本技术属于船舶性能智能预报技术领域,公开了一种基于物理信息神经网络的船舶阻力预报方法及系统。该方法对船舶在静水中的直航运动进行数值模拟,获取直航运动时流域的压力场与速度场、船舶阻力信息;构建形成总数据集,建立训练集、测试集和验证集;建立融合物理知识的PINN神经网络模型;得到基于物理信息的神经网络模型;生成随机森林模型以及进行训练;利用随机森林模型对基于物理信息的神经网络模型进行双向验证,形成船舶阻力预报的网络模型。本发明有效增加了预报结果在物理层面的可靠性,加快了神经网络模型的训练效率,从而提高了预报效率。
背景技术
数字化转型是未来产业发展的必由之路,数字孪生技术作为推动产业转型和发展的重要抓手,已形成了普遍适应的理论技术体系,并在船舶行业中有了较为深入的应用,在此前提下,为了满足我国船舶领域自主工业软件未来智能化发展需求,需要在高效智能预报方面做好理论研究工作。
设计具有良好阻力性能的船舶可以有效的提高运输效率,降低经济成本,保护海洋环境,因此准确预报船舶阻力是船舶设计和水动力性能研究的重要内容。船舶阻力的传统预报方法主要分为三大类:理论研究法、模型试验法和数值模拟法。理论研究法是在船舶设计的初始阶段,由于主尺度,船体型线等计算阻力性能的相关资料并不完善,只能通过总结和分析大量船模试验和实船试验,然后应用经验公式和流体力学的基础知识对船舶阻力进行近似的估算。模型试验一般是在简化后的典型工况下进行的,无法完全模拟实际航行中的复杂海况,试验过程中由于尺度效应、阻塞效应和测量精度等原因也会产生一定误差。数值模拟法是通过计算机来模拟船体周围粘性流场,能够详细展示船体周围流场的信息并对船舶的水动力性能进行预报,然而对不同船型或流域往往存在着较大的计算误差与较长的计算时间,因而需要对不同船舶在不同航速或不同流域下进行重新估算。
在船舶快速性的传统求解预报中,难以在速度与精度上同时达到较好的效果,无法满足实时高效的计算需求,近年来,机器学习在船舶方面的应用越来越广泛,通过大量的船舶模型试验数据来训练神经网络,这种以实际运动数据为基础的人工智能方法可以提高预报精度,但缺少物理含义,泛化能力差。为提高深度学习网络求解偏微分方程系统的可解释性和适用性,其中物理信息神经网络(PINN)作为一种全新智能求解算法,已经在求解麦克斯韦方程、泊松方程以及纳维斯托克斯方程方面得到了部分应用验证,在船舶快速性相关底层物理量的计算方面将数理方程和人工智能相融合,将为船舶性能实时智能预报提供新思路,具有研究的必要性和重要性。
通过上述分析,现有技术存在的问题及缺陷为:现有技术在船舶阻力的传统预报中对不同流域耗时较长,而且仅以实际数据为基础的人工智能方法缺少物理含义、泛化能力差,对船舶阻力进行实时求解预报精度低。
实现思路