代理模型在船舶阻力预报及优化中的应用
发布时间：2021-10-18 15:31
随着计算机和数据处理等技术的发展,许多学者开展了基于代理模型的船舶水动力性能预报及优化工作。然而,目前的大部分研究是采用船型性能数据集以及抽取设计空间内的大量船型样本点对单一形式的代理模型进行构建,关于模型形式选择和样本点数量对预报效果的影响研究相对匮乏。因此,本文围绕船舶阻力性能,分别以公开的船模试验数据集和通用船型为研究对象,采用代理模型开展船舶阻力性能预报及优化工作。首先,采用系列60船模试验数据样本,对多种常用单一代理模型的预报效果进行分析比较。针对单一模型进行性能预报所存在的问题,提出了一种基于遗传优化算法的组合代理模型构建方式。通过对组合代理模型进行测试,表明了该方法可在保证构建效率和稳定性的前提下提升预报精度。为进一步考察该方法的适用性,以相同测试过程对泰洛系列数据集进行模拟,同样取得了较好的预报效果。其次,以Wigley船型为研究对象,应用自由变形法在参数变化范围内对船体线型进行变化,分别采用常用的Sobol、正交试验和拉丁超立方抽样方式在设计空间中选取不同数量的船型样本,通过SHIPFLOW软件对这些样本进行设计航速下的兴波阻力计算,生成船型性能数据集。通过比较三种抽...
【文章来源】：中国舰船研究院北京市
【文章页数】：109 页
【学位级别】：硕士
【部分图文】：
船舶阻力性能研究方法流程
样本数据分为大小部分，大部分作为训练样本，小部分作为测试样本。K折交叉，即将样本数据随机分为K份，其中K-1份为训练样本，剩余1份为测试样本；当一轮测试完成后，重新随机选择不同的K-1份为训练样本进行模型构建，剩余1份样本进行测试；如此循环若干轮之后，对所建模型进行评估。本文将随机抽取原始数据集的85%作为训练样本，采用4折交叉训练法对模型进行参数调优，利用剩余的15%作为测试样本对调优后的模型进行测试。1.3.2机器学习建模基本过程机器学习建模过程可大致分为数据采集与预处理、模型调优和验证四个步骤，如图1.2所示。图1.2机器学习建模基本过程数据是机器学习的基础，数据的采集方式包括爬虫和访问数据库等，数据的质量和数量对模型的预测效果尤为重要[8]。因此，需对采集的数据进行预处理，检查数据的准确性、完整性和一致性等。本文所采用的船型性能数据是由船模试验和经验证的CFD计算得到，可保证数据的准确可靠。而对基于CFD技术的船舶阻力性能预报及优化问题，首要内容是采用抽样方法在船型改型空间内选取一定数量的船型样本，由于样本点质量主要体现在样本点在设计空间中的分布状况，故本文通过计算抽取样本得到平均欧式距离MED(Mean
代理模型在船舶阻力预报及优化中的应用12果，检验了新方法的有效性和实用性。第七章：总结与展望。对本文完成的工作内容进行总结，为采用代理模型进行船型优化设计的进一步深入研究给出建议。图1.3论文研究总体思路
【参考文献】：
期刊论文
[1]基于人工智能技术的大数据分析方法研究进展[J]. 王万良,张兆娟,高楠,赵燕伟. 计算机集成制造系统. 2019(03)
[2]基于Kriging代理模型的船舶水动力性能多目标快速协同优化[J]. 王刚成,马宁,顾解忡. 上海交通大学学报. 2018(06)
[3]基于SHIPFLOW软件的某集装箱船的阻力计算分析[J]. 田中文,何珍,伍蓉晖,王金明. 广东造船. 2018(01)
[4]大数据技术在船舶主尺度确定中的应用研究[J]. 管官,郑孟添,纪卓尚. 应用科技. 2018(02)
[5]基于近似模型的海上发射船船型优化[J]. 郝浩浩,韩端锋,高良田,白乐巍,赖昱兴. 船舶工程. 2017(07)
[6]基于K近邻算法和支持向量回归组合的短时交通流预测[J]. 刘钊,杜威,闫冬梅,柴干,郭建华. 公路交通科技. 2017(05)
[7]基于SHIPFLOW的KCS船型兴波阻力数值计算[J]. 万超. 中国水运. 2017(05)
[8]基于IPSO-BP神经网络的最小阻力船形优化设计[J]. 侯远杭,刘飞,梁霄. 上海交通大学学报. 2016(08)
[9]基于SHIPFLOW的某大型集装箱船阻力预报与试验验证[J]. 卢雨,胡安康,尹逊滨,田明琦. 中国造船. 2016(02)
[10]基于支持向量机的船舶阻力近似模型[J]. 肖振业,冯佰威,刘祖源,常海超,王峰. 计算机辅助工程. 2015(04)
博士论文
[1]基于SBD技术的船舶水动力构型优化设计研究[D]. 李胜忠.中国舰船研究院 2012
硕士论文
[1]基于CFD的船型参数敏感度分析研究[D]. 陈佳宝.中国舰船研究院 2019
[2]船模自航试验的数值模拟[D]. 朱芳艳.武汉理工大学 2013
[3]基于BP神经网络的三体船布局优化研究[D]. 许小颖.天津大学 2012
[4]基于CFD的船体阻力性能优化[D]. 徐力.上海交通大学 2012
[5]响应面方法在多种实际优化问题中的应用[D]. 马宝胜.北京工业大学 2007
[6]船舶操纵预报的神经网络方法[D]. 唐晓光.武汉理工大学 2002
本文编号：3443044
【文章来源】：中国舰船研究院北京市
【文章页数】：109 页
【学位级别】：硕士
【部分图文】：
船舶阻力性能研究方法流程
样本数据分为大小部分，大部分作为训练样本，小部分作为测试样本。K折交叉，即将样本数据随机分为K份，其中K-1份为训练样本，剩余1份为测试样本；当一轮测试完成后，重新随机选择不同的K-1份为训练样本进行模型构建，剩余1份样本进行测试；如此循环若干轮之后，对所建模型进行评估。本文将随机抽取原始数据集的85%作为训练样本，采用4折交叉训练法对模型进行参数调优，利用剩余的15%作为测试样本对调优后的模型进行测试。1.3.2机器学习建模基本过程机器学习建模过程可大致分为数据采集与预处理、模型调优和验证四个步骤，如图1.2所示。图1.2机器学习建模基本过程数据是机器学习的基础，数据的采集方式包括爬虫和访问数据库等，数据的质量和数量对模型的预测效果尤为重要[8]。因此，需对采集的数据进行预处理，检查数据的准确性、完整性和一致性等。本文所采用的船型性能数据是由船模试验和经验证的CFD计算得到，可保证数据的准确可靠。而对基于CFD技术的船舶阻力性能预报及优化问题，首要内容是采用抽样方法在船型改型空间内选取一定数量的船型样本，由于样本点质量主要体现在样本点在设计空间中的分布状况，故本文通过计算抽取样本得到平均欧式距离MED(Mean
代理模型在船舶阻力预报及优化中的应用12果，检验了新方法的有效性和实用性。第七章：总结与展望。对本文完成的工作内容进行总结，为采用代理模型进行船型优化设计的进一步深入研究给出建议。图1.3论文研究总体思路
【参考文献】：
期刊论文
[1]基于人工智能技术的大数据分析方法研究进展[J]. 王万良,张兆娟,高楠,赵燕伟. 计算机集成制造系统. 2019(03)
[2]基于Kriging代理模型的船舶水动力性能多目标快速协同优化[J]. 王刚成,马宁,顾解忡. 上海交通大学学报. 2018(06)
[3]基于SHIPFLOW软件的某集装箱船的阻力计算分析[J]. 田中文,何珍,伍蓉晖,王金明. 广东造船. 2018(01)
[4]大数据技术在船舶主尺度确定中的应用研究[J]. 管官,郑孟添,纪卓尚. 应用科技. 2018(02)
[5]基于近似模型的海上发射船船型优化[J]. 郝浩浩,韩端锋,高良田,白乐巍,赖昱兴. 船舶工程. 2017(07)
[6]基于K近邻算法和支持向量回归组合的短时交通流预测[J]. 刘钊,杜威,闫冬梅,柴干,郭建华. 公路交通科技. 2017(05)
[7]基于SHIPFLOW的KCS船型兴波阻力数值计算[J]. 万超. 中国水运. 2017(05)
[8]基于IPSO-BP神经网络的最小阻力船形优化设计[J]. 侯远杭,刘飞,梁霄. 上海交通大学学报. 2016(08)
[9]基于SHIPFLOW的某大型集装箱船阻力预报与试验验证[J]. 卢雨,胡安康,尹逊滨,田明琦. 中国造船. 2016(02)
[10]基于支持向量机的船舶阻力近似模型[J]. 肖振业,冯佰威,刘祖源,常海超,王峰. 计算机辅助工程. 2015(04)
博士论文
[1]基于SBD技术的船舶水动力构型优化设计研究[D]. 李胜忠.中国舰船研究院 2012
硕士论文
[1]基于CFD的船型参数敏感度分析研究[D]. 陈佳宝.中国舰船研究院 2019
[2]船模自航试验的数值模拟[D]. 朱芳艳.武汉理工大学 2013
[3]基于BP神经网络的三体船布局优化研究[D]. 许小颖.天津大学 2012
[4]基于CFD的船体阻力性能优化[D]. 徐力.上海交通大学 2012
[5]响应面方法在多种实际优化问题中的应用[D]. 马宝胜.北京工业大学 2007
[6]船舶操纵预报的神经网络方法[D]. 唐晓光.武汉理工大学 2002
本文编号：3443044
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3443044.html
