详情

原文传递基于机器学习的横浪中破损船舶运动快速预报研究

论文题名：	基于机器学习的横浪中破损船舶运动快速预报研究
关键词：	破损船舶;规则横浪;运动预报;机器学习
摘要：	面向波浪中破损船舶强非线性运动的高精度CFD建模技术面临耗时长、效率低等瓶颈挑战，本文围绕机器学习模型回归预测框架中的若干关键问题，结合CFD建模技术，通过引入k-fold交叉验证方法和组合学习理念，发展了一种自适应序列并行采样方法（KAPS）和逐点组合模型构建方法（Ensemble），并将其用于规则横浪中破损船舶两自由度运动响应预测，以组合代理模型重构破损船舶非线性运动的输入输出函数映射关系。本文研究结果为不同波浪条件下破损船舶稳定性评估提供了一种新思路，具有最小化破损船舶运动响应幅值算子（RAO）分析过程建模次数和最小化CFD建模过程对使用者技能依赖性的优点,概念简单，实施方便。本文主要研究工作和结论如下：　　（1）为了提高采样效率，改善采样质量，发展了一种基于代理模型技术的自适应序列并行采样方法（KAPS）。该方法不仅可依据目标问题响应信息进行自适应采样，而且兼顾考虑目标问题样本非线性和稀疏性。KAPS使用泰森多边形法将设计空间分割为多个子区域，且在每一个子区域中有且只有一个样本。以k-fold交叉验证误差作为样本误差指标，子区域空间大小作为样本稀疏性指标，并对误差指标和稀疏性指标进行线性加权组合以共同确定目标多边形区域。此外，可根据实际计算资源确定KAPS通过一次迭代可获得的并行样本数量，即一次迭代过程确定多个目标多边形区域，对每个子区域只选择一个样本。新增样本的选取兼顾考虑与同一区域内样本距离和与同次迭代过程中已添加样本的距离，并通过设定距离阈值和最大最小距离准则规避新增样本在各子区域边界处聚集。通过测试表明，相较于现有典型自适应序列采样方法，KAPS可有改善采样质量。　　此外，现有大多数自适应序列采样方法只适用于单响应系统，而实际工程问题却常为多响应系统，现有技术与实际需要之间存在严重不匹配、不适用的矛盾。为此，本文发展了适用于多响应系统的自适应序列并行采样方法（MKAPS）。　　（2）对于组合代理模型建模方法研究，首先开展单一代理模型（如人工神经网络、支持向量回归、径向基函数插值和Kriging插值模型等）预测性能研究，归纳总结得出各单一代理模型内部超参数调参规律。随后基于四种单一代理模型，发展了一种逐点权重组合代理模型构建方法（Ensemble）：采用0-1策略逐点确定训练样本点权重，使用反距离插值获得未知样本点权重，并通过线性加权组合获得组合代理模型。进一步分析了训练样本数目和单一代理模型个数对组合代理模型预测精度的影响。通过8个测试函数和Taylor系列船模剩余阻力系数集验证表明，Ensemble方法能充分发挥各单一模型的局部精度优势，抑制局部预测精度过差的模型。无论训练样本规模大小，该逐点组合方法始终有着现有典型组合代理模型构建方法和单一代理模型无法比拟的优势，且当单一代理模型个数维持在4个时，组合代理模型综合预测能力最佳。　　（3）基于本文提出的自适应序列并行采样方法和逐点组合代理模型构建方法，结合CFD数值仿真技术，对规则横浪中零航速且舷侧双舱室破损状态下的DTMB5415船模开展两自由度（横摇和垂荡）运动响应预报。与CFD计算结果相比，横摇运动响应预测误差为1.88%，垂荡运动响应预测误差为3.56%，在预测精度可以接受的前提下，代理模型技术显著提升了破损船舶运动响应预报效率，实现了波浪中破损船舶运动响应快速预报。
作者：	付万谦
专业：	流体力学
导师：	李廷秋
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2022