モデル取得ステップＳ２１と、流場データ取得ステップＳ２２と、構造物推定ステップＳ２３と、座標逆変換ステップＳ２７と、構造物データ出力ステップＳ２８とを実行させる、流場から曲面状の構造物を推定する構造物／流場推定プログラムとすることができる。これにより、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。
また、本発明は、コンピュータに、少なくとも学習済モデル取得ステップＳ２１と、流場データ取得ステップＳ２２と、構造物推定ステップＳ２３と、座標逆変換ステップＳ２７と、構造物データ出力ステップＳ２８とを実行させる、流場から曲面状の構造物を推定する構造物／流場推定プログラムとすることができる。これにより、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。
また、本発明は、構造物の表面の三次元構造データを座標変換した二次元平面と流場との関係を学習した学習済モデルを取得する学習済モデル取得手段４１と、構造物の表面の三次元構造データを入力する構造データ入力手段３０と、三次元構造データを二次元平面に座標変換する座標変換手段４２と、二次元平面を学習済モデルに適用して構造物の流場を推定する流場推定手段４３と、推定した流場を流場データとして出力する流場データ出力手段５０とを備えた構造物／流場推定システムとすることができる。これにより、構造物の周りの流場を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、構造物の外部流の流場のみならず、内部流の流場の推定にも用いることができる。また、学習済モデル取得手段４１、構造データ入力手段３０、座標変換手段４２、流場推定手段４３、及び流場データ出力手段５０は、一箇所に設置しても、別々の場所に設置してもよい。
また、本発明は、構造物の表面の三次元構造データを座標変換した二次元平面と流場との関係を学習した学習済モデルを取得する学習済モデル取得手段７１と、構造物の周りの所望する流場の流場データを入力する流場データ入力手段６０と、流場データを学習済モデルに適用して流場に対応した構造物の二次元平面を推定する構造物推定手段７２と、二次元平面を三次元構造データに座標逆変換する座標逆変換手段７４と、推定した構造物の表面を座標逆変換された三次元構造データとして出力する構造物データ出力手段８０とを備えた構造物／流場推定システムとすることもできる。これにより、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。また、学習済モデル取得手段７１、流場データ入力手段６０、構造物推定手段７２、座標逆変換手段７４、及び構造物データ出力手段８０は、一箇所に設置しても、別々の場所に設置してもよい。
また、構造物／流場推定システムにおいて、学習済モデルを生成するために、曲面状の構造物と構造物に対応した流場との関係を蓄積したデータベース１１と、データベース１１の複数の構造物の表面の三次元構造データを二次元平面に座標変換する学習用座標変換手段２１と、二次元平面とデータベース１１の構造物に対応した流場との関係を機械学習する機械学習手段２２をさらに備えることで、機械学習を用いて流場の推定に適した学習済モデルを取得することができる。
また、構造物／流場推定システムにおいて、機械学習手段２２は、機械学習としてＣＮＮ(畳み込みニューラルネットワーク)を用いることで、画像認識の分野で優れた性能を発揮しているＣＮＮを用いて、流場を高速に推定することができる。
また、構造物／流場推定システムにおいて、機械学習に用いる損失関数に流場のエネルギー保存則を導入することで、推定精度及び汎化性能の向上と、流体力学的な整合性を図り推定の精度をさらに高めることができる。
また、データサーバ１０、学習用サーバ２０、推論サーバ４０、最適化サーバ７０は任意に組み合わせて設置することができ、分離して設置する場合は各々の間をネットワークや通信手段等を用いて機能的にリンクさせることが可能である。
また、本発明は、構造物の表面の三次元構造データを座標変換した二次元平面と流場との関係を学習した学習済モデルを取得する学習済モデル取得手段７１と、構造物の周りの所望する流場の流場データを入力する流場データ入力手段６０と、流場データを学習済モデルに適用して流場に対応した構造物の二次元平面を推定する構造物推定手段７２と、二次元平面を三次元構造データに座標逆変換する座標逆変換手段７４と、推定した構造物の表面を座標逆変換された三次元構造データとして出力する構造物データ出力手段８０とを備えた構造物／流場推定システムとすることもできる。これにより、所望の流場を実現する構造物の表面を、三次元構造データと流場との関係を、座標変換した二次元平面との関係に置き換えて学習した結果を用いて、精度よく、かつＣＦＤや実験により求める場合と比べて高速に推定することができる。なお、流場から構造物の外表面のみならず、内表面の推定にも用いることができる。また、学習済モデル取得手段７１、流場データ入力手段６０、構造物推定手段７２、座標逆変換手段７４、及び構造物データ出力手段８０は、一箇所に設置しても、別々の場所に設置してもよい。
また、構造物／流場推定システムにおいて、学習済モデルを生成するために、曲面状の構造物と構造物に対応した流場との関係を蓄積したデータベース１１と、データベース１１の複数の構造物の表面の三次元構造データを二次元平面に座標変換する学習用座標変換手段２１と、二次元平面とデータベース１１の構造物に対応した流場との関係を機械学習する機械学習手段２２をさらに備えることで、機械学習を用いて流場の推定に適した学習済モデルを取得することができる。
また、構造物／流場推定システムにおいて、機械学習手段２２は、機械学習としてＣＮＮ(畳み込みニューラルネットワーク)を用いることで、画像認識の分野で優れた性能を発揮しているＣＮＮを用いて、流場を高速に推定することができる。
また、構造物／流場推定システムにおいて、機械学習に用いる損失関数に流場のエネルギー保存則を導入することで、推定精度及び汎化性能の向上と、流体力学的な整合性を図り推定の精度をさらに高めることができる。
また、データサーバ１０、学習用サーバ２０、推論サーバ４０、最適化サーバ７０は任意に組み合わせて設置することができ、分離して設置する場合は各々の間をネットワークや通信手段等を用いて機能的にリンクさせることが可能である。
本発明は、例えば船体形状に応じた流場の推定を高速かつ高精度に行うことができるため、設計者が船体形状と流場との関係を理解する支援ツール等として活用できる。また、三次元曲面形状に対する流場であれば同様のアナロジーが成り立つため、外部流、内部流問わず船舶のみならず自動車や航空機、医療用など他分野においても利用可能である。
１１ データベース
２１ 学習用座標変換手段
２２ 機械学習手段
３０ 構造データ入力手段
４１ 学習済モデル取得手段
４２ 座標変換手段
４３ 流場推定手段
５０ 流場データ出力手段
６０ 流場データ入力手段
７１ 学習済モデル取得手段
７２ 構造物推定手段
７４ 座標逆変換手段
８０ 構造物データ出力手段
Ｓ１１ 学習済モデル取得ステップ
Ｓ１２ 構造データ取得ステップ
Ｓ１３ 座標変換ステップ
Ｓ１４ 流場推定ステップ
Ｓ１５ 流場データ出力ステップ
Ｓ２１ 学習済モデル取得ステップ
Ｓ２２ 流場データ取得ステップ
Ｓ２３ 構造物推定ステップ
Ｓ２７ 座標逆変換ステップ
Ｓ２８ 構造物データ出力ステップ
２１ 学習用座標変換手段
２２ 機械学習手段
３０ 構造データ入力手段
４１ 学習済モデル取得手段
４２ 座標変換手段
４３ 流場推定手段
５０ 流場データ出力手段
６０ 流場データ入力手段
７１ 学習済モデル取得手段
７２ 構造物推定手段
７４ 座標逆変換手段
８０ 構造物データ出力手段
Ｓ１１ 学習済モデル取得ステップ
Ｓ１２ 構造データ取得ステップ
Ｓ１３ 座標変換ステップ
Ｓ１４ 流場推定ステップ
Ｓ１５ 流場データ出力ステップ
Ｓ２１ 学習済モデル取得ステップ
Ｓ２２ 流場データ取得ステップ
Ｓ２３ 構造物推定ステップ
Ｓ２７ 座標逆変換ステップ
Ｓ２８ 構造物データ出力ステップ
Claims (15)
- 曲面状の構造物の周りの流場を推定する方法であって、
前記構造物の表面の三次元構造データを座標変換した二次元平面と前記流場との関係を学習した学習済モデルを取得する学習済モデル取得ステップと、
前記構造物の表面の前記三次元構造データを取得する構造データ取得ステップと、
前記三次元構造データを前記二次元平面に座標変換する座標変換ステップと、
前記二次元平面を前記学習済モデルに適用して前記構造物の前記流場を推定する流場推定ステップと、
推定した前記流場を流場データとして出力する流場データ出力ステップと
を備えたことを特徴とする構造物－流場推定方法。 - 流場から曲面状の構造物を推定する方法であって、
前記構造物の表面の三次元構造データを座標変換した二次元平面と前記流場との関係を学習した学習済モデルを取得する学習済モデル取得ステップと、
前記構造物の周りの所望する前記流場の流場データを取得する流場データ取得ステップと、
前記流場データを前記学習済モデルに適用して前記流場に対応した前記構造物の前記二次元平面を推定する構造物推定ステップと、
前記二次元平面を前記三次元構造データに座標逆変換する座標逆変換ステップと、
推定した前記構造物の表面を前記座標逆変換された前記三次元構造データとして出力する構造物データ出力ステップと
を備えたことを特徴とする構造物－流場推定方法。 - 所望する前記流場の前記流場データが得られるか終了条件を満たすまで、前記構造物推定ステップ、前記座標逆変換ステップ、及び前記構造物データ出力ステップを繰り返すことを特徴とする請求項２に記載の構造物－流場推定方法。
- 前記三次元構造データと前記二次元平面との変換は、前記三次元構造データとしての表面格子（Ｘ,Ｙ,Ｚ）と前記二次元平面としての二次元ＲＧＢ画像データとの間の変換であることを特徴とする請求項１から請求項３のいずれか１項に記載の構造物－流場推定方法。
- 前記学習済モデルで使用する前記二次元ＲＧＢ画像データは、前記三次元構造データとしての表面格子（Ｘ,Ｙ,Ｚ）をそれぞれ前記二次元ＲＧＢ画像データのＲ・Ｇ・Ｂに対応させた二次元ＲＧＢ画像データであることを特徴とする請求項４に記載の構造物－流場推定方法。
- 前記学習済モデルは、曲面状の前記構造物のデータベースから読み込んだ複数の前記構造物の前記表面の前記三次元構造データを前記二次元平面に座標変換するとともに、前記データベースの前記構造物に対応した前記流場との関係を、機械学習を用いて学習した結果であることを特徴とする請求項１から請求項５のいずれか１項に記載の構造物－流場推定方法。
- 前記機械学習としてＣＮＮ(畳み込みニューラルネットワーク)を用いることを特徴とする請求項６に記載の構造物－流場推定方法。
- 前記機械学習に用いる損失関数に流場のエネルギー保存則を導入することを特徴とする請求項６又は請求項７に記載の構造物－流場推定方法。
- コンピュータに、
請求項１、又は請求項１を選択する請求項４若しくは請求項５に記載の構造物－流場推定方法における、
前記学習済モデル取得ステップと、前記構造データ取得ステップと、前記座標変換ステップと、前記流場推定ステップと、前記流場データ出力ステップとを実行させることを特徴とする構造物－流場推定プログラム。 - コンピュータに、
請求項２、請求項３、又は請求項２を選択する請求項４若しくは請求項５に記載の構造物－流場推定方法における、
前記学習済モデル取得ステップと、前記流場データ取得ステップと、前記構造物推定ステップと、前記座標逆変換ステップと、前記構造物データ出力ステップとを実行させることを特徴とする構造物－流場推定プログラム。 - 曲面状の構造物の周りの流場を推定するシステムであって、
前記構造物の表面の三次元構造データを座標変換した二次元平面と前記流場との関係を学習した学習済モデルを取得する学習済モデル取得手段と、
前記構造物の表面の前記三次元構造データを入力する構造データ入力手段と、
前記三次元構造データを前記二次元平面に座標変換する座標変換手段と、
前記二次元平面を前記学習済モデルに適用して前記構造物の前記流場を推定する流場推定手段と、
推定した前記流場を流場データとして出力する流場データ出力手段とを備えたことを特徴とする構造物－流場推定システム。 - 流場から曲面状の構造物を推定するシステムであって、
前記構造物の表面の三次元構造データを座標変換した二次元平面と前記流場との関係を学習した学習済モデルを取得する学習済モデル取得手段と、
前記構造物の周りの所望する前記流場の流場データを入力する流場データ入力手段と、
前記流場データを前記学習済モデルに適用して前記流場に対応した前記構造物の前記二次元平面を推定する構造物推定手段と、
前記二次元平面を前記三次元構造データに座標逆変換する座標逆変換手段と、
推定した前記構造物の表面を前記座標逆変換された前記三次元構造データとして出力する構造物データ出力手段とを備えたことを特徴とする構造物－流場推定システム。 - 前記学習済モデルを生成するために、曲面状の前記構造物と前記構造物に対応した前記流場との関係を蓄積したデータベースと、前記データベースの複数の前記構造物の前記表面の前記三次元構造データを前記二次元平面に座標変換する学習用座標変換手段と、前記二次元平面と前記データベースの前記構造物に対応した前記流場との関係を機械学習する機械学習手段をさらに備えたことを特徴とする請求項１１又は請求項１２に記載の構造物－流場推定システム。
- 前記機械学習手段は、前記機械学習としてＣＮＮ(畳み込みニューラルネットワーク)を用いることを特徴とする請求項１３に記載の構造物－流場推定システム。
- 前記機械学習に用いる損失関数に流場のエネルギー保存則を導入することを特徴とする請求項１３又は請求項１４に記載の構造物－流場推定システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020059405A JP7437747B2 (ja) | 2020-03-30 | 2020-03-30 | 構造物－流場推定方法、構造物－流場推定プログラム、及び構造物－流場推定システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020059405A JP7437747B2 (ja) | 2020-03-30 | 2020-03-30 | 構造物－流場推定方法、構造物－流場推定プログラム、及び構造物－流場推定システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021157682A JP2021157682A (ja) | 2021-10-07 |
| JP7437747B2 true JP7437747B2 (ja) | 2024-02-26 |
Family
ID=77918603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020059405A Active JP7437747B2 (ja) | 2020-03-30 | 2020-03-30 | 構造物－流場推定方法、構造物－流場推定プログラム、及び構造物－流場推定システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7437747B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102670683B1 (ko) * | 2021-12-27 | 2024-05-30 | 한화오션 주식회사 | 선박용 추진기의 성능 예측 시스템 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004009858A (ja) | 2002-06-05 | 2004-01-15 | Mitsubishi Heavy Ind Ltd | 船舶設計装置及び船舶設計方法 |
-
2020
- 2020-03-30 JP JP2020059405A patent/JP7437747B2/ja active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004009858A (ja) | 2002-06-05 | 2004-01-15 | Mitsubishi Heavy Ind Ltd | 船舶設計装置及び船舶設計方法 |
Non-Patent Citations (1)
| Title |
|---|
| 登内 雅人，外２名，ＣＮＮを用いた類似した三次元船型形状からの造波抵抗推定，ＦＩＴ２０１９ 第１８回情報科学技術フォーラム 講演論文集 第１分冊 選奨論文・一般論文 モデル・アルゴリズム・プログラミング ソフトウェア ハードウェア・アーキテクチャ，2019年 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021157682A (ja) | 2021-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5774124A (en) | Finite element modeling method and computer system for converting a triangular mesh surface to a quadrilateral mesh surface | |
| CN111709097B (zh) | 一种基于零亏格网格曲面连续变形的柔顺机构生成方法 | |
| JP2019003615A (ja) | オートエンコーダの学習 | |
| Georgiou et al. | Learning fluid flows | |
| CN111581776B (zh) | 一种基于几何重建模型的等几何分析方法 | |
| CN111859747B (zh) | 基于损伤映射有限元网格的分层量化方法 | |
| JP2020052543A (ja) | 形状補完装置、形状補完学習装置、方法、及びプログラム | |
| JP7437747B2 (ja) | 構造物－流場推定方法、構造物－流場推定プログラム、及び構造物－流場推定システム | |
| CN110334450B (zh) | 一种多块结构网格生成中物面投影错误的修复方法 | |
| US7388584B2 (en) | Method and program for determining insides and outsides of boundaries | |
| CN108898679A (zh) | 一种零部件序号自动标注的方法 | |
| Ichinose et al. | A curved surface representation method for convolutional neural network of wake field prediction | |
| EP2442279B1 (en) | Design optimization of physical bodies | |
| CN108137128B (zh) | 用于确定连接元件制造尺寸的方法和系统 | |
| Zimmert et al. | Parametric modelling of free-form structural concrete beams and derivation of structural analysis models | |
| Son et al. | Entrance and run angle variations of hull form preserving the prismatic coefficient | |
| Shaeffer | Application of Artificial Neural Networks to Early-Stage Hull Form Design | |
| CN111445385B (zh) | 一种基于rgb色彩模式的三维物体平面化方法 | |
| Wang et al. | An automated mesh generation algorithm for curved surfaces of ship longitudinal structures | |
| CN117253012B (zh) | 一种还原平面建筑自由曲面网格结构至三维空间的方法 | |
| Zhou et al. | Geometric modeling over a background cartesian grid using radial basis functions | |
| US20240061979A1 (en) | Differentiable parametric computer-assisted design solution | |
| Suzuki et al. | Streamline modeling based on potential flow | |
| Ichinose et al. | Enhancing hull form design for robust efficiency: A data-enhanced simulation-based design approach | |
| CN116778113A (zh) | 一种基于现实中已有的异型曲面建立新的理论模型的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230307 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240111 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240123 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240205 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7437747 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |