【技术实现步骤摘要】
本专利技术属于螺旋桨性能推算，尤其涉及一种螺旋桨水动力性能快速预报方法及系统。
技术介绍
1、螺旋桨作为应用最广泛使用的推进器，在其效率、振动、噪声、形变等性能有着诸多研究，而螺旋桨的敞水性能，特别是螺旋桨的敞水系数是最基础也是最为关注的部分。目前，随着人工智能技术的快速发展，运用深度学习手段解决螺旋桨敞水性能的预报成为了一种新的方法和可能。
2、螺旋桨作为现代船舶主要的推进的方式，对其开展研究十分有必要，其中螺旋桨的敞水性能直接影响船舶整体的推进效率，所以如何准确、及时、快速地预报螺旋桨的敞水性能就具有十分重要的研究意义。传统的螺旋桨敞水性能的获取是在螺旋桨设计之后，制作相应模型进行敞水实验，实验方法具有实验结果准确、最为贴近真实情况等优点，但是过程十分繁琐，耗时长，无法满足及时快速获得螺旋桨敞水性能的要求。
技术实现思路
1、本专利技术的目的在于提供一种螺旋桨水动力性能快速预报方法，旨在解决
技术介绍
中确定的现有技术存在的技术问题。
2、本专利技术是这样实现的，一种螺旋桨水动力性能快速预报方法，所述方法包括：
3、获取螺旋桨敞水系数样本数据集，并将螺旋桨敞水系数样本数据集随机划分为螺旋桨敞水系数训练集与螺旋桨敞水系数验证集；
4、初始化传统鲸鱼优化算法，并运用tent混沌映射、非均匀非线性混沌收敛因子和非惯性权重对于传统鲸鱼优化算法进行改进，得到改进鲸鱼优化神经网络；
5、构建基于改进鲸鱼优化神经网络的螺旋桨敞水性能bp
6、基于所述螺旋桨敞水系数训练集对基于改进鲸鱼优化神经网络的螺旋桨敞水性能bp神经网络预报模型进行训练，并基于螺旋桨敞水系数验证集对训练后的基于改进鲸鱼优化神经网络的螺旋桨敞水性能bp神经网络预报模型的预测准确性进行评估。
7、作为本专利技术更进一步的方案，所述获取螺旋桨敞水系数样本数据集，并将螺旋桨敞水系数样本数据集随机划分为螺旋桨敞水系数训练集与螺旋桨敞水系数验证集，具体包括：
8、通过au系列螺旋桨敞水性能回归经验公式分别计算240个推力系数kt和扭矩系数kq作为原始数据进行训练和测试，计算公式为：
9、
10、
11、其中aijk和bijk为回归系数，具体数值根据桨叶数进行调整；
12、将螺旋桨敞水系数样本数据集随机划分为螺旋桨敞水系数训练集与螺旋桨敞水系数验证集，随机选择208个数据作为螺旋桨敞水系数训练集，剩下32个数据作为螺旋桨敞水系数验证集。
13、作为本专利技术更进一步的方案，所述初始化传统鲸鱼优化算法，并运用tent混沌映射、非均匀非线性混沌收敛因子和非惯性权重对于传统鲸鱼优化算法进行改进，具体包括：
14、采用tent混沌映射来改进初始种群，其步骤为：
15、s1、确定参数α的数值；
16、s2、令xo＝xo(n)，n＝1，2，...，x；
17、s3、令x(1)＝xo，x(n+1)由式进行更新，其中，α∈(0，1)，且α≠0.5，初值xo和参数α不相等；
18、s4、保存x的值进入改进鲸鱼算法主循环；
19、引入用于均衡全局搜索和局部搜索的惯性权重ω，则惯性权重ω的更新公式为：
20、
21、式中，ωmin和ωmax为惯性权重的最大值和最小值，改进后，位置更新公式则变为：
22、当|a|＜＜1时，即在收缩包围时，
23、当|a|>1时，即在随机搜索时，x(t+1)＝ω(t)*xrand-a**d。
24、作为本专利技术更进一步的方案，所述构建基于改进鲸鱼优化神经网络的螺旋桨敞水性能bp神经网络预报模型，具体包括：
25、对所述螺旋桨敞水系数训练集与螺旋桨敞水系数验证集数据进行数据归一化预处理，获取归一化后的螺旋桨几何特征参数数据的二维张量、螺旋桨的计算工况参数数据的一维张量以及螺旋桨水动力性能数据的一维张量；
26、定义所述归一化后的螺旋桨几何特征参数数据的二维张量与螺旋桨的计算工况参数数据的一维张量作为螺旋桨水动力性能卷积神经网络预报模型的输入变量；定义所述归一化后的螺旋桨水动力性能数据的一维张量作为螺旋桨水动力性能卷积神经网络预报模型的输出变量；
27、确定螺旋桨敞水性能bp神经网络预报模型的网络结构，根据实际工程实践与实验，选择叶数z、螺距比(p/d)、进速系数(j)和盘面比(ae/ao)，作为bp神经网络的输入层的输入数据，而输出层则选择最能表征螺旋桨敞水性能的推力系数kt和10倍扭矩系数10kq。
28、初始化bp神经网络权值和阈值，并将bp神经网络中误差作为适应度值进行改进鲸鱼优化bp神经网络训练。
29、作为本专利技术更进一步的方案，所述对螺旋桨敞水性能bp神经网络预报模型进行训练，并对训练后的螺旋桨敞水性能bp神经网络预报模型的预测准确性进行评估，具体包括：
30、初始化传统鲸鱼优化算法，具体步骤为：
31、s1、在算法开始时，为每个鲸鱼设定一个初始位置，并生成初始种群，种群位置的计算公式为：xi＝lb+rand×(lu-lb)；
32、其中，xi为物体i的种群位置，rand为0-1范围内的任意数，lu和lb为整个搜索区域的上界与下界；
33、s2、控制每个鲸鱼按照规则进行空间探索，模拟鲸鱼包围、追捕和攻击猎物过程；
34、在定义了目标猎物位置后，其他鲸鱼将进行尝试包围到目标猎物的位置，位置的迭代公式为：x(t+1)＝x*(t)-a*d；
35、式中，x为当前求解位置，x*为当前最优解的位置，t为当前迭代次数，tmax为最大迭代次数，a和c为自定义系数，a在迭代过程中，线性逐渐从2减下到0，且与参数的关系公式为：
36、a＝2*a*rand-a；
37、d＝|c*x*(t)-x(t)|；
38、c＝2*rand；
39、
40、s3、当鲸鱼移动的时候，会对当前的鲸鱼种群计算适应度值，若当前的适应度值优于之前的适应度值，则将当前适应度值设为最优解；
41、s4、当所有的鲸鱼都完成了移动和评估后，算法更新所有鲸鱼的位置，并重复以上步骤；
42、s5、鲸鱼优化算法进行多次迭代，直至找到最优解；
43、根据所得最优解获取最优权值、阈值，进行误差计算，根据所计算误差进行权值、阈值的更新，若满足误差结束条件则输出仿真预测结果，若不满足误差结束条件，则继续进行权值、阈值的更新以满足误差结束条件；
44、基于所述螺旋桨验证集对模型预测准确性进行评估，并与传统bp神经网络进行对比，模型准确性评估采用相对误差进行评估，具体公式如下：
45、
46、本专利技术的另一目的在于提供一种螺旋桨水动力性能快速预报系统，基于改进鲸鱼优化神经网络的螺本文档来自技高网...
【技术保护点】
1.一种螺旋桨水动力性能快速预报方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取螺旋桨敞水系数样本数据集，并将螺旋桨敞水系数样本数据集随机划分为螺旋桨敞水系数训练集与螺旋桨敞水系数验证集，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述初始化传统鲸鱼优化算法，并运用Tent混沌映射、非均匀非线性混沌收敛因子和非惯性权重对于传统鲸鱼优化算法进行改进，具体包括：
4.根据权利要求3所述的方法，其特征在于，所述构建基于改进鲸鱼优化神经网络的螺旋桨敞水性能BP神经网络预报模型，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述对螺旋桨敞水性能BP神经网络预报模型进行训练，并对训练后的螺旋桨敞水性能BP神经网络预报模型的预测准确性进行评估，具体包括：
6.一种螺旋桨水动力性能快速预报系统，其特征在于：
【技术特征摘要】
1.一种螺旋桨水动力性能快速预报方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述获取螺旋桨敞水系数样本数据集，并将螺旋桨敞水系数样本数据集随机划分为螺旋桨敞水系数训练集与螺旋桨敞水系数验证集，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述初始化传统鲸鱼优化算法，并运用tent混沌映射、非均匀非线性混沌收敛因子和非惯性权重对于传统鲸鱼优化算...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。