Trots laat Scott van Hagen een scherm vol simulaties zien. Voor een ongetraind oog lijken alle rompen vrijwel identiek. Maar in elke curve, elke hoek, elke kleine afwijking zit uren van proberen, bijstellen en soms opnieuw beginnen. Subtiele details maken het verschil tussen weerstand en efficiëntie.

Scott rondde onlangs zijn afstudeerproject af bij HOFF, een ingenieursbureau uit Papendrecht dat diep geworteld is in de luxe jachtbouw. Zijn onderzoek, “Low-Speed Hull Form Optimization for Hybrid Yachts”, richtte zich op een technisch zeer specifieke, maar commercieel relevante uitdaging: hoe optimaliseer je de rompvorm van een 15-meter jacht voor lage vaarsnelheden, specifiek rond de zes knopen, zoals vereist bij elektrisch varen in emissievrije zones? Een studie naar een praktische en concrete bijdrage aan de verduurzaming van schepen, specifiek luxe jachten.

Van een technische zijstap naar de kern van het project

Toen Scott begon, had hij geen idee hoe diep hij erin zou duiken. Een technische zijstap, een hulpmiddel, groeide al snel uit tot de kern van het hele onderzoek.

“In eerste instantie wilde ik een reeks rompvarianten genereren om te kunnen gebruiken in een machine learning model,” zegt hij. “Het idee was om een voorspeller te bouwen op basis van geometrie en weerstand. Maar toen ik zag hoeveel invloed kleine vormverschillen hadden, groeide dit onderdeel uit tot het hart van mijn hele scriptie. Ik móest begrijpen wat daar precies gebeurde.”

Hij begon met het bouwen van een parametrische romp in Rhino en Grasshopper, waarbij hij de vorm kon manipuleren via drie hoofdparameters: de rompvolheid (block coefficient), de breedte van de spiegel en de diepgang van de spiegel. Om realistische en gespreide varianten te genereren, paste hij Latin Hypercube Sampling toe. Zo ontstond een dataset van 50 unieke rompvormen die het volledige ontwerpgebied representatief afdekten.

De kracht en beperking van CFD

Elke van deze 50 rompen werd gesimuleerd met Computational Fluid Dynamics (CFD) in ANSYS Fluent. De simulaties vonden plaats in een virtuele sleeptank, onder stationaire condities en met behulp van een Shear Stress Transport (SST) k-omega turbulentiemodel. Voor het simuleren van de golven gebruikte Scott een Volume of Fluid (VOF) methode.

Belangrijk detail: Scott voerde een grid refinement study uit, waarbij hij de meshdichtheid systematisch verhoogde om numerieke nauwkeurigheid te toetsen. Hij berekende de Grid Convergence Index (GCI) om te verifiëren dat zijn resultaten mesh-onafhankelijk waren. Dit zorgde voor betrouwbare weerstandspredicties, essentieel voor het trainen van machine learning modellen.

“Ik heb drie maanden nodig gehad om één goede simulatie te draaien,” zegt hij. “Niet omdat de software het niet aankon, maar omdat ik alles zelf moest uitzoeken. Ik moest leren hoe je een stromingsdomein opbouwt: waar de stroming het rekengebied binnenkomt (de inlaat), waar het weer verlaat (de uitlaat), en hoe je de grenzen instelt zodat de simulatie realistisch blijft. Maar ook hoe je de boundary layer rond de romp modelleert, dat is de dunne laag langs het oppervlak waar stroming en weerstand samenkomen. Als je dat niet goed doet, klopt je hele weerstandsbepaling niet. Het was technisch ingewikkeld en tegelijk frustrerend, maar cruciaal voor het resultaat.”

De commissieleden beoordeelde de scriptie als een sterk onderzoek.

Slim combineren van simulatie en data

Een volledige sweep van 400 rompvarianten was onhaalbaar met CFD alleen: te tijdrovend, te kostbaar. Maar Scott zag juist in die beperking een kans voor innovatie. Door zijn CFD-resultaten te combineren met machine learning wist hij een krachtig voorspelmodel op te bouwen. Hij trainde vier verschillende algoritmes: Linear Regression, Ridge Regression, Random Forest en XGBoost.

Uiteindelijk bood het Ridge Regression-model de beste balans tussen betrouwbaarheid en eenvoud. De invoer was puur geometrisch: de drie parameters die hij zelf definieerde in het parametrische ontwerp. Het model voorspelde op basis daarvan de weerstand in Newton bij een vaarsnelheid van 6 knopen.

Om de nauwkeurigheid te toetsen simuleerde hij het ontwerp met de laagste voorspelde weerstand opnieuw met CFD. De afwijking bleek kleiner dan 1 procent. Een helder signaal: deze aanpak werkt. En belangrijker nog, hij is reproduceerbaar.

“Het mooie is dat je hiermee ook andere ontwerpen snel kunt beoordelen,” zegt Scott. “Zodra je een ontwerp invoert met bekende geometrie, voorspelt het model binnen enkele seconden de weerstand. Dat bespaart enorm veel rekenwerk en tijd. Je hoeft dus niet telkens opnieuw CFD-simulaties op te starten, wat normaal uren kost. Het model fungeert als een slimme assistent in de vroege ontwerpfase: het helpt je keuzes maken voordat je de diepte ingaat met simulaties of fysieke testen.”

De winst onder water

De geoptimaliseerde romp leverde een weerstandsreductie van 7 procent op bij 6 knopen. Visueel veranderde het jacht nauwelijks. Maar onder water werd de weerstand gedrukt door een combinatie van subtiele aanpassingen: een vlakkere bodem die minder golven opwekt, een minder diepe en smallere spiegel die de stroming rustiger afvoert, en een slankere midship-zone die het nat oppervlak vermindert.

Voor een hybride jacht zijn dat directe voordelen: minder accucapaciteit nodig, lager totaalgewicht, grotere actieradius en lagere energiekosten. Vooral in stedelijke zero-emissie vaargebieden, waar stilte en efficiëntie cruciaal zijn, kan deze optimalisatie het verschil maken tussen haalbaar en onpraktisch.

 

Ook afleiding: Ironman

“Of ik rituelen had? Zeker. Ik train al bijna een jaar voor een triatlon. Eerst flink bewegen, daarna scherp aan de slag met het onderzoek.”

Die fysieke routine bood houvast tijdens de pittige fasen van zijn afstudeertraject. En de steun van HOFF hielp daar ook bij, zegt Scott. “De mannen bij HOFF zijn ook erg supportive en staan er helemaal achter. Dat geeft wel een kick, hoor.”

Een fundament voor verder onderzoek

Wat Scott heeft ontwikkeld, is geen eindpunt maar een start. Maar hij gelooft dat de combinatie van parametrisch ontwerp, validatie via CFD, en het inzetten van machine learning in een vroeg stadium iets toevoegt. De aanpak is schaalbaar en op de resultaten kan verder geborduurd worden. “Veel ontwerpen zijn gebaseerd op bestaande rompen, met wat aanpassingen. Ik heb laten zien dat je ook anders kunt beginnen en heb iets gebouwd dat werkt én door HOFF en anderen verder ontwikkeld kan worden.”

 

Wil je meer weten over dit onderzoek? Neem dan gerust contact op met Scott van Hagen via +31 (0)85 060 4633