【技術實現步驟摘要】
本專利技術屬于船舶性能智能預報，尤其涉及一種基于物理信息神經網絡的船舶阻力預報方法及系統。
技術介紹
1、數字化轉型是未來產業發展的必由之路，數字孿生技術作為推動產業轉型和發展的重要抓手，已形成了普遍適應的理論技術體系，并在船舶行業中有了較為深入的應用，在此前提下，為了滿足我國船舶領域自主工業軟件未來智能化發展需求，需要在高效智能預報方面做好理論研究工作。
2、設計具有良好阻力性能的船舶可以有效的提高運輸效率，降低經濟成本，保護海洋環境，因此準確預報船舶阻力是船舶設計和水動力性能研究的重要內容。船舶阻力的傳統預報方法主要分為三大類：理論研究法、模型試驗法和數值模擬法。理論研究法是在船舶設計的初始階段，由于主尺度，船體型線等計算阻力性能的相關資料并不完善，只能通過總結和分析大量船模試驗和實船試驗，然后應用經驗公式和流體力學的基礎知識對船舶阻力進行近似的估算。模型試驗一般是在簡化后的典型工況下進行的，無法完全模擬實際航行中的復雜海況，試驗過程中由于尺度效應、阻塞效應和測量精度等原因也會產生一定誤差。數值模擬法是通過計算機來模擬船體周圍粘性流場，能夠詳細展示船體周圍流場的信息并對船舶的水動力性能進行預報，然而對不同船型或流域往往存在著較大的計算誤差與較長的計算時間，因而需要對不同船舶在不同航速或不同流域下進行重新估算。
3、在船舶快速性的傳統求解預報中，難以在速度與精度上同時達到較好的效果，無法滿足實時高效的計算需求，近年來，機器學習在船舶方面的應用越來越廣泛，通過大量的船舶模型試驗數據來訓練神經網絡，這種以實
4、通過上述分析，現有技術存在的問題及缺陷為：現有技術在船舶阻力的傳統預報中對不同流域耗時較長，而且僅以實際數據為基礎的人工智能方法缺少物理含義、泛化能力差，對船舶阻力進行實時求解預報精度低。
技術實現思路
1、為克服相關技術中存在的問題，本專利技術公開實施例提供了一種基于物理信息神經網絡的船舶阻力預報方法及系統。本專利技術用于對某一船舶航行阻力的預報工作。
2、所述技術方案如下：基于物理信息神經網絡的船舶阻力預報方法，該方法包括：
3、s1，對船舶在靜水中的直航運動進行數值模擬，獲取直航運動時流域的壓力、速度場、船舶阻力信息；其中，為方向的速度場，為方向的速度場，為方向的速度場；
4、s2，通過梳理所獲取數據構建形成總數據集，建立訓練集、測試集和驗證集；
5、s3，確定pinn神經網絡模型的層數以及每一層的神經元個數，初始化pinn神經網絡模型的權重和偏重；進行船舶阻力預報的pinn神經網絡模型損失函數設計，在損失函數中加入控制方程作為物理約束，控制方程包括納維斯托克斯方程和船舶阻力公式；選擇全連接神經網絡作為算法的基本模型，選用激活函數并設計多重智能優化器，建立融合物理知識的pinn神經網絡模型；
6、s4，將訓練集的數據代入所述融合物理知識的pinn神經網絡模型中進行訓練，得到基于物理信息的神經網絡模型；
7、s5，基于獲得的壓力場與速度場，將速度場作為輸入特征，船舶阻力作為輸出特征，設置參數控制隨機森林的預測過程；并從獲取的訓練集中隨機抽樣形成多個子訓練集，每棵決策樹均基于隨機選擇的樣本子集進行訓練；對于每個子訓練集生成的決策樹，通過投票的方式進行集成，生成隨機森林模型，取所有的決策樹預測結果的平均值作為最終的輸出結果；
8、s6，將訓練集的數據代入所述隨機森林模型中進行訓練，利用驗證集數據對隨機森林模型進行精度驗證，采用均方誤差來評估隨機森林模型的準確性，并根據評估結果調整參數以獲得均方誤差在小于5%的范圍內；
9、s7，利用隨機森林模型對基于物理信息的神經網絡模型進行雙向驗證，形成船舶阻力預報的網絡模型。
10、在步驟s1中，對船舶在靜水中的直航運動進行數值模擬，包括：通過cfd軟件starccm+和利用有限體積法進行數值模擬，先將求解流體區域進行體積化控制離散，以計算網格單元的形式求解每一個控制體積積分，并對網格計算節點進行物理量插值進而獲得整個計算區域的值；通過試驗對船舶直航進行模擬，提供目標船舶模型，對目標船舶模型進行網格劃分、流域設置；將船舶放入達到設定相對速度下的流域內并穩定，監測船舶周圍的速度場、壓力場值，將船體阻力定義為在靜水中以恒定速度拖曳船舶所需的力，創建阻力性能隨時間變化的監測圖像，獲取船舶阻力值。
11、在步驟s3中，建立融合物理知識的pinn神經網絡模型，包括：
12、（1）在pinn神經網絡模型中，基于tensorflow深度學習框架，利用python編程語言在pycharm平臺上構建全連接神經網絡框架，通過納維爾斯托克斯方程構造控制方程以求解流域信息，增進pinn神經網絡模型結果在物理層面的解釋性；
13、（2）在pinn神經網絡模型中，輸入值為船舶遠后方控制面上的速度和船速，輸出值為船舶航行阻力，基于船舶阻力方程將用于進行物理約束的損失函數定義；所述損失函數包括：控制方程損失和網絡預測損失，控制方程損失用于約束pinn框架，滿足納維爾斯托克斯方程和船舶阻力方程；網絡預測損失為網絡輸出值與真實值之間的均方誤差，用于約束pinn神經網絡模型權值更新。
14、在步驟（1）中，當時，為流體粘性系數，為常數；粘性可壓縮牛頓流體的運動微分方程為納維爾斯托克斯方程，矢量形式如下：
15、；
16、式中，為流體速度，為外力項，為流體密度，為梯度算符，為拉普拉斯算符；
17、在直角坐標系中，標量形式為：
18、；
19、；
20、；
21、式中，分別為三個方向的外力項，為時空坐標，為粘性系數；
22、對于不可壓縮流體，有，基于化簡后的納維爾斯托克斯方程用于進行物理約束的損失函數定義，如下：
23、；
24、；
25、；
26、式中，均為損失函數項；
27、輸入量為時空坐標以及船速，輸出當前時空下的流場速度以及壓力；獲取船舶航行時的流域信息，根據瓊斯尾流測量法的基本原理構建用于獲取船舶航行阻力r的pinn網絡結構。
28、進一步，尾流測量法，包括：
29、（1）船后尾流平面內的動量損失，完全由黏性所致；
30、（2）船體的近后方測量平面與船后兩倍船長處，平面之間無能量損失，即無總壓頭損失；在控制面處，無波浪存在；由步驟（1）知，微面積上本文檔來自技高網...
【技術保護點】
1.一種基于物理信息神經網絡的船舶阻力預報方法，其特征在于，該方法包括：
2.根據權利要求1所述的基于物理信息神經網絡的船舶阻力預報方法，其特征在于，在步驟S1中，對船舶在靜水中的直航運動進行數值模擬，包括：通過CFD軟件STARCCM+和利用有限體積法進行數值模擬，先將求解流體區域進行體積化控制離散，以計算網格單元的形式求解每一個控制體積積分，并對網格計算節點進行物理量插值進而獲得整個計算區域的值；通過試驗對船舶直航進行模擬，提供目標船舶模型，對目標船舶模型進行網格劃分、流域設置；將船舶放入達到設定相對速度下的流域內并穩定，監測船舶周圍的速度場、壓力場值，將船體阻力定義為在靜水中以恒定速度拖曳船舶所需的力，創建阻力性能隨時間變化的監測圖像，獲取船舶阻力值。
3.根據權利要求1所述的基于物理信息神經網絡的船舶阻力預報方法，其特征在于，在步驟S3中，建立融合物理知識的PINN神經網絡模型，包括：
4.根據權利要求3所述的基于物理信息神經網絡的船舶阻力預報方法，其特征在于，在步驟（1）中，當時，為流體粘性系數，為常數；粘性可壓縮牛頓流體的運動微分方
5.根據權利要求4所述的基于物理信息神經網絡的船舶阻力預報方法，其特征在于，尾流測量法，包括：
6.根據權利要求3所述的基于物理信息神經網絡的船舶阻力預報方法，其特征在于，在步驟（2）中，基于船舶阻力方程將用于進行物理約束的損失函數定義如下：
7.根據權利要求3所述的基于物理信息神經網絡的船舶阻力預報方法，其特征在于，在步驟（2）中，控制方程損失通過的控制方程誤差的均方誤差得出，網絡預測損失通過訓練集數據即流域速度、壓力、船舶阻力數據與全連接網絡輸出結果的均方誤差得出，損失函數由下式表示：
8.根據權利要求1所述的基于物理信息神經網絡的船舶阻力預報方法，其特征在于，在步驟S4中，融合物理知識的PINN神經網絡模型的訓練過程為：
9.一種基于物理信息神經網絡的船舶阻力預報系統，其特征在于，該系統實施權利要求1-8任意一項所述基于物理信息神經網絡的船舶阻力預報方法，該系統包括：
10.根據權利要求9所述的基于物理信息神經網絡的船舶阻力預報系統，其特征在于，所述基于物理信息神經網絡的船舶阻力預報系統搭載在計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時可實現上述所述基于物理信息神經網絡的船舶阻力預報系統中的功能。
...【技術特征摘要】
1.一種基于物理信息神經網絡的船舶阻力預報方法，其特征在于，該方法包括：
2.根據權利要求1所述的基于物理信息神經網絡的船舶阻力預報方法，其特征在于，在步驟s1中，對船舶在靜水中的直航運動進行數值模擬，包括：通過cfd軟件starccm+和利用有限體積法進行數值模擬，先將求解流體區域進行體積化控制離散，以計算網格單元的形式求解每一個控制體積積分，并對網格計算節點進行物理量插值進而獲得整個計算區域的值；通過試驗對船舶直航進行模擬，提供目標船舶模型，對目標船舶模型進行網格劃分、流域設置；將船舶放入達到設定相對速度下的流域內并穩定，監測船舶周圍的速度場、壓力場值，將船體阻力定義為在靜水中以恒定速度拖曳船舶所需的力，創建阻力性能隨時間變化的監測圖像，獲取船舶阻力值。
3.根據權利要求1所述的基于物理信息神經網絡的船舶阻力預報方法，其特征在于，在步驟s3中，建立融合物理知識的pinn神經網絡模型，包括：
4.根據權利要求3所述的基于物理信息神經網絡的船舶阻力預報方法，其特征在于，在步驟（1）中，當時，為流體粘性系數，為常數；粘性可壓縮牛頓流體的運動微分方程為納維爾斯托克斯方程，矢量形式如下：
5.根據權利要求4所述的基于物理信息神...
【專利技術屬性】
技術研發人員：韓鳳磊，林琪，周澤宇，彭瀟，趙望源，汪春輝，韓嘉懿，霍文華，岳文博，陳洪亮，吳禹良，蘇亮，余家齊，姜帆，
申請(專利權)人：青島哈爾濱工程大學創新發展中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。