卷积-循环复合神经网络的船舶单破口浸水时间预测方法技术

本发明专利技术涉及卷积

【技术实现步骤摘要】
卷积
‑
循环复合神经网络的船舶单破口浸水时间预测方法


[0001]本专利技术涉及船舶浸水时间预测
，特别是涉及卷积
‑
循环复合神经网络的船舶单破口浸水时间预测方法。

技术介绍

[0002]船舶在海上航行，威胁最为严重的就是破损浸水，传统解决方法由于信息更新和传递不及时，往往容易导致人员生命安全受到威胁，甚至整船倾覆造成巨大的经济和人员损失。海上航行的船舶遭遇浸水事件时，较为传统的做法是通过船上布置各种传感器获取浸水信息，从而预测浸水过程和最终船舶状态。毋庸置疑，传统方法中使用传感器获得数据有助于计算紧急情况下的船舶浸水时间。但是，这些数据往往需要船载稳性计算机经过大量的流体力学公式计算，不仅耗时长，而且对浸水中后期的浸水细节把握不准。浸水在经过多个舱室以后，传统方法对于浸水发展的预测就会失真，导致指挥人员失去对浸水过程的掌握。
[0003]在大型客船中，往往具有上千人的游客和船员，此时客船是一个复杂且庞大的综合系统。一旦发生浸水事故，快速高效的调动全船人员疏散或者逃生仍旧及其耗费时间。基于浸水事故的紧急性和迫切性，浸水期间快速决策能力的重要性被研究人员所强调。浸水事故发生之后，指挥人员需要尽快掌握浸水过程，了解浸水走向和船舶最终状态。快速正确预测破损舱室浸水时间对于指挥员进行人员疏散、制定船舶抗沉方案甚至对决定最终是否需要弃船等都有非常大的帮助。
[0004]传统的船舶浸水预测方法分为两大类：实验方法和计算流体力学法，这两种方法都可以用于船舶舱室浸水时间的预测。实验方法是将船舶模型按照一定比例缩小，在静水或波浪环境中对拖曳池中的船舶模型进行浸水实验。实验过程由多个传感器跟踪和记录，传感器获得的数据用于研究受损船舶的渐进浸水过程、船舶运动预测及流体动力学现象分析。实验方法虽然对浸水预测较为精确，但是其成本较高，占用场地大，这两个缺点限制了实验方法的发展，目前绝大多数船舶实验是为了获取数据从而进行验证。计算流体力学法比较典型的是CFD工具包，CFD方法可以准确预测船舶受损后的运动，舱内的水动力现象也可以被完整捕捉到。然而，CFD方法良好预测效果的代价是长时间的迭代计算，有时还需要精细网格划分。由于时域方法的引入和各种渐进式浸水程序的发展，使得船舶浸水后评估浸水时间和决策成为可能。Gao等人提出了一种结合流体体积(VOF)法和动态网格划分技术的纳维—斯托克斯(N
‑
S)求解器来模拟方形舱室的浸水过程，结果与实验数据吻合较好。
[0005]随着计算机性能的爆炸式进步，深度学习技术飞速发展，自从卷积神经网络问世以来，其强大的空间信息获取能力得到了验证。在过去的几年中，卷积神经网络已经开发出不同的框架，残差神经网络最具代表性。船舶浸水会随着时间发展体现出良好的规律，包括船体运动，浸水发展等方面。基于破舱浸水发展的时域性质，船舶浸水的时间预测可以很好地与循环神经网络相结合。此外，大型客船通常会在重要位置(机舱)安装监控设备，对船舱进行观察。当船舶出现破损浸水时，摄像设备可以实时记录舱室浸水的视频。将这些视频处
理成图像，浸水变化所包含的信息也会随之被固定下来，这使得通过卷积神经网络获取浸水空间信息成为可能。将神经网络和船舶浸水预测相结合已经初步实现，将机器学习和传感器获取的数据相结合，使用机器学习方法来预测船舶浸水后的船体姿态、浸水水位高度等关键信息。

技术实现思路

[0006]本专利技术的目的是提供了卷积
‑
循环复合神经网络的船舶单破口浸水时间预测方法，旨在提高浸水事故发生后指挥者对浸水区域的掌握程度，方便指挥人员进行抗沉决策及人员疏散。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]卷积
‑
循环复合神经网络的船舶单破口浸水时间预测方法，包括：
[0009]获取船舶单破口的浸水数据集，对所述浸水数据集进行处理；
[0010]构建复合神经网络，所述复合神经网络包括：轻量级残差网络ResNet18和长短期记忆模型LSTM；
[0011]基于所述浸水数据集训练所述复合神经网络，通过训练后的所述复合神经网络，预测所述船舶单破口的浸水时间。
[0012]可选地，获取所述船舶单破口的浸水数据集包括：
[0013]设定船舶类型和缩尺比，选择水线以及下一层甲板，划分水密舱壁分隔的舱室，对所述水线以下的舱壁面积进行测绘，基于所述缩尺比，选择破口大小和对应的实船尺寸，获取若干个浸水口；
[0014]每个所述浸水口选择不同的天气条件进行破舱浸水实验，记录破损舱室的浸水过程、整个浸水过程以及浸水时间。
[0015]可选地，对所述水线以下的舱壁面积进行测绘包括：
[0016]对所述水线以下的舱壁面积进行区域划分，将区域划分后的舱壁面积划分为若干小区域，并进行标记。
[0017]可选地，对所述浸水数据集进行处理包括：
[0018]对记录破损舱室的浸水过程、整个浸水过程进行逐帧处理，获取浸水图片，将所述浸水图片划分为训练集和验证集，所述训练集和所述验证集中的照片按照时间顺序进行重组，并将所述浸水时间作为所述长短期记忆模型LSTM的时间标签。
[0019]可选地，基于所述浸水数据集训练所述复合神经网络包括：
[0020]将重组后的所述训练集输入所述轻量级残差网络ResNet18，提取浸水图片的空间特征，并转化为一维向量，将所述一维向量输入长短期记忆模型LSTM，对所述浸水过程的时间建模，输出目标舱室的浸水时间预测，并通过所述验证集的图片加载，对所述复合神经网络的时间预测效果进行验证，获取训练后的所述复合神经网络。
[0021]可选地，所述复合神经网络的损失函数为：
[0022]LS＝L1(q,p)+L2(q,p)+L3(q,p)+L4(q,p)
[0023]其中，L1(q,p)为第一舱室的损失函数，L2(q,p)为第二舱室的损失函数，L3(q,p)为第三舱室的损失函数，L4(q,p)为第四舱室的损失函数，p为神经网络给出的预测值，q为浸水实验给出的真实值。
[0024]可选地，所述复合神经网络包括：构建所述长短期记忆模型LSTM；
[0025]构建所述长短期记忆模型LSTM的方法为：
[0026][0027]其中，i为输入门，o为输出门，f为遗忘门，h
t
‑1为t
‑
1秒时神经网络的隐藏状态，x
t
为当前时刻LSTM的输入，W为权重矩阵，g为当前时刻的输入通过输入门i之后得到的门控状态，tanh为双曲正切函数，σ为激活函数；
[0028]所述激活函数的表达式为：
[0029]σ(x)＝e
x
/(e
x
+1)
[0030]其中,e为自然底数；
[0031]当前时刻的隐藏状态和细胞状态由下面方程确定：
[0032]C
t
＝f
·...

【技术保护点】

【技术特征摘要】
1.卷积
‑
循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，包括：获取船舶单破口的浸水数据集，对所述浸水数据集进行处理；构建复合神经网络，所述复合神经网络包括：轻量级残差网络ResNet18和长短期记忆模型LSTM；基于所述浸水数据集训练所述复合神经网络，通过训练后的所述复合神经网络，预测所述船舶单破口的浸水时间。2.根据权利要求1所述的卷积
‑
循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，获取所述船舶单破口的浸水数据集包括：设定船舶类型和缩尺比，选择水线以及下一层甲板，划分水密舱壁分隔的舱室，对所述水线以下的舱壁面积进行测绘，基于所述缩尺比，选择破口大小和对应的实船尺寸，获取若干个浸水口；每个所述浸水口选择不同的天气条件进行破舱浸水实验，记录破损舱室的浸水过程、整个浸水过程以及浸水时间。3.根据权利要求2所述的卷积
‑
循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，对所述水线以下的舱壁面积进行测绘包括：对所述水线以下的舱壁面积进行区域划分，将区域划分后的舱壁面积划分为若干小区域，并进行标记。4.根据权利要求2所述的卷积
‑
循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，对所述浸水数据集进行处理包括：对记录破损舱室的浸水过程、整个浸水过程进行逐帧处理，获取浸水图片，将所述浸水图片划分为训练集和验证集，所述训练集和所述验证集中的照片按照时间顺序进行重组，并将所述浸水时间作为所述长短期记忆模型LSTM的时间标签。5.根据权利要求4所述的卷积
‑
循环复合神经网络的船舶单破口浸水时间预测方法，其特征在于，基于所述浸水数据集训练所述复合神经网络包括：将重组后的所述训练集输入所述轻量级残差网络ResNet18，提取浸水图片的空间特征，并转化为一维向量，将所述一维向量输入长短期记忆模型LSTM，对所述浸水过程的时间建模，输出目标舱室的浸水时间预测，并通过所述验证集的图片加载，对所述复合神经网络的时间预测效果进行验证，获取训练后的所述复合神经网络。6.根据权利要求1所述的...

【专利技术属性】
技术研发人员：杨东梅，李泽，王兴梅，董宇欣，张越，张万松，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：