CN119442487A 一种基于物理信息神经网络的船舶阻力预报方法及系统 （青岛哈尔滨工程大学创新发展中心）

一种基于物理信息神经网络的船舶阻力预开了一种基于物理信息神经网络的船舶阻力预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2S3，确定PINN神经网络模型的层数以及每一层的神经元个S6，将训练集Drrain的数据代入所述随机森林模型中进行训练，利用验证集Dval数据S7，利用随机森林模型对基于物理信息的神经网PyCharm平台上构建全连接神经网络框架，通过纳维尔斯托克斯方程构造控制方程以求解3;;输入量为时空坐标tx,y,z以及船速u，输出当前时空下的流场速度u,v,w以及压力p；4;;;;;5将训练集的数据代入融合物理知识的PINN神经网络模型中，融将损失函数的结果进行梯度下降优化，根据链式法则将优化的修9.一种基于物理信息神经网络的船舶阻力预数值模拟模块，用于对船舶在静水中的直航运动进行数值模拟，融合物理知识的PINN神经网络模型建立模块，用于确定PINN基于物理信息的神经网络模型得到模块，用于将所述训练集的数据随机森林模型训练模块，用于将所述训练集的数据代入所述随机森林模型中进行训双向验证模块，用于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10.根据权利要求9所述的基于物理信息神经网络的船舶阻力预报系统，其特征在于，67评估结果调整参数以获得均方误差在小于5%的范[0008]在步骤S1中，对船舶在静水中的直航运动进行数值模拟，包括：通过CFD软件在PyCharm平台上构建全连接神经网络框架，通过纳维尔斯托克斯方程构造控制方程以求失函数包括：控制方程损失Lossf和网络预测损失Lossg，控制方程损失用于约束PINN框8;;式中，fxfyfz分别为x,y,z三个方向的外力项，tx,y,z为时空坐标输入量为时空坐标tx,y,z以及船速u，输出当前时空下的流场速度u,v,w以及压;9;;;;现上述所述基于物理信息神经网络的船舶阻力预报系一步提出利用数理方程与人工智能技术相结合的方法对船舶阻力进行实时求解预报的网[0020]传统的船舶阻力预报方法多依赖于基于CFD的数值模拟，但其面临着网格划分困[0021]本发明解决了传统CFD方法在船舶阻力预报中的诸多痛点，尤其是高计算成本和[0022]本发明克服了长期以来在船舶阻力预测领域中对传统数值模拟方法的过度依图5为本发明实施例提供的BP神经网络与本发明的PINN神经网络模型实验对比利用CFD软件对船舶在静水中的直航运动进行数值模拟，对目标船舶模型进行网对于网络训练初始数据获取：通过CFD软件STARCCM+和和利用有限体积法进行数舶放入达到设定相对速度下流速的流域内并稳定后监测此时船舶周围的速度场、压力场估计(Adaptivemomentestimation,Adam)优化方法和局部极小化(Limited_memoryB_F_G_S_Bound,L_BFGS_B)优化方法对网络进行多重优化，优化过程的目标是通过最小化损失;;;根据三维纳维斯托克斯方程的变量个数，构建如图1物理信息神经网络预报速度;;;失Lossf，控制方程损失为上述控制方程损失函数的均方根误差，用于约束PINN框架使其;;;到基于物理信息的神经网络模型；融合物理知识的PINN神经网络模用优化器根据梯度和学习率来更新网络的权重和偏置。重复权重和偏置初始化后的步骤，评估结果调整参数以获得均方误差在小于5%的范[0049]采用以上两种算法分别进行阻力预报试验，以CFD软件仿真得出的船舶阻力数据BP神经网络与本发明的PINN神经网络模型实