// READ ME //


// FRENCH //
Ce fichier contient le projet de stage (Juillet et Aout) 2025
Afin de rendre fonctionnel les programmes, il faut installer toutes les dépendances. 
L'éxecutable setup.sh, installera directement toute les dépendances nécessaires au bon fonctionnement du projet.

insérer ce dossier dans votre environnement wsl
-------------------------------------------------------------------------------------------
MODIFICATION DU SETUP
/!\ ATTENTION : il faut modifier `setup.sh` en fonction du matériel utilisé
/!\ En annexe les blocs à copier coller pour chaque type de matériel dans le setup.sh
---

1 - Si GPU NVIDIA → installation CUDA + Torch (version CUDA)

# Installation CUDA (Linux natif uniquement, sous WSL ce n’est généralement pas nécessaire)
sudo apt install -y nvidia-cuda-toolkit

# Installation de PyTorch avec support CUDA
pip install torch --index-url https://download.pytorch.org/whl/cu124

---

2 -  Si GPU AMD → installation ROCm + Torch (version ROCm)  
(Si échec, installer la version CPU)

# Chargement de la clé ROCm
wget -qO - https://repo.radeon.com/rocm/rocm.gpg.key | sudo apt-key add -

# Ajout du dépôt ROCm
echo 'deb [arch=amd64] https://repo.radeon.com/rocm/apt/debian/ jammy main' | sudo tee /etc/apt/sources.list.d/rocm.list

sudo apt update

# Installation ROCm
sudo apt install -y rocm-dkms rocm-utils

# Vérification (doit afficher des infos sur le GPU AMD)
/opt/rocm/bin/rocminfo

# Installation de PyTorch avec support ROCm
pip install torch --index-url https://download.pytorch.org/whl/rocm6.0

---

3 - Si aucun GPU compatible → installation PyTorch version CPU seulement

# Installation PyTorch CPU-only
pip install torch --index-url https://download.pytorch.org/whl/cpu

---

⚠ Note importante :  
- Sous WSL, CUDA est généralement supporté via les drivers Windows, pas besoin d’installer le toolkit CUDA dans WSL.  
- Le support ROCm sur WSL est récent et dépend de la compatibilité matérielle et version Windows/WSL.  
- En cas de problème avec ROCm sur AMD, il est conseillé d’utiliser la version CPU pour éviter les erreurs.

---

Merci de modifier votre `setup.sh` en fonction de ces instructions avant l’installation.

-------------------------------------------------------------------------------------------
EXECTUTION DU FICHIER SETUP
il faut rendre executable le fichier :
chmod +x setup.sh
puis executer le fichier : (demande de mot de passe root)
./setup.sh

-------------------------------------------------------------------------------------------
STRUCTURE DU DOSSIER
dataset_training_structure.py = programme pour fusionner Input_Vectors.csv avec Dataset_Bagazinsk.csv en retirant les colonnes en doublons et lignes abérrantes.
test_dataset.csv = base de données d'entrainement du réseaux neuronal 
train_dataset.csv= base de données de test pour verifier le modèle neuronal.
Les bases de données sont séparés au hasard

le fichier Data contient toute les bases de données
le fichier Ressource toutes les informations et document important
le fichier program , tout les programmes
le fichier stl_mesh , des exemples de carènes au format stl

-------------------------------------------------------------------------------------------
RESUME
Le projet de recherche consiste à utiliser une base de données d'environ 10 000 carènes de navires. 
Ces carènes sont définies par différents paramètres.
L'objectif est d'uiliser cette base de données pour faire fonctionner un programme qui crée des carènes à partir de Machine Learning.

(*Dataset_Bagazinski.csv*) with 10,000 different hull forms simulation cases, with purpose of improving the ship design process. It is a text file that contains the following information (in columns):

1.   Design depth height. *Dd* [in meters].
2.   Actual draft, *T* [in meters].
3.   Waterline Length, *WLL* [in meters].
4.   Vertical position of the buoyancy center, *VCB* [in meters].
5.   Displaced volume, *Volume* [in cubic meters].
6.   Waterplane X axis inertia, *Ixx* [in kg * meters].
7.   Vertical position of gravity center, *VCG* [in meters].
8.   Residuary resistance coeficient for each Froude number, *Cw* [adimensional].
9.   Residuary resistance for each Froude number, *Rw* [in Newtons].

-------------------------------------------------------------------------------------------
ANNEXE
-------- GPU NVIDIA COPIER/COLLER--------------------
# Installation CUDA (Linux natif uniquement, sous WSL généralement pas nécessaire)
sudo apt install -y nvidia-cuda-toolkit

# Installation PyTorch avec support CUDA
pip install torch --index-url https://download.pytorch.org/whl/cu124


------- GPU AMD COPIER/COLLER -----------------------
# Chargement de la clé ROCm
wget -qO - https://repo.radeon.com/rocm/rocm.gpg.key | sudo apt-key add -

# Ajout du dépôt ROCm
echo 'deb [arch=amd64] https://repo.radeon.com/rocm/apt/debian/ jammy main' | sudo tee /etc/apt/sources.list.d/rocm.list

sudo apt update

# Installation ROCm
sudo apt install -y rocm-dkms rocm-utils

# Vérification (optionnelle, affiche infos GPU AMD)
if /opt/rocm/bin/rocminfo &> /dev/null; then
    echo "ROCm installé correctement"
else
    echo "⚠ ROCm ne semble pas installé correctement"
fi

# Installation PyTorch avec support ROCm
pip install torch --index-url https://download.pytorch.org/whl/rocm6.0

-------  PAS DE GPU DONC CPU COPIER/COLLER -----------
# Installation PyTorch CPU-only
pip install torch --index-url https://download.pytorch.org/whl/cpu
-------------------------------------------------------------------------------------------

// ENGLISH //

This file contain the internship project

Most of the ShipD hulls in the dataset are relatively low performing. They have high drag, low volume, 
and complicated double curvature geometries that lead to hull shapes that do not look like realistic hulls.

The real value of these hulls is data they provide. With these 30,000 hulls, 
there is sufficient information to learn how the 45 design parameters affect the many performance measures found in the dataset.
The next section applies a diffusion model to this dataset to learn the relationship between the design parameters and the performance measures,
allowing the model to generate high performing hull designs.