一种船舶水动力性能评估方法技术

本发明专利技术公开了一种船舶水动力性能评估方法，包括选定一个母型船，并以此船型为基础，采用拉丁超立方算法构建一系列样本点，采用任意曲面变形算法构建一系列与母型船类似的样本船型，采用雷诺平均‑流体体积函数方法计算所有样本船型的在波浪中的六个目标值大小，并构成样本数据集。然后采用该样本数据集对深度信念网络模型进行训练，通过精度验证以确定所构建深度信念网络模型的精确性，最后由训练完成模型评价与母型船类似的新船型。本发明专利技术综合考虑船舶在实际海上航行的特点，不仅能够获得在波浪中性能更佳的船型，提高了船型优化的适用性，还能够有效、快速的计算船舶在波浪工况下的六个水动力性能，同时能够保证数据计算的准确性。

【技术实现步骤摘要】
一种船舶水动力性能评估方法
本专利技术涉及一种船舶评估方法，特别是涉及一种基于波浪工况的船舶水动力性能评估方法。
技术介绍
目前，在船舶设计领域中，基于RANS-VoF技术的船舶性能评估方法已经成为当下的主流方法。然而基于RANS-VoF技术的长耗时问题为船舶工业的快速、高效的生产带来了巨大困难。如何精确、高效的评估船舶的水动力性能成为了船型设计中的关键问题之一。针对以上问题，现有技术出现了快速预测船舶性能的近似方法。例如：采用BP神经网络对船舶在静水中的总阻力进行预测；采用人工神经网络对船舶剩余阻力进行预测；分别采用Kriging近似模型和RBF网络对船舶在静水中的兴波阻力进行预测。然而，需要指出的是，目前比较流行的方法大多是一种有监督学习算法。这些算法在处理高纬度数据时，大量有用的数据会被覆盖，浪费了很多计算时间。有些神经网络算法采用梯度递减算法来训练神经网络参数，导致算法很容易陷入局部最优解。船舶水动力性能的精确、高效预测，一直是船舶设计上的难点。基于BP神经网络、Kriging近似模型和RBF网络等目前主流的一些算法在预测船舶水动力性能上，均无法获得精确性更高的预测解。另外，船舶在海上航行时，波浪对船舶的影响不可避免，较大的波浪会导致甲板上浪，船舶舒适性降低，甚至危及人员生命安全。船舶在波浪中的阻力对船舶的快速性影响至关重要。同时，显著影响船舶耐波性的参数主要有：垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度。其中垂向加速度对船上各种活动均有较大影响，垂向速度对起重机工作有很大影响，其他参数对于人员作业能力和适居性影响也较大。为了获得最合适的船型，在船舶设计时必须要将这些参数考虑进去。然而，现有的船舶水动力性能的快速、精确评估上，一般仅考虑船舶在静水中的阻力性能，却未对船舶在波浪中的总体性能进行预测评估。因此，快速精确的评估船舶在波浪中的阻力和船舶在波浪中的运动响应成为了技术难点。
技术实现思路
本专利技术的目的是提供一种船舶水动力性能评估方法，以高效、精确评价船型在波浪工况下的水动力性能。本专利技术技术方案如下：一种船舶水动力性能评估方法，依次包括以下步骤：步骤1、在进行船舶水动力性能评价时，首先设定母型船，然后以母型船为基础，确定船型修改参数及参数变换范围，再采用拉丁超立方算法在参数变化范围内构建一系列样本点，最后采用任意曲面变形技术修改母型船，获得一系列与样本点一一对应的样本船型，所有样本船型构成样本船型集合；步骤2、采用雷诺平均-流体体积函数方法计算样本船型集合中每一个样本船型的设计目标值，设计目标值包括了船舶在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度六个参数，将计算得到的所有样本船型的设计目标值参数的数据进行整合，构成一套完整的样本数据集SS；步骤3、建立深度信念网络，用步骤2中的样本数据集SS对深度信念网络算法进行训练，并通过训练获得的水动力评估模型；步骤4、完成深度信念网络模型训练之后，采用复相关系数和均方根误差对训练完成的模型进行精确性验证，如满足精确性要求则进入步骤5，否则回到步骤1重新设定样本船型并进行后续步骤2至步骤4；步骤5、根据训练完成的深度信念网络模型，计算待预测的新船型在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度六个参数，以评价新船型的水动力性能。进一步地，所述步骤1以任意曲面变形技术修改母型船依次包括以下步骤：步骤101、确定母型船几何模型；步骤102、创建任意曲面变形控制体：在母型船几何模型外设置不同的任意曲面变形控制体；步骤103、插入控制面：对已建立好的控制体插入控制面来控制待修改区域的几何形状；步骤104、设置控制参数：对建立的控制体设定控制参数，所述控制参数包括控制点的位置和移动的方向；步骤105、冻结控制体；步骤106、几何变形：修改控制点的移动距离和方向，控制体的形状发生变化，进而改变母型船的形状，获得新的船型。进一步地，所述步骤2采用雷诺平均-流体体积函数方法计算样本船型集合中每一个样本船型的设计目标值依次包括以下步骤：步骤201、首先根据样本船型构建数值计算域，然后采用重叠网格方法对计算域划分网格，进行网格质量检查，获得计算流体动力学数学模型；步骤202、选择数值求解方法，采用连续方程和雷诺平均方程作为整个流场的控制方程，采用标准κ-ε湍流方程封闭雷诺平均方程，采用流体体积函数方法捕捉水和空气的交界面，采用压力耦合方程组的半隐式方法求解压力耦合方程；步骤203、建立数值波浪水池，入口方式采用速度入口方法建立波浪入口，出口添加阻尼项来消除波浪；步骤204、设置动网格，选择6自由度求解器，设置船舶质量、惯性矩和随船坐标系，其中随船坐标系原点在船体重心位置。步骤205、初始化设置，包括数值波浪水池的边界情况；步骤206、迭代计算，直到达到最大迭代次数。进一步地，所述步骤3用步骤2中的样本数据对深度信念网络算法进行训练，并通过训练获得的水动力评估模型包括以下步骤，步骤301：对深度信念网络的受限玻尔兹曼机模型进行训练，依次包括步骤：S301a、将样本数据集中所有样本数据输入到深度信念网络模型中；S301b、初始化受限玻尔兹曼机模型的参数θ＝(ai,bj,wij)，并对显层状态进行预处理为v1＝x0；其中，vi为显层单元i的偏置量，v1表示i＝1；S301c、通过显层状态矩阵v1，正向传播采用公式求出隐含层单元h1；其中，hj为隐含层单元j的偏置量，h1表示j＝1；wij为显层单元i和隐含层单元j之间的连接权值；bj为隐含层单元j的偏差；n表示显层单元的个数；S301d、通过步骤S301c中计算得到的h1，反向传播采用公式求出显层各单元v2；其中ai为显层单元i的偏差；m分别表示隐含层单元的个数；S301e、通过步骤S301d中计算得到的显层v2，采用公式求出隐含层各单元h2；S301f、根据公式更新受限玻尔兹曼机模型的参数，ε为学习速率；<～>data表示原始数据；<～>recon表示模型训练后的期望值；S301g、重复步骤S301c到步骤S301f直至算法达到最大迭代次数；步骤302：对深度信念网络模型进行训练，其中包括：预训练步骤和微调步骤，预训练步骤依次包括以下步骤：S302a、将深度信念网络模型分成Φ-1个受限玻尔兹曼机模型(RBM)。S302b、将样本数据SS作为DBN算法的输入数据，且输入数据作为第一层RBM模型的显层，然后和第一层RBM模型的隐含层组成一个RBM层，然后对其进行训练，求出对应的权值和偏置量。S302c、固定权值和偏置量，然后对第二层RBM模型进行训练。S302d、以此类推，完成所有RBM模型的训练。进一步地，所述微调步骤包括是预训练后的最后一层受限玻尔兹曼机模型的输出目标aj,out作为Elman神经网络的输入向量，误差函数定义为其中，本文档来自技高网...

【技术保护点】
1.一种船舶水动力性能评估方法，其特征在于，依次包括以下步骤：/n步骤1、在进行船舶水动力性能评价时，首先设定母型船，然后以母型船为基础，确定船型修改参数及参数变换范围，再采用拉丁超立方算法在参数变化范围内构建一系列样本点，最后采用任意曲面变形技术修改母型船，获得一系列与样本点一一对应的样本船型，所有样本船型构成样本船型集合；/n步骤2、采用雷诺平均-流体体积函数方法计算样本船型集合中每一个样本船型的设计目标值，设计目标值包括了船舶在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度六个参数，将计算得到的所有样本船型的设计目标值参数的数据进行整合，构成一套完整的样本数据集SS；/n步骤3、建立深度信念网络，用步骤2中的样本数据集SS对深度信念网络算法进行训练，并通过训练获得的水动力评估模型；/n步骤4、完成深度信念网络模型训练之后，采用复相关系数和均方根误差对训练完成的模型进行精确性验证，如满足精确性要求则进入步骤5，否则回到步骤1重新设定样本船型并进行后续步骤2至步骤4；/n步骤5、根据训练完成的深度信念网络模型，计算待预测的新船型在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度六个参数，以评价新船型的水动力性能。/n...

【技术特征摘要】
1.一种船舶水动力性能评估方法，其特征在于，依次包括以下步骤：
步骤1、在进行船舶水动力性能评价时，首先设定母型船，然后以母型船为基础，确定船型修改参数及参数变换范围，再采用拉丁超立方算法在参数变化范围内构建一系列样本点，最后采用任意曲面变形技术修改母型船，获得一系列与样本点一一对应的样本船型，所有样本船型构成样本船型集合；
步骤2、采用雷诺平均-流体体积函数方法计算样本船型集合中每一个样本船型的设计目标值，设计目标值包括了船舶在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度六个参数，将计算得到的所有样本船型的设计目标值参数的数据进行整合，构成一套完整的样本数据集SS；
步骤3、建立深度信念网络，用步骤2中的样本数据集SS对深度信念网络算法进行训练，并通过训练获得的水动力评估模型；
步骤4、完成深度信念网络模型训练之后，采用复相关系数和均方根误差对训练完成的模型进行精确性验证，如满足精确性要求则进入步骤5，否则回到步骤1重新设定样本船型并进行后续步骤2至步骤4；
步骤5、根据训练完成的深度信念网络模型，计算待预测的新船型在波浪中的总阻力、垂向加速度、横向加速度、垂向速度、垂向位移、横摇角度六个参数，以评价新船型的水动力性能。


2.根据权利要求1所述的船舶水动力性能评估方法，其特征在于，所述步骤1以任意曲面变形技术修改母型船依次包括以下步骤：
步骤101、确定母型船几何模型；步骤102、创建任意曲面变形控制体：在母型船几何模型外设置不同的任意曲面变形控制体；步骤103、插入控制面：对已建立好的控制体插入控制面来控制待修改区域的船体几何形状；步骤104、设置控制参数：对建立的控制体设定控制参数，所述控制参数包括控制点的位置和移动的方向；步骤105、冻结控制体；步骤106、几何变形：修改控制点的移动距离和方向，控制体的形状发生变化，进而改变母型船的形状，获得新的船型。


3.根据权利要求1所述的船舶水动力性能评估方法，其特征在于，所述步骤2采用雷诺平均-流体体积函数方法计算样本船型集合中每一个样本船型的设计目标值依次包括以下步骤：
步骤201、首先根据样本船型构建数值计算域，然后采用重叠网格方法对计算域划分网格，进行网格质量检查，获得计算流体动力学数学模型；
步骤202、选择数值求解方法，采用连续方程和雷诺平均方程作为整个流场的控制方程，采用标准κ-ε湍流方程封闭雷诺平均方程，采用流体体积函数方法捕捉水和空气的交界面，采用压力耦合方程组的半隐式方法求解压力耦合方程；
步骤203、建立数值波浪水池，入口方式采用速度入口方法建立波浪入口，出口添加阻尼项来消除波浪；
步骤...

【专利技术属性】
技术研发人员：张盛龙，王佳，冯是全，
申请(专利权)人：常熟理工学院，
类型：发明
国别省市：江苏;32