-
题名基于迁移学习的多源波浪载荷融合方法研究
被引量：2
- 1
-
-
作者
陈帅
蒋彩霞
王子渊
张凡
王艺陶
-
机构
中国船舶科学研究中心
深海技术科学太湖实验室
-
出处
《船舶力学》
EI
CSCD
北大核心
2023年第10期1431-1444,共14页
-
基金
国家自然科学基金项目(52001284)
江苏省自然科学基金项目(BK20200166)。
-
文摘
为了泛化模型试验小样本数据,减少试验成本,本文以某船波浪载荷短期预报为研究对象,基于迁移学习建立多源波浪载荷融合(multi-source wave load fusion,MSWLF)方法。首先,将拉丁超立方抽样(Latin hypercube sampling,LHS)、数据处理与分析、切片理论和深度神经网络(deep neural networks,DNN)结合建立低频波浪载荷智能预报(low frequency wave load intelligent prediction,LFWLIP)方法,实现线性波浪载荷的智能预报。其次,将贝叶斯优化算法和DNN结合,构建优化数学模型,通过计算得到精度较高的LFWLIP模型。最后,以理论计算波频数据作为源域一、规则波模型试验波频数据作为源域二、不规则波模型试验合成数据(波频与砰击叠加)为目标域,基于迁移学习对不规则波工况下的波浪载荷预报进行二次修正。结果表明:在任意工况下,MSWLF方法能以较高的精度预测不规则工况下的波浪载荷短期预报值,载荷预测值与试验值误差小于20%。该方法对于不同海况尤其是高海况下船舶波浪载荷快速评估具有重要意义。
-
关键词
MSWLF方法
lfwlip方法
迁移学习
贝叶斯优化算法
模型试验
小样本数据
-
Keywords
MSWLF method
lfwlip method
transfer learning
Bayesian optimization algorithm
model experiment
small sample data
-
分类号
U661.1
[交通运输工程—船舶及航道工程]
-
-
题名基于AutoML的低频波浪载荷智能预报方法
被引量：2
- 2
-
-
作者
陈帅
蒋彩霞
王子渊
张凡
王艺陶
-
机构
中国船舶科学研究中心
深海技术科学太湖实验室
-
出处
《船舶工程》
CSCD
北大核心
2023年第7期124-131,142,共9页
-
基金
国家自然科学基金(52001284)
江苏省自然科学基金(BK20200166)
-
文摘
为了更加高效和准确地计算船舶在不同航速、海浪周期、波高及浪向角下任意剖面位置的低频波浪载荷响应,将贝叶斯优化算法和深度神经网络结合建立基于自动化机器学习(Auto ML)的波浪载荷智能预报方法。将拉丁超立方抽样(LHS)、数据处理与分析、切片理论和深度神经网络结合建立低频波浪载荷智能预报(LFWLIP)方法,探讨LHS方法和数据处理方法对LFWLIP模型计算精度的影响。利用基于Auto ML的低频波浪载荷智能预报方法对某船进行应用,通过优化得到自适应的网络模型超参数。结果表明:贝叶斯算法能够自动优化LFWLIP模型的损失函数,机器学习无需人工调参即可得到最优的批量大小、学习率、激活函数和隐含层结构。经验证,基于Auto ML的低频波浪载荷智能预报方法能够高精度地评估全域空间中的船舶低频波浪载荷。
-
关键词
Auto
ML
lfwlip方法
贝叶斯优化
低频波浪载荷
深度神经网络
-
Keywords
AutoML
lfwlip method
Bayesian optimization
low frequency wave load
deep neural network
-
分类号
U661.2
[交通运输工程—船舶及航道工程]
-
