CN114722731A - 一种拖体粘滞拖曳阻力预测方法及系统 - Google Patents

一种拖体粘滞拖曳阻力预测方法及系统 Download PDF

Info

Publication number
CN114722731A
CN114722731A CN202210638430.0A CN202210638430A CN114722731A CN 114722731 A CN114722731 A CN 114722731A CN 202210638430 A CN202210638430 A CN 202210638430A CN 114722731 A CN114722731 A CN 114722731A
Authority
CN
China
Prior art keywords
model
drag resistance
viscous drag
towed body
viscous
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.)
Granted
Application number
CN202210638430.0A
Other languages
English (en)
Other versions
CN114722731B (zh
Inventor
朱向前
李鑫宇
孙明祺
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202210638430.0A priority Critical patent/CN114722731B/zh
Publication of CN114722731A publication Critical patent/CN114722731A/zh
Application granted granted Critical
Publication of CN114722731B publication Critical patent/CN114722731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种拖体粘滞拖曳阻力预测方法及系统，涉及流体力学计算领域，针对目前难以合理预报与速度有关的粘滞拖曳阻力的问题，通过建立仿真模型，计算不同设计变量下对应的粘滞拖曳阻力，建立数据库训练人工神经网络模型并建立代理模型，利用代理模型预报拖体的粘滞拖曳阻力；与计算流体力学仿真技术相比，利用代理模型计算未知拖曳工况下拖体的粘滞拖曳阻力能大大减少计算时间，提高深拖系统设计效率。

Description

一种拖体粘滞拖曳阻力预测方法及系统
技术领域
本发明涉及流体力学计算领域，具体涉及一种拖体粘滞拖曳阻力预测方法及系统。
背景技术
深海拖曳式多道地震探测系统（简称深拖系统）是精准勘查近海底“可燃冰”等深海战略资源的装备之一，建立深拖系统的动力学模型是实现深拖系统设计的前提，而建立系统动力学模型的关键环节是建立深拖系统的水动力模型。如图1所示，由于深拖系统的拖缆与拖曳线阵列均为细长结构物，其水动力模型建立较为方便，而由于拖体为不规则形状的结构，其水动力模型较为困难。
虽然能够通过流体力学仿真技术来求解不规则形状结构物水动力荷载，但是，流体力学仿真技术求解拖体水动力荷载无法脱离深拖系统整体，需要将拖体、拖曳线阵列、拖缆等整个深拖系统一起进行仿真，增加了仿真工作的工作量，占用大量计算资源，且不易调整工况获取多组数据；通过拆分的方式，对拖体建立独立的水动力荷载仿真，申请号为202111006717 .3的中国专利中公开了一种阻力伞水动力荷载预测方法及系统，通过建立阻力伞的荷载变量模型实现水动力荷载的预测；与速度有关的粘滞拖曳阻力是拖体水动力载荷的重要组成部分，目前通过阻力伞的荷载变量模型无法准确计算水动力荷载中的粘滞拖曳阻力，因此，难以合理预报与速度有关的粘滞拖曳阻力，无法满足对拖体精细化仿真的需求。
发明内容
本发明的目的是针对现有技术存在的缺陷，提供一种拖体粘滞拖曳阻力预测方法及系统，通过建立仿真模型，计算不同设计变量下对应的粘滞拖曳阻力，建立数据库训练人工神经网络模型并建立代理模型，利用代理模型预报拖体的粘滞拖曳阻力。
本发明的第一目的是提供一种拖体粘滞拖曳阻力预测方法，采用以下方案：
包括：
建立拖体仿真模型；
选定拖体不同拖曳工况下的多组设计变量代入拖体仿真模型，得到每组设计变量对应的荷载变量，进而计算拖体对应的粘滞拖曳阻力；
基于设计变量和粘滞拖曳阻力，获取拖体的粘滞拖曳阻力代理模型，测试粘滞拖曳阻力代理模型性能；
依据粘滞拖曳阻力代理模型和设计变量，预测拖体的粘滞拖曳阻力。
通过向粘滞拖曳阻力代理模型中输入一组设计变量，即输入一组拖体沿x轴速度、沿y轴速度及绕z轴转角数据，快速而准确地得到当前设计变量对应的粘滞拖曳阻力沿x轴、y轴分力及由其导致的力矩。
进一步地，选择机器学习模型，通过设计变量和对应的粘滞拖曳阻力，创建设计变量-粘滞拖曳阻力组成的数据库，利用数据库训练机器学习模型，获取拖体的粘滞拖曳阻力代理模型。
进一步地，利用数据库训练机器学习模型，包括：
选择人工神经网络回归模型建立设计变量-粘滞拖曳阻力代理模型；
将数据库划分数据集，并带入人工神经网络回归模型进行训练，确定人工神经网络回归模型的超参数；
对超参数进行寻优，得到人工神经网络模型作为粘滞拖曳阻力代理模型。
进一步地，测试粘滞拖曳阻力代理模型性能具体包括：
选取设计变量带入粘滞拖曳阻力代理模型，得到粘滞拖曳阻力的预测值；
通过均方差和拟合优度指标表征代理模型的性能。
进一步地，将通过仿真分析获得仿真值与粘滞拖曳阻力代理模型计算的预测值做归一化处理后再做均方差计算。
进一步地，选取设计变量为拖体绕Z轴的角度、沿X轴的速度和沿Y轴的速度，获取的荷载变量为水动力荷载绕Z轴的转矩、沿X轴的分力和沿Y轴的分力，建立设计变量-荷载变量数据对。
进一步地，处理设计变量-荷载变量数据对，计算与设计变量对应的粘滞拖曳阻力。
本发明的第二目的是提供一种拖体粘滞拖曳阻力预测系统，包括：
拖体建模模块，被配置为：建立拖体仿真模型；
数据获取模块，被配置为：选定拖体不同拖曳工况下的多组设计变量代入拖体仿真模型，得到每组设计变量对应的荷载变量，进而计算拖体对应的粘滞拖曳阻力；
代理模型建模模块，被配置为：基于设计变量和粘滞拖曳阻力，获取拖体的粘滞拖曳阻力代理模型，测试粘滞拖曳阻力代理模型性能；
预测模块，被配置为：依据粘滞拖曳阻力代理模型和设计变量，预测拖体的粘滞拖曳阻力。
进一步地，还包括训练模块，被配置为：选择机器学习模型，通过设计变量和对应的粘滞拖曳阻力，创建设计变量-粘滞拖曳阻力组成的数据库，利用数据库训练机器学习模型，获取拖体的粘滞拖曳阻力代理模型。
进一步地，根据拖体的几何参数建立拖体仿真模型。
与现有技术相比，本发明具有的优点和积极效果是：
（1）针对目前难以合理预报与速度有关的粘滞拖曳阻力的问题，通过建立仿真模型，计算不同设计变量下对应的粘滞拖曳阻力，建立数据库训练人工神经网络模型并建立代理模型，利用代理模型预报拖体的粘滞拖曳阻力；与计算流体力学仿真技术相比，利用代理模型计算未知拖曳工况下拖体的粘滞拖曳阻力能大大减少计算时间，提高深拖系统设计效率。
（2）通过归一化均方差、仿真值与预报值的拟合优度两种方式评价代理模型性能，克服了由量纲差异导致的评价指标无法比较的困难，对代理模型性能进行评价后，能够对代理模型进行调整，同时满足需求的代理模型能够较为准确的预报拖体在给定范围内设计变量对应的粘滞阻力，降低计算时间。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明背景技术中及实施例1或2中深海拖曳式多道地震探测系统示意图。
图2为本发明实施例1或2中拖体设计变量、载荷变量示意图。
图3为本发明实施例1或2中预测方法流程示意图。
图4为本发明实施例1或2中对拖体建立坐标系示意图的示意图。
图5为本发明实施例1或2中125组设计变量-载荷变量数据对的示意图。
图6为本发明实施例1或2中迭代稳定过程示意图。
图7为本发明实施例1或2中人工神经网络结构示意图。
图8为本发明实施例1或2中粘滞拖曳阻力沿x轴仿真值与代理模型预测值对比散点图。
图9为本发明实施例1或2中粘滞拖曳阻力沿y轴仿真值与代理模型预测值对比散点图。
图10为本发明实施例1或2中粘滞拖曳阻力力矩仿真值与代理模型预测值对比散点图。
图11为本发明实施例1或2中粘滞拖曳阻力沿x轴仿真值与代理模型预测值对比折线图。
图12为本发明实施例1或2中粘滞拖曳阻力沿y轴仿真值与代理模型预测值对比折线图。
图13为本发明实施例1或2中粘滞拖曳阻力力矩仿真值与代理模型预测值对比折线图。
图14为本发明实施例1或2中粘滞拖曳阻力代理模型预测载荷示意图。
具体实施方式
实施例1
本发明的一个典型实施例中，如图1-图14所示，给出一种拖体粘滞拖曳阻力预测方法。
如图3所示的拖体粘滞拖曳阻力预测方法，用于拖体的水动力荷载仿真过程，尤其是用于如图1中所示的建立深拖系统的动力学模型过程中，将影响水动力荷载的粘滞拖曳阻力独立仿真，通过建立仿真模型，计算不同设计变量下对应的粘滞拖曳阻力，建立数据库训练人工神经网络模型并建立代理模型，利用代理模型预报拖体的粘滞拖曳阻力，降低计算粘滞拖曳阻力的时间，提高设计效率。
结合图3，拖体粘滞拖曳阻力预测方法包括如下步骤：
步骤1，根据拖体的几何参数在仿真软件建立拖体仿真模型；
步骤2，选定多组设计变量代表不同拖曳工况并进行计算流体力学仿真，获得每组设计变量对应的载荷变量；
步骤3，对设计变量-载荷变量数据进行处理，得到与设计变量对应的粘滞拖曳阻力，创建设计变量-粘滞拖曳阻力组成的数据库；
步骤4，建立机器学习模型，利用数据库训练并优化机器学习模型，获得拖体粘滞拖曳阻力的代理模型；
步骤5，依据粘滞拖曳阻力代理模型和设计变量，预测拖体的粘滞拖曳阻力。
其中，如图2所示，设计变量包括拖体的俯仰角、水平速度、竖直速度；计算获取的荷载变量包括作用在拖体上水动力载荷分解后得到的水平力、竖直力及由其产生的旋转力矩。
如图3所示，在利用数据库进行机器学习时，分别选取训练集、测试集比例为70%与30%，对数据库进行随机划分。利用训练集数据训练人工神经网络模型；通过测试集数据确定训练过程中的超参数并确定代理模型的性能。
具体的，结合图4，对于步骤1中建立拖体仿真模型，包括：
1.创建坐标系；如图4所示，以水箱顶点为坐标原点为坐标原点，水深方向为Y轴，垂直于拖体对称面的轴线为Z轴，垂直于Y轴、Z轴建立X轴。
2.在仿真软件中创建模型；应用RecurDyn仿真软件建立拖体、箱体，哑体。哑体与地面通过移动副相连，与拖体通过转动副连接，拖体随哑体移动时可以自由转动。通过移动副实现拖体沿X轴的速度、沿Y轴的速度约束，通过转动副实现拖体在Z方向上的转角约束。由于RecurDyn软件无法建立流体模型，借助Particleworks建立流体填充水箱。利用RecurDyn和Particleworks联合仿真分析不同设计变量拖体对应的载荷变量。
结合图5，对于步骤2中计算荷载变量的过程，包括：
选取设计变量；
设计拖体运动过程进行仿真分析。
其中，选取设计变量的依据为：
莫里森将海水作用于结构物的力分为两部分，一部分是结构物与流体的相对速度引起粘滞拖曳阻力f D ，另一部分是结构物与流体的相对加速度引起的附件质量惯性力f I 。对于粘滞阻力，有莫里森方程：
Figure 655891DEST_PATH_IMAGE001
其中，u x 为流固相对速度；A为物体运动方向的投影面积；C D 为拖曳力系数；ρ是流体的密度；对于固定几何尺寸拖体，拖体运动方向投影面积、拖曳力系数均与拖体姿态即拖体的转动角度相关。因此其受到的粘滞拖曳阻力仅受拖体的速度、转动角度的影响。选取设计变量为拖体绕Z轴方向的角度、沿X轴速度、沿Y轴速度。选取载荷变量为水动力载荷沿X、Y轴的分力及绕Z轴的转矩。
设计拖体运动过程进行仿真分析具体步骤为：
绕Z轴方向的角度从-16度、-8度、0度、8度、16度中任选一种，沿X轴速度从0mm/s、600mm/s、800mm/s、1000mm/s、1500mm/s中任选一种，沿Y轴速度从-800mm/s、-400mm/s、0mm/s、400mm/s、800mm/s中任选一种，共125种设计变量。如表1所示，按照设计变量设计拖体运动过程并对拖体仿真分析，得到125组“设计变量-载荷变量”数据对，如图5所示。
表1仿真模型运动工况
Figure 291403DEST_PATH_IMAGE002
结合图6，对于步骤3具体包括：
对设计变量-载荷变量数据对做数据处理；
创建设计变量-粘滞拖曳阻力数据库。
其中，创建设计变量-粘滞拖曳阻力数据库具体步骤如下：
如图6所示，由于计算流体力学仿真算法自身特点，仿真计算需要在若干步迭代后才能收敛。据此，截取仿真结果中的收敛部分，并取收敛后均值作为当前设计变量对应的粘滞拖曳阻力。
结合图7-图13，对于步骤4中的代理模型的获得过程，包括：
选择机器学习模型；
划分数据集；将数据库按照70%、30%比例随机划分为训练集和测试集；
训练模型及网络超参数的确定；
代理模型性能的表征。
其中，如图7所示，选择机器学习模型具体步骤如下：
由于设计变量与粘滞拖曳阻力均为连续变量，建立设计变量-粘滞拖曳阻力代理模型本质上为建立回归模型。由于流体控制方程中存在大量偏微分项，是典型的复杂非线性系统。因此，选定人工神经网络回归模型建立设计变量-粘滞拖曳阻力代理模型。
其中，训练模型及网络超参数的确定具体步骤如下：
利用训练集训练网络，测试集优化网络超参数，评价网络性能。借助pytorch框架实现神经网络模型的创建，训练，优化。在训练网络时，使用小批次随机梯度下降法加速训练过程，添加正则化项、批归一化技术减小网络过拟合程度。
如表2所示，神经网络超参数主要包括：网络结构，正则化系数，学习率，迭代次数等。确定超参数过程如下：利用训练集训练固定超参数下神经网络；计算此网络的测试集损失函数；改变超参数，再次利用训练集训练网络并计算测试集损失函数；按照此过程不断迭代，最终，选择令开发集损失函数最小的超参数为网络最优超参数。在最优超参数下得到的人工神经网络模型即为代理模型。
表2 人工神经网络超参数表
Figure 558436DEST_PATH_IMAGE003
其中，代理模型性能的确定具体步骤如下；
将测试集中设计变量输入代理模型，得到粘滞阻力沿X、Y方向阻力和绕Z方向转矩的预测值，并借助均方差和拟合优度指标表征代理模型的性能。
均方差计算步骤如下：
将代理模型预测值与通过仿真分析获得的粘滞拖曳阻力沿X、Y方向的阻力和绕Z方向的转矩的仿真值做均方差运算，作为代理模型的精度指标。即均方差。
Figure 757336DEST_PATH_IMAGE004
其中f i 为预测值，y i 为粘滞阻力值。
由于不同输出变量对应的均方差单位不同，无法进行有效对比，本公开将仿真值与代理模型计算的预测值做归一化处理后再做均方差计算，计算得到的归一化均方差如表3所示。
表3代理模型归一化均方差
Figure 488532DEST_PATH_IMAGE005
拟合优度计算步骤如下：
将测试集中仿真分析获得的粘滞拖曳阻力沿X、Y方向的阻力和绕Z方向的转矩的仿真值作为横坐标，将代理模型计算的对应预测值作为纵坐标。计算以y=x为目标曲线的拟合优度。拟合优度计算如下：
Figure 481896DEST_PATH_IMAGE006
其中f i 为预测值，y i 为粘滞阻力值，
Figure 69782DEST_PATH_IMAGE007
为所有预测值的均值。
表4 代理模型拟合优度
Figure 806794DEST_PATH_IMAGE008
由表3和表4可知，代理模型最大均方差为1.33×10-3，最小拟合优度为0.9610，能够较为准确的预报拖体在给定范围内设计变量对应的粘滞阻力。
如图14，本实施例中，利用流体力学仿真技术，计算不同设计变量对应的粘滞拖曳阻力，并建立数据库。借助数据库，训练人工神经网络模型并建立代理模型；利用代理模型预报拖体在不同设计变量下的粘滞拖曳阻力。与计算流体力学仿真技术相比，利用代理模型计算未知拖曳工况下拖体的粘滞拖曳阻力能大大减少计算时间，提高深拖系统设计效率。
实施例2
本发明的另一典型实施方式中，如图1-图13所示，给出一种拖体粘滞拖曳阻力预测系统。
该系统包括：
拖体建模模块，被配置为：建立拖体仿真模型；
数据获取模块，被配置为：选定拖体不同拖曳工况下的多组设计变量代入拖体仿真模型，得到每组设计变量对应的荷载变量，进而计算拖体对应的粘滞拖曳阻力；
代理模型建模模块，被配置为：基于设计变量和粘滞拖曳阻力，获取拖体的粘滞拖曳阻力代理模型，测试粘滞拖曳阻力代理模型性能；
预测模块，被配置为：依据粘滞拖曳阻力代理模型和设计变量，预测拖体的粘滞拖曳阻力。
还包括训练模块，被配置为：选择机器学习模型，通过设计变量和对应的粘滞拖曳阻力，创建设计变量-粘滞拖曳阻力组成的数据库，利用数据库训练机器学习模型，获取拖体的粘滞拖曳阻力代理模型。
其中，根据拖体的几何参数建立拖体仿真模型。
可以理解的是，上述拖体粘滞拖曳阻力预测系统的工作方法与实施例1提供的拖体粘滞拖曳阻力预测方法相同，可以参见上述实施例1中的详细描述，这里不再赘述。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种拖体粘滞拖曳阻力预测方法，其特征在于，包括：
建立拖体仿真模型；
选定拖体不同拖曳工况下的多组设计变量代入拖体仿真模型，得到每组设计变量对应的荷载变量，进而计算拖体对应的粘滞拖曳阻力；
基于设计变量和粘滞拖曳阻力，获取拖体的粘滞拖曳阻力代理模型，测试粘滞拖曳阻力代理模型性能；
依据粘滞拖曳阻力代理模型和设计变量，预测拖体的粘滞拖曳阻力。
2.如权利要求1所述的拖体粘滞拖曳阻力预测方法，其特征在于，选择机器学习模型，通过设计变量和对应的粘滞拖曳阻力，创建设计变量-粘滞拖曳阻力组成的数据库，利用数据库训练机器学习模型，获取拖体的粘滞拖曳阻力代理模型。
3.如权利要求2所述的拖体粘滞拖曳阻力预测方法，其特征在于，利用数据库训练机器学习模型，包括：
选择人工神经网络回归模型建立设计变量-粘滞拖曳阻力代理模型；
将数据库划分数据集，并带入人工神经网络回归模型进行训练，确定人工神经网络回归模型的超参数；
对超参数进行寻优，得到人工神经网络模型作为粘滞拖曳阻力代理模型。
4.如权利要求1所述的拖体粘滞拖曳阻力预测方法，其特征在于，测试粘滞拖曳阻力代理模型性能具体包括：
选取设计变量带入粘滞拖曳阻力代理模型，得到粘滞拖曳阻力的预测值；
通过均方差和拟合优度指标表征代理模型的性能。
5.如权利要求4所述的拖体粘滞拖曳阻力预测方法，其特征在于，将通过仿真分析获得仿真值与粘滞拖曳阻力代理模型计算的预测值做归一化处理后再做均方差计算。
6.如权利要求1所述的拖体粘滞拖曳阻力预测方法，其特征在于，选取设计变量为拖体绕Z轴的角度、沿X轴的速度和沿Y轴的速度，获取的荷载变量为水动力荷载绕Z轴的转矩、沿X轴的分力和沿Y轴的分力，建立设计变量-荷载变量数据对。
7.如权利要求6所述的拖体粘滞拖曳阻力预测方法，其特征在于，处理设计变量-荷载变量数据对，计算与设计变量对应的粘滞拖曳阻力。
8.一种拖体粘滞拖曳阻力预测系统，其特征在于，包括：
拖体建模模块，被配置为：建立拖体仿真模型；
数据获取模块，被配置为：选定拖体不同拖曳工况下的多组设计变量代入拖体仿真模型，得到每组设计变量对应的荷载变量，进而计算拖体对应的粘滞拖曳阻力；
代理模型建模模块，被配置为：基于设计变量和粘滞拖曳阻力，获取拖体的粘滞拖曳阻力代理模型，测试粘滞拖曳阻力代理模型性能；
预测模块，被配置为：依据粘滞拖曳阻力代理模型和设计变量，预测拖体的粘滞拖曳阻力。
9.如权利要求8所述的拖体粘滞拖曳阻力预测系统，其特征在于，还包括训练模块，被配置为：选择机器学习模型，通过设计变量和对应的粘滞拖曳阻力，创建设计变量-粘滞拖曳阻力组成的数据库，利用数据库训练机器学习模型，获取拖体的粘滞拖曳阻力代理模型。
10.如权利要求8所述的拖体粘滞拖曳阻力预测系统，其特征在于，根据拖体的几何参数建立拖体仿真模型。
CN202210638430.0A 2022-06-08 2022-06-08 一种拖体粘滞拖曳阻力预测方法及系统 Active CN114722731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210638430.0A CN114722731B (zh) 2022-06-08 2022-06-08 一种拖体粘滞拖曳阻力预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210638430.0A CN114722731B (zh) 2022-06-08 2022-06-08 一种拖体粘滞拖曳阻力预测方法及系统

Publications (2)

Publication Number Publication Date
CN114722731A true CN114722731A (zh) 2022-07-08
CN114722731B CN114722731B (zh) 2022-09-02

Family

ID=82232847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210638430.0A Active CN114722731B (zh) 2022-06-08 2022-06-08 一种拖体粘滞拖曳阻力预测方法及系统

Country Status (1)

Country Link
CN (1) CN114722731B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358100A (zh) * 2022-10-21 2022-11-18 山东大学 一种海洋拖曳系统多目标优化方法及装置
CN116663457A (zh) * 2023-07-25 2023-08-29 山东大学 基于半解析方程的锥形阻力伞拖曳阻力预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104765916A (zh) * 2015-03-31 2015-07-08 西南交通大学 一种高速列车动力学性能参数优化方法
CN113919208A (zh) * 2021-08-30 2022-01-11 山东大学 一种阻力伞水动力荷载预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104765916A (zh) * 2015-03-31 2015-07-08 西南交通大学 一种高速列车动力学性能参数优化方法
CN113919208A (zh) * 2021-08-30 2022-01-11 山东大学 一种阻力伞水动力荷载预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
蔡亮学等: "水平定向钻回拖载荷预测模型", 《油气储运》 *
韦成龙等: "多缆地震船拖体的阻力及横向姿态预测", 《热带海洋学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358100A (zh) * 2022-10-21 2022-11-18 山东大学 一种海洋拖曳系统多目标优化方法及装置
CN115358100B (zh) * 2022-10-21 2023-02-17 山东大学 一种海洋拖曳系统多目标优化方法及装置
CN116663457A (zh) * 2023-07-25 2023-08-29 山东大学 基于半解析方程的锥形阻力伞拖曳阻力预测方法及系统
CN116663457B (zh) * 2023-07-25 2023-11-17 山东大学 基于半解析方程的锥形阻力伞拖曳阻力预测方法及系统

Also Published As

Publication number Publication date
CN114722731B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114722731B (zh) 一种拖体粘滞拖曳阻力预测方法及系统
CN109343505A (zh) 基于长短期记忆网络的齿轮剩余寿命预测方法
CN111914481B (zh) 基于改进的pso-rbf算法的边坡稳定性预测方法
CN106646645B (zh) 一种重力正演加速方法
CN105260786B (zh) 一种电力推进系统仿真可信度评估模型综合优化方法
CN111813146B (zh) 基于bp神经网络预测航程的再入预测-校正制导方法
CN112613092B (zh) 一种路基压实度空间分布的预测方法和预测装置
CN110543727B (zh) 一种基于改进粒子群算法的全向移动智能轮椅机器人参数辨识方法
JP7403690B2 (ja) 複雑地形においてＬｉＤＡＲで高速の風の流れを測定するためのシステムおよび方法
CN113919208B (zh) 一种阻力伞水动力荷载预测方法及系统
CN111158059B (zh) 基于三次b样条函数的重力反演方法
CN114861519B (zh) 复杂地质条件下初始地应力场加速优化反演方法
CN116520281A (zh) 一种基于ddpg的扩展目标跟踪优化方法和装置
CN110110475B (zh) 基于在线学习渐消因子的扩展卡尔曼滤波方法
CN114357878A (zh) 一种水陆两栖飞机典型截面的着水面载荷预测方法
CN113295842A (zh) 一种矿山边坡岩体工程稳定性精准评价系统
CN117708985A (zh) 一种基于机器学习的高速双旋弹非定常气动力预测方法
CN117113725A (zh) 参数摆式波浪能装置的获能分析方法
CN117634020A (zh) 一种基于多保真度数据融合的高超声速飞行器总体控制协同设计方法
Guo et al. Data mining and application of ship impact spectrum acceleration based on PNN neural network
CN115033977B (zh) 一种基于神经网络技术的地面实测脉动压力参数辨识方法
Cintra et al. A parallel DEM approach with memory access optimization using HSFC
CN115640720A (zh) 一种基于距离控制网格加密的自引力仿真方法
CN114488314B (zh) 一种基于陆地与水下直流电联合测量的地质反演方法
Xie et al. An effort saving method to establish global aerodynamic model using CFD

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