CN111619755B - 一种基于卷积神经网络的船体型线设计方法 - Google Patents

一种基于卷积神经网络的船体型线设计方法 Download PDF

Info

Publication number
CN111619755B
CN111619755B CN202010519475.7A CN202010519475A CN111619755B CN 111619755 B CN111619755 B CN 111619755B CN 202010519475 A CN202010519475 A CN 202010519475A CN 111619755 B CN111619755 B CN 111619755B
Authority
CN
China
Prior art keywords
ship
data
sample
dimensional
geometric
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010519475.7A
Other languages
English (en)
Other versions
CN111619755A (zh
Inventor
刘希洋
冯君
孙文愈
沈冠之
郑安燃
陈京普
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
702th Research Institute of CSIC
Original Assignee
702th Research Institute of CSIC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 702th Research Institute of CSIC filed Critical 702th Research Institute of CSIC
Priority to CN202010519475.7A priority Critical patent/CN111619755B/zh
Publication of CN111619755A publication Critical patent/CN111619755A/zh
Application granted granted Critical
Publication of CN111619755B publication Critical patent/CN111619755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B63—SHIPS OR OTHER WATERBORNE VESSELS; RELATED EQUIPMENT
    • B63B—SHIPS OR OTHER WATERBORNE VESSELS; EQUIPMENT FOR SHIPPING 
    • B63B71/00—Designing vessels; Predicting their performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Fluid Mechanics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • Ocean & Marine Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于卷积神经网络的船体型线设计方法，涉及船舶技术领域，该方法对样本船舶的船型几何数据进行数据标准化处理构建得到样本船舶的几何特征数组，将样本船舶的几何特征数组作为输入、水动力性能数据作为输出，基于卷积神经网络训练得到船型性能预报模型，利用船型性能预报模型可以对船型几何数据已知的目标船舶进行水动力性能数据的预报、数据挖掘和敏感性分析，根据敏感性分析结果对目标船舶的船体型线优化可以提高优化效率，实现船型快速设计，而且该方法提供了一种有效的无参数船体几何表达和分析方法，避免了船体型线分析中的参数化过程带来的数据差异，通用性较高，适用于大部分主流船型。

Description

一种基于卷积神经网络的船体型线设计方法
技术领域
本发明涉及船舶技术领域，尤其是一种基于卷积神经网络的船体型线设计方法。
背景技术
船舶设计是船舶全寿命周期的源头，而船体型线的设计是船舶设计前期阶段的关键环节，对船舶性能的影响很大。在过去传统的船型设计中，必须手工修改船体型线，再通过船模实验来验证最佳的船型，但这种设计方法成本高昂、设计周期长而且得到的设计方案也未必足够理想，因此这种方法已经逐渐被一些优化算法替代。
目前最常用的就是利用CFD(Computational Fluid Dynamics，计算流体力学)方法基于水动力性能的优劣来进行船型的设计优化，通常的做法是：将船体型线进行参数化得到船型参数，然后建立船型参数与水动力性能之间的关系型数据库，接着对船舶进行CDF数值计算出水动力性能，在计算结果的基础上基于建立的关系型数据库调整船体型线直至水动力性能符合要求。但对船体型线进行参数化的方法较多，参数定义方法差别较大，因此导致数据形式难以统一、数据流通困难，所以这种优化方法的通用性不高，而且由于船型参数数量巨大且优化空间方位较大，这种优化算法又是在整个参数空间内搜索，所以往往导致优化迭代次数多，工作量巨大、效率较低、不利于船型快速开发。
发明内容
本发明人针对上述问题及技术需求，提出了一种基于卷积神经网络的船体型线设计方法，本发明的技术方案如下：
一种基于卷积神经网络的船体型线设计方法，该方法包括：
从船型数据库中获取样本船舶的船型几何数据以及水动力性能数据；
对船型几何数据进行数据标准化处理构建得到样本船舶的几何特征数组；
将样本船舶的几何特征数组作为输入、水动力性能数据作为输出，基于卷积神经网络训练得到船型性能预报模型；
获取目标船舶的初始的船型几何数据并提取得到对应的几何特征数组输入船型性能预报模型，得到目标船舶的水动力性能数据；
基于船型性能预报模型进行敏感性分析，根据敏感性分析结果对目标船舶的船体型线进行优化直至目标船舶的水动力性能数据达到预定性能值时，完成船体型线设计。
其进一步的技术方案为，基于卷积神经网络进行敏感性分析，根据敏感性分析结果对目标船舶的船体型线进行优化，包括：
将船型性能预报模型作为目标函数或适应度函数进行敏感性分析，确定各条船体型线与水动力性能数据之间的相关性；
根据相关性的大小对目标船舶的船体型线进行优化。
其进一步的技术方案为，样本船舶的船型几何数据包括样本船舶的几何曲面上离散点的三维坐标，和/或，对样本船舶的船体型线进行参数化处理后的船型数据。
其进一步的技术方案为，船型几何数据来源于样本船舶的三维模型文件，则从船型数据库中获取样本船舶的几何曲面上离散点的三维坐标，包括：
将样本船舶的三维模型文件的剖面上的点投影到几何曲面上作为离散点，并将样本船舶的三维模型文件中位于轮廓线上的点直接作为离散点，在三维模型文件中读取所有离散点的三维坐标。
其进一步的技术方案为，船型几何数据来源于样本船舶的型值表，则从船型数据库中获取样本船舶的几何曲面上离散点的三维坐标，包括：
将型值表中的型值点作为离散点，将型值点站号与站距乘积、型值点半宽、型值点所处的水线高分别作为离散点的三维坐标。
其进一步的技术方案为，对船型几何数据进行数据标准化处理构建得到样本船舶的几何特征数组，包括：
将根据船型几何数据排布形成二维特征矩阵，二维特征矩阵中的每个元素分别包括若干个通道，且每个元素表示一个离散点的三维坐标或者表示若干个船型数据；
根据所有样本船舶的船型几何数据对二维特征矩阵中的各个通道的数据进行数据标准化处理得到几何特征数组。
其进一步的技术方案为，对于任意一个元素处的三维坐标，根据所有样本船舶的船型几何数据对二维特征矩阵中的各个通道的数据进行数据标准化处理，包括：
对三维坐标中的X方向的坐标值除以所有样本船舶的最大船长，对三维坐标中的Y方向的坐标值除以所有样本船舶的最大船宽，对三维坐标中的Z方向的坐标值除以所有样本船舶的最大型深，完成对元素处的三维坐标的数据标准化处理。
其进一步的技术方案为，对于任意一个元素处的三维坐标，根据所有样本船舶的船型几何数据对二维特征矩阵中的各个通道的数据进行归一化处理，包括：
对各离散点三维坐标中的X方向的坐标值除以所有对应点三维坐标中X方向的坐标最大值，对各离散点三维坐标中的Y方向的坐标值除以所有对应点三维坐标中Y方向的坐标最大值，对各离散点三维坐标中的Z方向的坐标值除以所有对应点三维坐标中Z方向的坐标最大值，完成对元素处的三维坐标的数据标准化处理。
其进一步的技术方案为，对于任意一个元素处的三维坐标，根据所有样本船舶的船型几何数据对二维特征矩阵中的各个通道的数据进行数据标准化处理，包括：
将三维坐标的X方向的坐标值、Y方向的坐标值和Z方向的坐标值分别除以所有样本船舶的最大船长，完成对元素处的三维坐标的数据标准化处理。
本发明的有益技术效果是：
本申请公开了一种基于卷积神经网络的船体型线设计方法，该方法将船舶几何离散化为标准化的数据点，将数据点重新排布形成规则的能够表达船体几何特征的几何特征数组，在此基础上应用卷积神经网络方法建立船型性能预报模型，从而可以基于船体的几何特征进行性能预报和数据挖掘，该方法提供了一种有效的无参数船体几何表达和分析方法，避免了船体型线分析中的参数化过程，适用于大部分主流船型，通用性较高，而且将训练得到的模型作为目标函数或适应度函数进行优化使得可以根据相关性进行型线优化，从而提高型线优化的效率，实现船型快速设计。
附图说明
图1是本申请公开的基于卷积神经网络的船体型线设计方法的流程图。
图2是本申请一个实例的敏感性分析可视化结果示意图。
图3是利用本申请的方法以及利用CFD对同一组实例数据处理得到的性能预报结果的误差示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步说明。
本申请公开了一种基于卷积神经网络的船体型线设计方法，该方法包括如下步骤，请参考图1所示的流程图：
步骤S1，从船型数据库中获取样本船舶的船型几何数据以及水动力性能数据。其中，船型几何数据有多种数据来源，其数据来源包括样本船舶的三维模型文件中的数据、样本船舶的型值表中的数据，以及对样本船舶的船体型线进行参数化处理后的船型数据中的至少一种，由上述这些原始数据得到船型几何数据的方法为：
(1)当船型几何数据来源于船型数据库中的样本船舶的三维模型文件时，从船型数据库中获取样本船舶的船型几何数据的方法包括：通过正交试验设计、均匀试验设计或者随机采样的方法在三维模型文件的剖面上布设采集点，并将采集点投影到样本船舶的几何曲面上作为离散点，同时直接通过正交试验设计、均匀试验设计或者随机采样的方法在样本船舶的三维模型文件的轮廓线上的点采样作为离散点，在三维模型文件中读取所有离散点的三维坐标，也即在这种情况中，得到的船型几何数据为几何曲面上离散点的三维坐标数据。
(2)当船型几何数据来源于船型数据库中的样本船舶的型值表时，从船型数据库中获取样本船舶的船型几何数据的方法包括：将型值表中的型值点作为离散点，将型值点站号与站距乘积、型值点半宽、型值点所处的水线高分别作为离散点的三维坐标，也即在这种情况中，得到的船型几何数据也为几何曲面上离散点的三维坐标数据。
(3)当船型几何数据来源于样本船舶的船型数据时，直接将船型数据作为船型几何数据，在这种情况中，得到的船型几何数据包括无量纲数值参数，和/或，有量纲数值参数，和/或，积分参数，和/或，微分参数，和/或，坐标参数。包括的数据类型主要有船长、船宽、船高、型深、方形系数、型线上的反曲点、曲面面积比和投影面积等等。
在实际实现时，船型几何数据的来源可以包括上述三种中的任意一种或多种，由此得到的船型几何数据包括样本船舶的几何曲面上离散点的三维坐标，和/或，对样本船舶的船体型线进行参数化处理后的船型数据。
步骤S2，对船型几何数据进行数据标准化处理构建得到样本船舶的几何特征数组，该步骤包括两部分：
1、首先将船型几何数据重新排布，形成[n,m]的二维特征矩阵，该二维特征矩阵中包括n×m个元素，每个元素分别包括k个通道，由此构成的二维特征矩阵包括n×m×k个数据，以k＝3为例，二维特征矩阵的形式如下所示：
Figure BDA0002531433150000051
通常k＝3，则每个元素表示一个离散点的三维坐标，也即上述举例中，[Xmn,Ymn,Zmn]即表示该样本船舶的几何曲面上一个离散点的三维坐标。或者，每个元素表示若干个船型数据，这里的船型数据包括步骤S1直接获取到的船型数据以及通过对步骤S1获取到的船型数据进行插值、复制和叠加等方法扩张得到的所有船型数据。一个元素中各个通道的数据可以是同一个船型数据，比如可以对同一个船型数据复制三次然后构成一个元素处的三通道数据。一个元素中各个通道的数据也可以属于不同的船型数据，比如一个元素处的三通道数据分别为三个不同的船型数据。
2、对于任意一个样本船舶的[n,m]的二维特征矩阵，根据所有样本船舶的船型几何数据对该二维特征矩阵中的各个通道的数据进行归一化处理得到对应的[n,m,k]的几何特征数组，即将数据转化到[0,1]的范围内。对于二维特征矩阵中的船型数据，直接根据所有样本船舶的该船型参数的最大值和最小值进行归一化即可。对于二维特征矩阵中的三维坐标数据，数据标准化处理的方法有如下三种：
(1)对三维坐标中的X方向的坐标值除以所有样本船舶的最大船长，对三维坐标中的Y方向的坐标值除以所有样本船舶的最大船宽，对三维坐标中的Z方向的坐标值除以所有样本船舶的最大型深，完成对元素处的三维坐标的数据标准化处理。
(2)对各离散点三维坐标中的X方向的坐标值除以所有对应点三维坐标中X方向的坐标最大值，对各离散点三维坐标中的Y方向的坐标值除以所有对应点三维坐标中Y方向的坐标最大值，对各离散点三维坐标中的Z方向的坐标值除以所有对应点三维坐标中Z方向的坐标最大值，完成对元素处的三维坐标的数据标准化处理。
(3)将三维坐标的X方向的坐标值、Y方向的坐标值和Z方向的坐标值分别除以所有样本船舶的最大船长，完成对元素处的三维坐标的数据标准化处理。
步骤S3，在获取到所有样本船舶的船型几何数据以及水动力性能数据，并根据船型几何数据得到标准化的几何特征数组后，将样本船舶的几何特征数组作为输入、水动力性能数据作为输出，基于卷积神经网络训练得到船型性能预报模型。在实际应用时，可以是针对一项水动力性能数据训练得到船型性能预报模型，也可以针对多项水动力性能数据训练得到船型性能预报模型、但精度可能会受到一定的影响。
步骤S4，在训练得到船型性能预报模型后，可以利用船型性能预报模型进行水动力性能的预报，则获取目标船舶的初始的船型几何数据并提取得到对应的几何特征数组，该步骤与上述对样本船舶的船型几何数据提取得到对应的几何特征数组相似，本申请不再赘述。
将目标船舶的船型几何数据输入船型性能预报模型即能得到目标船舶的水动力性能数据，从而实现船型性能预报。
步骤S5，在实现船型性能预报的基础上，可以基于船型性能进行船型优化设计，则基于训练得到的船型性能预报模型进行敏感性分析，将训练得到的船型性能预报模型作为目标函数(Sobol、OAT敏感性分析方法)或者适应度函数(遗传算法等)进行分析与优化。由此可以确定各条船体型线与水动力性能数据之间的相关性，也即得到敏感性分析结果。对一个实例进行敏感性分析的可视化结果请参考图2，灰度不同的区域表示敏感性高度不同的区域。
根据相关性的大小对目标船舶的船体型线进行优化，直至目标船舶的水动力性能数据达到预定性能值时，完成船体型线设计。在优化时，可以优先对相关性高的船体型线进行优化，从而可以提高优化效率。
本申请提供如下一个实际案例说明有效性，本申请选用某大型油船，包括613个样本船舶，样本船舶的主要船型参数如下表所示：
Figure BDA0002531433150000061
Figure BDA0002531433150000071
按照站位上对船体型线进行离散，共获得21199个离散点，每个离散点包含X、Y、Z三个方向上的坐标。将21199个离散点重组后形成[493,43]矩阵，613个样本船舶的三维坐标形成613个[493,43,3]的几何特征数组。
利用613个样本船舶的几何特征数组以及船型模型尺度下的总阻力系数训练得到针对船型模型尺度下的总阻力系数的船型性能预报模型，并随机选取93个测试点进行预测，结果与CFD评估结果进行对比，误差情况如下表所示，部分样本船舶的误差分布图请参考图3。
误差 值
均值 0.42％
标准差 0.88％
最大值 2.72％
最小值 -3.70％
以上所述的仅是本申请的优选实施方式，本发明不限于以上实施例。可以理解，本领域技术人员在不脱离本发明的精神和构思的前提下直接导出或联想到的其他改进和变化，均应认为包含在本发明的保护范围之内。

Claims (9)

1.一种基于卷积神经网络的船体型线设计方法，其特征在于，所述方法包括：
从船型数据库中获取样本船舶的船型几何数据以及水动力性能数据；
对船型几何数据进行数据标准化处理构建得到样本船舶的几何特征数组；
将样本船舶的几何特征数组作为输入、水动力性能数据作为输出，基于卷积神经网络训练得到船型性能预报模型；
获取目标船舶的初始的船型几何数据并提取得到对应的几何特征数组输入所述船型性能预报模型，得到所述目标船舶的水动力性能数据；
基于所述船型性能预报模型进行敏感性分析，根据敏感性分析结果对所述目标船舶的船体型线进行优化直至所述目标船舶的水动力性能数据达到预定性能值时，完成船体型线设计。
2.根据权利要求1所述的方法，其特征在于，所述基于所述船型性能预报模型进行敏感性分析，根据敏感性分析结果对所述目标船舶的船体型线进行优化，包括：
将所述船型性能预报模型作为目标函数或适应度函数进行敏感性分析，确定各条船体型线与水动力性能数据之间的相关性；
根据相关性的大小对所述目标船舶的船体型线进行优化。
3.根据权利要求1所述的方法，其特征在于，所述样本船舶的船型几何数据包括样本船舶的几何曲面上离散点的三维坐标，和/或，对所述样本船舶的船体型线进行参数化处理后的船型数据。
4.根据权利要求3所述的方法，其特征在于，所述船型几何数据来源于所述样本船舶的三维模型文件，则从船型数据库中获取样本船舶的几何曲面上离散点的三维坐标，包括：
将所述样本船舶的三维模型文件的剖面上的点投影到几何曲面上作为离散点，并将所述样本船舶的三维模型文件中位于轮廓线上的点直接作为离散点，在所述三维模型文件中读取所有离散点的三维坐标。
5.根据权利要求3所述的方法，其特征在于，所述船型几何数据来源于所述样本船舶的型值表，则从船型数据库中获取样本船舶的几何曲面上离散点的三维坐标，包括：
将所述型值表中的型值点作为离散点，将型值点站号与站距乘积、型值点半宽、型值点所处的水线高分别作为所述离散点的三维坐标。
6.根据权利要求3-5任一所述的方法，其特征在于，所述对船型几何数据进行数据标准化处理构建得到样本船舶的几何特征数组，包括：
将所述船型几何数据排布形成二维特征矩阵，二维特征矩阵中的每个元素分别包括若干个通道，且每个元素表示一个离散点的三维坐标或者表示若干个船型数据；
根据所有样本船舶的船型几何数据对所述二维特征矩阵中的各个通道的数据进行归一化处理得到所述几何特征数组。
7.根据权利要求6所述的方法，其特征在于，对于任意一个元素处的三维坐标，所述根据所有样本船舶的船型几何数据对所述二维特征矩阵中的各个通道的数据进行归一化处理，包括：
对所述三维坐标中的X方向的坐标值除以所有样本船舶的最大船长，对所述三维坐标中的Y方向的坐标值除以所有样本船舶的最大船宽，对所述三维坐标中的Z方向的坐标值除以所有样本船舶的最大型深，完成对所述元素处的三维坐标的归一化处理。
8.根据权利要求6所述的方法，其特征在于，对于任意一个元素处的三维坐标，所述根据所有样本船舶的船型几何数据对所述二维特征矩阵中的各个通道的数据进行归一化处理，包括：
对各离散点三维坐标中的X方向的坐标值除以所有对应点三维坐标中X方向的坐标最大值，对各离散点三维坐标中的Y方向的坐标值除以所有对应点三维坐标中Y方向的坐标最大值，对各离散点三维坐标中的Z方向的坐标值除以所有对应点三维坐标中Z方向的坐标最大值，完成对元素处的三维坐标的归一化处理。
9.根据权利要求6所述的方法，其特征在于，对于任意一个元素处的三维坐标，所述根据所有样本船舶的船型几何数据对所述二维特征矩阵中的各个通道的数据进行归一化处理，包括：
将所述三维坐标的X方向的坐标值、Y方向的坐标值和Z方向的坐标值分别除以所有样本船舶的最大船长，完成对所述元素处的三维坐标的归一化处理。
CN202010519475.7A 2020-06-09 2020-06-09 一种基于卷积神经网络的船体型线设计方法 Active CN111619755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010519475.7A CN111619755B (zh) 2020-06-09 2020-06-09 一种基于卷积神经网络的船体型线设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010519475.7A CN111619755B (zh) 2020-06-09 2020-06-09 一种基于卷积神经网络的船体型线设计方法

Publications (2)

Publication Number Publication Date
CN111619755A CN111619755A (zh) 2020-09-04
CN111619755B true CN111619755B (zh) 2021-05-04

Family

ID=72268434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010519475.7A Active CN111619755B (zh) 2020-06-09 2020-06-09 一种基于卷积神经网络的船体型线设计方法

Country Status (1)

Country Link
CN (1) CN111619755B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591206B (zh) * 2021-07-09 2023-04-28 武汉理工大学 一种基于几何变形空间特征的船型优化设计方法及系统
CN114936413B (zh) * 2022-04-21 2023-06-06 哈尔滨工程大学 船体外形优化神经网络建模方法及船体外形优化方法
CN114818128B (zh) * 2022-04-21 2023-09-29 哈尔滨工程大学 船体局部曲面优化神经网络建模方法及优化方法
CN115146412B (zh) * 2022-07-14 2023-08-29 上海船舶运输科学研究所有限公司 一种船型性能预报与优化方法及系统
CN115688273B (zh) * 2022-10-28 2023-08-15 武汉理工大学 一种长江中下游货船型线谱系生成方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020023993A (ko) * 2001-12-31 2002-03-29 김수영 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법
CN103198720A (zh) * 2013-04-03 2013-07-10 大连海事大学 一种基于广义自组织神经网络的船舶领域模型的修正方法
CN203921116U (zh) * 2014-05-14 2014-11-05 中国船舶科学研究中心上海分部 中型豪华游船
CN204750471U (zh) * 2015-08-04 2015-11-11 中国船舶科学研究中心上海分部 低航速高能效新巴拿马型集装箱船线型
CN205469645U (zh) * 2016-01-09 2016-08-17 中国船舶科学研究中心上海分部 一种破冰船艏部结构
CN106682574A (zh) * 2016-11-18 2017-05-17 哈尔滨工程大学 一维深度卷积网络的水下多目标识别方法
WO2018150183A1 (en) * 2017-02-17 2018-08-23 Ben Ainslie Racing Technologies Ltd. Powerboat
CN109367689A (zh) * 2018-10-09 2019-02-22 中船黄埔文冲船舶有限公司 一种船体甲板面平台型线的设计方法
CN110083996A (zh) * 2019-05-31 2019-08-02 重庆交通大学 一种基于敏感度的船体型线设计方法
CN209225338U (zh) * 2018-07-29 2019-08-09 中国船舶科学研究中心（中国船舶重工集团公司第七0二研究所） 一种兼顾高低航速的集装箱船线型
CN110162895A (zh) * 2019-05-27 2019-08-23 大连海事大学 一种两阶段的高能效船型优化设计方法
CN110712731A (zh) * 2019-10-22 2020-01-21 中国人民解放军海军工程大学 一种舰船轴系校中及回旋振动多学科优化方法
CN110795829A (zh) * 2019-10-11 2020-02-14 中国舰船研究设计中心 一种面向船舶虚拟现实领域的虚拟人快速建模方法
CN110795816A (zh) * 2019-09-11 2020-02-14 山东交通学院 一种基于阻力性能的游艇型线优化方法
CN110991359A (zh) * 2019-12-06 2020-04-10 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 基于多尺度深度卷积神经网络的卫星图像目标检测方法
CN111046491A (zh) * 2019-11-28 2020-04-21 中国船舶工业系统工程研究院 预估大型船舶柴油主机油耗的方法和装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005027015A2 (en) * 2003-09-10 2005-03-24 Bioimagene, Inc. Method and system for quantitatively analyzing biological samples
US20200150643A1 (en) * 2018-05-07 2020-05-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for data collection, learning, and streaming of machine signals for analytics and maintenance using the industrial internet of things

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020023993A (ko) * 2001-12-31 2002-03-29 김수영 뉴로 퍼지이론을 이용한 선체형상 설계시스템 및 그 방법
CN103198720A (zh) * 2013-04-03 2013-07-10 大连海事大学 一种基于广义自组织神经网络的船舶领域模型的修正方法
CN203921116U (zh) * 2014-05-14 2014-11-05 中国船舶科学研究中心上海分部 中型豪华游船
CN204750471U (zh) * 2015-08-04 2015-11-11 中国船舶科学研究中心上海分部 低航速高能效新巴拿马型集装箱船线型
CN205469645U (zh) * 2016-01-09 2016-08-17 中国船舶科学研究中心上海分部 一种破冰船艏部结构
CN106682574A (zh) * 2016-11-18 2017-05-17 哈尔滨工程大学 一维深度卷积网络的水下多目标识别方法
WO2018150183A1 (en) * 2017-02-17 2018-08-23 Ben Ainslie Racing Technologies Ltd. Powerboat
CN209225338U (zh) * 2018-07-29 2019-08-09 中国船舶科学研究中心（中国船舶重工集团公司第七0二研究所） 一种兼顾高低航速的集装箱船线型
CN109367689A (zh) * 2018-10-09 2019-02-22 中船黄埔文冲船舶有限公司 一种船体甲板面平台型线的设计方法
CN110162895A (zh) * 2019-05-27 2019-08-23 大连海事大学 一种两阶段的高能效船型优化设计方法
CN110083996A (zh) * 2019-05-31 2019-08-02 重庆交通大学 一种基于敏感度的船体型线设计方法
CN110795816A (zh) * 2019-09-11 2020-02-14 山东交通学院 一种基于阻力性能的游艇型线优化方法
CN110795829A (zh) * 2019-10-11 2020-02-14 中国舰船研究设计中心 一种面向船舶虚拟现实领域的虚拟人快速建模方法
CN110712731A (zh) * 2019-10-22 2020-01-21 中国人民解放军海军工程大学 一种舰船轴系校中及回旋振动多学科优化方法
CN111046491A (zh) * 2019-11-28 2020-04-21 中国船舶工业系统工程研究院 预估大型船舶柴油主机油耗的方法和装置
CN110991359A (zh) * 2019-12-06 2020-04-10 重庆市地理信息和遥感应用中心(重庆市测绘产品质量检验测试中心) 基于多尺度深度卷积神经网络的卫星图像目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
优化算法在船体型线参数化设计中的应用;张辉等;《中国造船》;20120930;全文 *
基于人工神经网络的船型设计与阻力预报;李楷等;《武汉理工大学学报》;20110228;全文 *

Also Published As

Publication number Publication date
CN111619755A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN111619755B (zh) 一种基于卷积神经网络的船体型线设计方法
CN111815601A (zh) 一种基于深度卷积自编码器的纹理图像表面缺陷检测方法
CN108959794B (zh) 一种基于深度学习的结构频响动力学模型修正方法
CN112557034A (zh) 一种基于pca_cnns的轴承故障诊断方法
CN112669230B (zh) 基于卷积神经网络的点云数据去噪方法
CN113436237B (zh) 一种基于高斯过程迁移学习的复杂曲面高效测量系统
CN113641733B (zh) 一种河道断面流量实时智能推求方法
CN110310322B (zh) 一种10微米级高精度器件装配表面检测方法
CN109212751B (zh) 一种自由曲面公差的分析方法
CN116500611A (zh) 一种基于深度学习的雷达波面图像海浪参数反演方法
CN116629099A (zh) 一种基于混合代理模型的钣金件多目标优化方法
CN113011086B (zh) 一种基于ga-svr算法森林生物量的估测方法
CN112801955B (zh) 种群分布不平衡条件下的浮游生物检测方法
CN112307673A (zh) 一种基于深度学习的网格面质量检测方法
CN115797414A (zh) 一种考虑测头半径的复杂曲面测量点云数据配准方法
CN113361209A (zh) 一种高温合金表面缺陷磁异常定量分析方法
CN107862036B (zh) 一种基于遗传算法的岸桥载荷状态检测方法
Fang Research on Evaluation Algorithm of Roundness Measurement Data Based on Adaptive Genetic Algorithm
CN116957422B (zh) 一种基于卷积自编码和尖点突变模型的生态环境评价方法
CN111260783B (zh) 一种基于K近邻和Poisson曲面的矿体三维自动建模方法
CN115983137B (zh) 基于相似性原理和深度学习的涡轮流场预测方法及相关装置
CN116912241B (zh) 基于机器学习的cnc调机优化方法及系统
CN115688229B (zh) 基于深度学习的网壳结构最不利缺陷模态创建方法
Liu et al. Classification Prediction Study of Underwater Vehicle Fitness Zone Based on Random Forest Algorithm
CN112200219B (zh) 一种超大规模晶圆缺陷数据的特征提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant