基于机器学习技术的船舶性能评估与优化.pdf

《基于机器学习技术的船舶性能评估与优化.pdf》由会员分享，可在线阅读，更多相关《基于机器学习技术的船舶性能评估与优化.pdf（41页珍藏版）》请在三个皮匠报告上搜索。

1、基于机器学习技术的船型性能评估与优化2023/6/1目 录-2-TIANFU 公司简介 船型性能评估方式发展与现状 基于机器学习技术的评估与优化 案例分析01-3-公司简介-4-公司简介名称南京天洑软件有限公司成立时间2011年5月20日主要业务1.软件开发及销售自研软件主要包括以下几类：设计、仿真、优化、数字孪生。2.客户服务：软件定制开发服务产品设计及仿真服务公司所在地-南京总部宁波分公司大连分公司北京分公司日本分公司南京市江宁开发区苏源大道19号九龙湖国际企业总部园B1栋1101室浙江宁波鄞州区海运大厦1901-2大连市中山区中心裕景ST2大厦1910北京市海淀区上地东路1号院横滨市港北

2、区新横滨1-3-10新横滨IO大楼802南京宁波横滨大连-6-员工组成工程师主要毕业于清华大学，天津大学，东南大学，大连理工大学，华科，北航，南航等985高校020406080100开发工程师应用工程师行政与销售人员构成02-7-船型性能评估方式发展与现状-8-模型加工+拖曳水池 成本高，周期长（几天），场地限制船型评估水池实验国内：702所，上海船研所，上海交大，大连理工，武汉理工等高校国际：瑞典、德国、荷兰-9-网格划分+CFD求解 技术门槛高，周期偏长（几小时），数据浪费船型评估CFD仿真-10-船型评估人工智能技术基石：母型几何+参数化技术+专家经验=数字化母型，固化专家设计流程和经验

3、数字化母型智能认知来源：基于数字化母型，通过搭建船体变形和CFD求解的自动化平台，计算用于代理训练的船型样本数据集船型样本数据集智能手段：定制研发高效的机器学习算法，能够基于较小数据规模构建较高精度的代理模型代理模型应用的前置步骤：通过船舶类型、载重量、主尺度等条件筛选数字化母型库，匹配适用于设计任务的母型快速选型应用：替代CFD，快速评估任意改型方案的性能，采用定制研发的优化策略进行优化设计评估&优化AI+CAE设计经验角色的转变，由必须变成增益经验和知识的数字化沉淀，打造数字化船型库历史仿真数据在相似船型上的复用基于代理模型评估和优化，单点评估几乎不耗时，大大提升研发阶段方案迭代的效率-1

4、1-母型几何参数化建模工具参数化母型设计参数CFD 工具水动力性能参数训练数据集定制机器学习算法选择母型任意设计参数的值水动力性能参数选择母型CFD 工具定制优化策略优化后的设计参数值程序生成优化后的船型几何模型训练代理模型在船型设计中的应用流程评估优化-13-提高代理模型精度基于人工智能技术的代理模型训练技术的引入固然有效解决了数据利用率和设计周期漫长的问题，但代理模型的训练和使用也存在一些问题，影响着代理模型的精度Data hungry异常点的影响数据一致性的影响代理模型数据需求量和具体问题相关，但总体的趋势是越难的问题，训练集的规模需求越大；期待模型学习的特征越细腻，支持相应特征的数据样

5、本也需要越多。因为数据训练样本有限问题，样本点类别的一致性、异常点和数据噪声等都会导致提升代理模型精度的难度变大，尤其是在数据集规模较小的情况下，异常点对于代理模型精度的负面影响将被进一步放大。常见的机器学习开源算法，非线性表达能力有限，叠加考虑工业设计数据常存在多种模式混合、数据分布一致性差异大等因素，基于开源机器学习算法的建模效果将被进一步削弱。-14-关键技术HDDV高维可视化ROD异常点检测HierarchicalStratify分层分类1，HDDV高维可视化：开展具体的建模工作之前，有必要对数据集进行细致、深度的挖掘。DTEmpower的HDDV模块提供了丰富的可视化图库模板，为用户

6、“可视化”探索数据模式提供了一条便捷可信赖的技术途径。2，ROD异常点检测：技术直接以提高模型的精度为目标，寻找并剔除样本中的“潜在异常点”。可高效地辅助用户构建高精度模型。3，HierarchicalStratify分层分类：的建模方法对数据不仅有“量”的要求，也有“质”的要求，而工业设计段的数据集规模小、数据集的分布又不一致，这成了工业设计通往数据驱动、智能化的一大障碍，HierarchicalStratify分层分类技术为解决这类障碍应运而生。03-15-基于机器学习技术的评估与优化-16-基于机器学习技术的船型优化设计平台-17-参数化建模软件CAESES强大的变形能力可进行全参数化或