船舶结构设计中线性波浪载荷的预报方法及系统技术方案

本发明专利技术涉及一种船舶结构设计中线性波浪载荷的预报方法及系统。其包括构建线性波浪载荷预报模型LWLC，其中，在构建线性波浪载荷预报模型LWLC时，利用与船舶结构适配的波浪载荷标准数据集构建基于深度神经网络DNN的载荷预报基准模型WLIP；对构建的载荷预报基准模型WLIP，以模型试验规则波数据集作为目标域，进行线性波浪载荷的知识迁移学习，以在知识迁移学习后得到线性波浪载荷预报模型LWLC；在线性波浪载荷预报时，对船舶的一不规则波工况，利用所述线性波浪载荷预报模型LWLC得到与所述不规则波工况相对应的波浪载荷。本发明专利技术可快速准确地对线性波浪载荷预报，满足船舶设计阶段的需求。的需求。的需求。

【技术实现步骤摘要】
船舶结构设计中线性波浪载荷的预报方法及系统


[0001]本专利技术涉及一种预报方法及系统，尤其是一种船舶结构设计中线性波浪载荷的预报方法及系统。

技术介绍

[0002]船舶的波浪载荷是船舶在海洋风浪流环境下的受载，包括作用于船舶的多种类型的外部力以及船舶内部因受到外力而在内部产生的总体上或局部的动态应力。船舶承载波浪载荷的能力波浪载荷是评估船舶船体结构安全性的重要因素之一，也影响着船舶的航行速度等性能，则波浪载荷的计算在船舶的设计阶段以及船舶运营期间的维护阶段都发挥着重要作用。
[0003]波浪载荷为船舶在海浪中结构受到的力及力矩，分为低频与高频部分，分为低频与高频部分，其中，低频部分为规则波频率下船体结构受到的线性波浪载荷。高频部分为船舶在波浪中受到的抨击、波激颤振、甲板上浪等非线性波浪载荷。船舶线性波浪载荷对于船舶设计阶段中的船舶结构强度评估非常重要，如今波浪载荷理论发展越趋成熟，如较为成熟的各种线性波浪载荷理论计算最终也是与模型试验对比来验证其准确性，且线性成分理论值与试验值存在一定的误差。
[0004]因此，如何快速有效实现线性波浪载荷的预报，是目前船舶设计中急需解决的技术难题。

技术实现思路

[0005]本专利技术的目的是克服现有技术中存在的不足，提供一种船舶结构设计中线性波浪载荷的预报方法及系统，其可快速准确地对线性波浪载荷预报，满足船舶设计阶段的需求。
[0006]按照本专利技术提供的技术方案，一种船舶结构设计中线性波浪载荷的预报方法，所述预报方法包括：
[0007]构建用于对线性波浪载荷预报的线性波浪载荷预报模型LWLC，其中，
[0008]在构建线性波浪载荷预报模型LWLC时，利用与船舶结构适配的波浪载荷标准数据集构建基于深度神经网络DNN的载荷预报基准模型WLIP；
[0009]对构建的载荷预报基准模型WLIP，以模型试验规则波数据集作为目标域，进行线性波浪载荷的知识迁移学习，以在知识迁移学习后得到线性波浪载荷预报模型LWLC；
[0010]在线性波浪载荷预报时，对船舶的一不规则波工况，利用所述线性波浪载荷预报模型LWLC得到与所述不规则波工况相对应的波浪载荷，其中，
[0011]对船舶的不规则波工况，包括船舶的航速、波高、周期、航向角以及剖面位置；
[0012]对与不规则波工况相对应的波浪载荷，包括垂向弯矩、水平弯矩以及扭矩。
[0013]对与船舶结构适配的波浪载荷标准数据集，生成所述波浪载荷标准数据集的方法包括：
[0014]对船舶结构，利用优化拉丁超立方和切片理论生成波浪载荷样本基本数据集；
[0015]对波浪载荷样本基本数据集进行均值归一化，以得到适于神经元之间传递的波浪载荷标准数据集。
[0016]利用优化拉丁超立方和切片理论生成波浪载荷样本基本数据集时，则有：
[0017][0018]其中，D为波浪载荷样本基本数据集，{x1,x2,x3,x4,x5}分别为航速、周期、波高、航向角和剖面位置，{y1,y2,y3}分别为垂向弯矩、水平弯矩和扭矩；X
(1800)
为经5次迭代后样本数为1800的拉丁超立方试验样本工况；X
low
为试验工况的下边界值，X
up
为试验工况的上边界值；为基于切片理论计算得到拉丁超立方试验样本工况下的线性波浪载荷。
[0019]对波浪载荷样本基本数据集进行均值归一化时，则有：
[0020][0021]其中：为航速、周期、波高、航向角、剖面位置、垂向弯矩、水平弯矩和扭矩相对应的均值，D
s
为航速、周期、波高、航向角、剖面位置、垂向弯矩、水平弯矩和扭矩相对应的方差。
[0022]对构建的载荷预报基准模型WLIP，则有：
[0023][0024]其中，R
D
(X
(i)
，θ
WLIP
)为载荷预报基准模型WLIP的损失函数；N为波浪载荷数据库大小；θ
WLIP
为载荷预报基准模型WLIP内神经元之间训练的权重w
ij
和偏置b
j
的集合；f(X
(i)
；θ
WLIP
)为载荷预报基准模型WLIP输出层的输出函数，为波浪载荷标准数据集内第i个标准数据输出子集，为载荷预报基准模型WLIP的预测值。
[0025]以模型试验规则波数据集作为目标域，进行线性波浪载荷的知识迁移学习时，包括：
[0026]对由规则波模型试验得到的试验数据，基于Jonswap海浪谱确定对应的载荷短期预报值，以利用所确定的载荷短期预报值构建得到模型试验规则波数据集，其中，
[0027]对载荷短期预报值，则有：
[0028][0029]其中，Y
exp
为载荷短期预报值，为Jonswap海浪谱的海浪谱密度，G(w,V,β+θ)为单位规则波试验下波浪载荷响应幅值，ω是波浪圆频率，V是航速，θ是组合波与主浪向的夹角，H是有义波高，T是波浪的特征周期，β为航向角。
[0030]基于知识迁移学习得到线性波浪载荷预报模型LWLC时，包括：
[0031]在构建的载荷预报基准模型WLIP添加两层神经元，利用模型试验规则波数据集作为目标域对所添加的两层神经元进行训练，且在训练时，利用自动调整调参方法调节所添加两层神经元的参数，直至达到目标训练状态，以得到线性波浪载荷预报模型LWLC。
[0032]线性波浪载荷预报模型LWLC，则有：
[0033][0034]其中，R
D
(X,θ
WLIP
；θ
add
)为线性波浪载荷预报模型LWLC的损失函数；θ
add
为增加两层神经元之间的权重和偏置；M为模型规则波数据集的大小；f(X
(i)
；θ
WLIP
；θ
add
)为线性波浪载荷预报模型LWLC输出层的输出函数，为波浪载荷标准数据集内第i个标准数据输出子集，为载荷预报基准模型WLIP的预测值。
[0035]对自动调整调参方法，则有：
[0036][0037]其中：x为设计变量，af为激活函数，bs为批量输入样本数，lr初始学习率，nh神经网络隐含层数，minf(x)为目标函数，测试集预测值与试验值的均方根误差；s.t.为优化约束条件；
[0038]参数调整时，实时计算目标函数minf(x)，将所计算的目标函数minf(x)进行判断，所述判断的条件为：达到最大迭代次数max_evals，或者目标函数不再下降且达到提前结束条件early_stop_fn；满足判断条件时，即实现参数自动调整；
[0039]对目标函数minf(x)，n为波浪载荷样本库内测试集的个数，为样本库测试集内第i个工况预测值，为样本库测试集第i个工况的数据值。
[0040]一种船舶结构设计中线性波浪载荷的预报系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种船舶结构设计中线性波浪载荷的预报方法，其特征是，所述预报方法包括：构建用于对线性波浪载荷预报的线性波浪载荷预报模型LWLC，其中，在构建线性波浪载荷预报模型LWLC时，利用与船舶结构适配的波浪载荷标准数据集构建基于深度神经网络DNN的载荷预报基准模型WLIP；对构建的载荷预报基准模型WLIP，以模型试验规则波数据集作为目标域，进行线性波浪载荷的知识迁移学习，以在知识迁移学习后得到线性波浪载荷预报模型LWLC；在线性波浪载荷预报时，对船舶的一不规则波工况，利用所述线性波浪载荷预报模型LWLC得到与所述不规则波工况相对应的波浪载荷，其中，对船舶的不规则波工况，包括船舶的航速、波高、周期、航向角以及剖面位置；对与不规则波工况相对应的波浪载荷，包括垂向弯矩、水平弯矩以及扭矩。2.根据权利要求1所述船舶结构设计中线性波浪载荷的预报方法，其特征是，对与船舶结构适配的波浪载荷标准数据集，生成所述波浪载荷标准数据集的方法包括：对船舶结构，利用优化拉丁超立方和切片理论生成波浪载荷样本基本数据集；对波浪载荷样本基本数据集进行均值归一化，以得到适于神经元之间传递的波浪载荷标准数据集。3.根据权利要求2所述船舶结构设计中线性波浪载荷的预报方法，其特征是，利用优化拉丁超立方和切片理论生成波浪载荷样本基本数据集时，则有：其中，D为波浪载荷样本基本数据集，{x1,x2,x3,x4,x5}分别为航速、周期、波高、航向角和剖面位置，{y1,y2,y3}分别为垂向弯矩、水平弯矩和扭矩；X
(1800)
为经5次迭代后样本数为1800的拉丁超立方试验样本工况；X
low
为试验工况的下边界值，X
up
为试验工况的上边界值；为基于切片理论计算得到拉丁超立方试验样本工况下的线性波浪载荷。4.根据权利要求3所述船舶结构设计中线性波浪载荷的预报方法，其特征是，对波浪载荷样本基本数据集进行均值归一化时，则有：其中：为航速、周期、波高、航向角、剖面位置、垂向弯矩、水平弯矩和扭矩相对应的均值，D
s
为航速、周期、波高、航向角、剖面位置、垂向弯矩、水平弯矩和扭矩相对应的方差。5.根据权利要求3所述船舶结构设计中线性波浪载荷的预报方法，其特征是，对构建的载荷预报基准模型WLIP，则有：其中，R
D
(X
(i)
，θ
WLIP
)为载荷预报基准模型WLIP的损失函数；N为波浪载荷数据库大小；
θ
WLIP
为载荷预报基准模型WLIP内神经元之间训练的权重w
ij
和偏置b
j
的集合；f(X
(i)
；θ
WLIP
)为载荷预报基准模型WLIP输出层的输出函数，为波浪载荷标准数据集内第i个标准数据...

【专利技术属性】
技术研发人员：陈帅，蒋彩霞，王子渊，张凡，李政杰，赵南，孔伟振，金星瑜，朱云龙，
申请(专利权)人：中国船舶科学研究中心，
类型：发明
国别省市：