CN115828711B - 一种水下结构物破冰剩余速度预测方法及系统 - Google Patents
一种水下结构物破冰剩余速度预测方法及系统 Download PDFInfo
- Publication number
- CN115828711B CN115828711B CN202310108642.2A CN202310108642A CN115828711B CN 115828711 B CN115828711 B CN 115828711B CN 202310108642 A CN202310108642 A CN 202310108642A CN 115828711 B CN115828711 B CN 115828711B
- Authority
- CN
- China
- Prior art keywords
- model
- precision
- ice
- underwater structure
- speed
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 102
- 230000004044 response Effects 0.000 claims abstract description 38
- 239000000463 material Substances 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000003628 erosive effect Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 101100076569 Euplotes raikovi MAT3 gene Proteins 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 241000239366 Euphausiacea Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000704 physical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种水下结构物破冰剩余速度预测方法及系统，所述方法包括：在给定的发射速度范围、冰厚范围内采样生成第一精度样本点和第二精度样本点；建立水下结构物破冰过程有限元模型，分别计算第二精度样本点在不同的冰材料的本构模型下的响应值，得到第二精度数据；基于第二精度数据，分别采用克里金近似建模方法构建多个第二精度模型；搭建水下结构物的缩比模型，测算第一精度样本点在缩比模型下的响应值，得到第一精度数据；通过多个第二精度模型构建趋势模型，通过第一精度数据对趋势模型进行校准，构建预测模型；通过预测模型预测水下结构物破冰剩余速度。本发明建立了变可信度代理模型对水下结构物破冰剩余速度快速预测，可提高预测精度。
Description
技术领域
本发明属于水下结构物破冰发射技术领域，尤其涉及一种水下结构物破冰剩余速度预测方法及系统。
背景技术
将水下结构物部署于水下武器平台，能够增加攻击突然性、提升武器突防能力，提高作战任务成功率。相比在海水下发射水下结构物，水下武器平台潜伏在冰封海洋下更具有隐蔽性，因为冰层会反射大部分的红外和雷达信号，同时能降低水下武器平台在冰层下的噪音，使周边军事基地的勘察装置很难搜寻到水下武器平台的位置。在冰封海洋下发射水下结构物，一般采用对水下结构物头罩进行特别的强化加固设计，而后水下武器平台在冰下直接发射水下结构物破冰而出。因此，为了保证水下结构物破冰后的姿态稳定，就必须对其剩余速度进行准确分析与预测。
相比于对每次水下结构物发射进行仿真模拟，采用代理模型方法从历史数据中构建剩余速度预测模型，能够大幅缩短预测时间，提高发射效率。然而现有的代理模型构建方法中，若通过大量水下结构物破冰缩比实验建立水下结构物发射速度、冰厚与水下结构物剩余速度的代理模型，无疑将耗费巨大的人力、物力及时间成本；若完全依赖于数值仿真分析数据建立代理模型，则其预测精度不高。另一方面，建立数值仿真模型时，不同冰材料的本构模型获得的仿真分析结果与实验结果在不同工况下的贴近程度也不同，仅采用单一的本构模型会造成较大误差。钱源在《垂向破冰冰载荷计算方法研究》中比较了不同材料的海冰本构模型的有限元仿真结果，但最终只选用了基于各向同性弹塑性本构模型进行数值模拟，且其研究重点在于垂向破冰载荷计算，并不涉及破冰后的剩余速度预测，现有技术中也很少有关于水下结构物破冰剩余速度的研究。
因此，如何利用少量精度较高的实验数据实现对水下结构物破冰剩余速度的快速预测，是对水下结构物破冰后姿态评估、提高发射效率的关键之一。
发明内容
有鉴于此，本发明提出了一种水下结构物破冰剩余速度预测方法及系统，用于解决水下结构物破冰剩余速度预测时，完全依赖数值仿真分析数据建立的代理模型预测误差较大的问题。
本发明第一方面，公开一种水下结构物破冰剩余速度预测方法，所述方法包括：
S1、在给定的发射速度范围、冰厚范围内采样生成多个第一精度样本点和第二精度样本点，每个样本点均包括发射速度、冰厚两个维度；
S2、建立水下结构物破冰过程的有限元模型，选取不同的冰材料的本构模型，分别计算第二精度样本点在不同的冰材料的本构模型下的破冰剩余速度的响应值，得到第二精度数据；
S3、基于第二精度数据，分别采用克里金近似建模方法构建多个第二精度模型，用于进行破冰剩余速度预测；
S4、搭建水下结构物的缩比模型，测算第一精度样本点在缩比模型下的破冰剩余速度的响应值，得到第一精度数据；
S5、通过多个第二精度模型构建趋势模型，通过第一精度数据对趋势模型进行校准，构建预测模型；
S6、通过预测模型预测水下结构物破冰剩余速度。
在以上技术方案的基础上，优选的，所述步骤S1中，采用最优拉丁超立方设计方法采样生成多个第一精度样本点和第二精度样本点。
在以上技术方案的基础上，优选的，所述步骤S2中，所述建立水下结构物破冰过程有限元模型具体包括：
建立冰的模型和水下结构物模型，其中，冰的模型采用边长为
L，厚度为
H的长方体结构；水下结构物模型为一直径为
D，长度为
W的圆柱，圆柱上方为一直径为
D的半球结构；
水下结构物撞击位置为冰的中间区域；
对冰和水下结构物均采用SOLID164单元网格划分，并进行网格无关性验证；
给水下结构物加载重力载荷和发射速度，水下结构物和冰之间的接触算法采用ERODING侵蚀接触算法，对冰施加两个对面的约束，采用拉格朗日法求解水下结构物破冰瞬态动力学问题。
在以上技术方案的基础上，优选的，所述步骤S3中，所述基于第二精度数据，分别采用克里金近似建模方法构建多个第二精度模型具体包括：
基于第二精度数据，采用克里金近似建模方法构建第二精度模型，每个第二精度模型在任意一个样本点x处的预测值为：
；
其中，表示回归系数向量，表示第i个第二精度模型的基函数向量，表示高斯过程中的随机误差，P为不同的冰材料的本构模型总数。
在以上技术方案的基础上，优选的，所述步骤S5具体包括：
S51、将第一精度样本点分别输入多个第二精度模型中，得到多个破冰剩余速度的初步预测值；
S52、基于第一精度数据和破冰剩余速度的初步预测值计算每个第二精度模型的乘法相关系数，将各个乘法相关系数与对应的第二精度分析模型的乘积线性组合，得到趋势模型；
S53、将第一精度样本点输入趋势模型，计算得到第一精度样本点在趋势模型下的响应值，根据第一精度样本点在趋势模型下的响应值与第一精度数据的偏差构建校准模型；
S54、将趋势模型和校准模型叠加，得到预测模型。
在以上技术方案的基础上，优选的，所述步骤S52中，所述基于第一精度数据和破冰剩余速度的初步预测值计算每个第二精度模型的乘法相关系数具体包括：
S521、设第一精度样本点总数为，第二精度模型为P个，则破冰剩余速度的初步预测值共个；设P个第二精度模型的乘法相关系数的初始值均为；
S522、分别将个破冰剩余速度的初步预测值与对应的乘法相关系数相乘，并将同一样本点对应的P个相乘结果相加得到个综合响应值；
S523、计算第一精度数据与个综合响应值的偏差，得到偏差数据；
S524、基于偏差数据，采用克里金近似建模方法构建偏差预测模型，对于任意点x，其预测的偏差值为：；其中，表示回归系数向量；表示偏差预测模型的基函数向量；表示高斯过程中的随机误差；
S525、计算偏差预测模型的差异平滑度评估指标值，采用内点法更新各乘法相关系数；
S526、重复以上步骤S522~S525，直至乘法相关系数收敛。
在以上技术方案的基础上，优选的，所述步骤S53中，所述根据第一精度样本点在趋势模型下的响应值与第一精度数据的偏差构建校准模型具体包括：
计算第一精度样本点在趋势模型下的响应值与第一精度数据的偏差；
基于所述偏差，采用克里金近似建模方法构建校准模型，并通过极大似然估计法计算校准模型的超参数。
在以上技术方案的基础上，优选的，所述步骤S5中，所述预测模型的数学表示形式为：
；
其中，为趋势模型项，用于预测剩余速度的分布趋势，为第i个冰材料的本构模型对应的第二精度模型，为对应的乘法相关系数；为校准模型，用于校准剩余速度的分布趋势与真实剩余速度之间的误差，表示回归系数向量，表示偏差预测模型的基函数向量，表示高斯过程中的随机误差。
本发明第二方面，公开一种水下结构物破冰剩余速度预测系统，所述系统包括：
数据采样模块：用于在给定的发射速度范围、冰厚范围内采样生成多个第一精度样本点和第二精度样本点，每个样本点均包括发射速度、冰厚两个维度；
过程仿真模块：用于建立水下结构物破冰过程的有限元模型，选取不同的冰材料的本构模型，分别计算第二精度样本点在不同的冰材料的本构模型下的破冰剩余速度的响应值，得到第二精度数据；
模型建立模块：用于基于第二精度数据，分别采用克里金近似建模方法构建多个第二精度模型，用于进行破冰剩余速度预测；搭建水下结构物的缩比模型，测算第一精度样本点在缩比模型下的破冰剩余速度的响应值，得到第一精度数据；通过多个第二精度模型构建趋势模型，通过第一精度数据对趋势模型进行校准，构建预测模型；
速度预测模块：用于通过预测模型预测水下结构物破冰剩余速度。
本发明相对于现有技术具有以下有益效果：
1）本发明通过大量的不同冰材料的本构模型仿真得到的第二精度数据来构建趋势模型，可避免单一的冰材料的本构模型与冰的真实物理性质变化不一致所造成的模型精度差的问题，提高预测的准确度；在此基础上，利用通过缩比模型实验获得的少量第一精度数据对趋势模型进行校准，修正趋势模型和真实值之间的差异，以此构建的预测模型通过少量的高质量实验数据即可实现剩余速度的准确预测；
2）本发明通过多个第二精度模型构建趋势模型，基于第一精度数据和破冰剩余速度的初步预测值计算每个第二精度模型的乘法相关系数，通过寻找最优的乘法相关系数来合理表征各个第二精度分析模型的权重大小，以此得到的趋势模型可以综合反映剩余速度的整体分布趋势，减少与缩比模型实验得到的第一精度数据之间的误差；
3）本发明将水下结构物缩比模型破冰实验数据和不同冰材料的本构模型得到的仿真数据结合，利用少量精度较高的实验数据与不同冰材料的本构模型获得的仿真数据来构建精度更高的变可信度代理模型，利用变可信度代理模型运算快速的优点，能够实现对水下结构物破冰剩余速度的快速准确预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的水下结构物破冰剩余速度预测方法流程图；
图2为水下结构物垂直破冰过程示意图；
图3为冰的约束情况示意图；
图4为采用MAT3和MAT13本构模型的仿真分析破冰形态图；
图5为同一实验条件下的仿真速度变化曲线图；
图6为在不同的发射速度和冰厚工况条件下，采用MAT3和MAT13两种冰材料本构模型对应的仿真剩余速度与缩比模型的实验剩余速度对比图。
实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
本发明的研究对象是水下结构物破冰过程，本发明的实施例选用一块横截面为正方形的冰块作为待破冰对象，水下结构物的主体结构为一圆柱体，顶部采用半圆球结构，水下结构物在距冰块一定距离的中心位置处以给定速度发射，水下结构物在无动力情况下在水中沿直线运动逐渐接近冰块，在接触冰块时，由于自身的动能，使得冰块中间变形破碎，水下结构物以一定速度穿透冰块，希望预测出水下结构物在穿透冰块瞬间的速度大小。
请参阅图1，本发明提出了一种水下结构物破冰剩余速度预测方法，包括如下步骤：
S1、在给定的发射速度范围、冰厚范围内采样生成多个第一精度样本点和第二精度样本点。
具体的，在给定的发射速度范围、冰厚范围内，采用最优拉丁超立方设计方法分别生成个第一精度样本点和个第二精度样本点，每个样本点均包括发射速度和冰厚两个维度，且第一精度样本点和第二精度样本点的个数通常根据样本点的获取时间以及样本点的维度进行确定。采样得到的第一精度样本点和第二精度样本点可相同或者不相同。
本发明通过最优拉丁超立方设计方法进行采样，最优拉丁超立方设计方法是一种从变量的分布空间内进行高效抽样的分层抽样方法，相较于常规的拉丁超立方采样，其进一步提高了样本的空间填充性。
S2、建立水下结构物破冰过程的有限元模型，选取不同的冰材料的本构模型，分别计算第二精度样本点在不同的冰材料的本构模型下的破冰剩余速度的响应值，得到第二精度数据。
具体的，可采用有限元分析软件ANSYS建立水下结构物破冰过程有限元模型。首先建立冰的模型和水下结构物模型，其中，冰的模型采用边长为L，厚度为H的长方体结构，设置冰的密度为，弹性模量为，泊松比为；水下结构物模型为一直径为D，长度为W的圆柱，圆柱上方为一直径为D的半球结构；设置水下结构物的密度为，弹性模量为，泊松比为；水下结构物撞击位置为冰的中间区域。
然后对冰和水下结构物均采用SOLID164单元网格划分，网格可采用结构化网格或非结构化网格，并进行网格无关性验证。
给水下结构物加载重力载荷和发射速度，水下结构物和冰之间的接触算法采用ERODING侵蚀接触算法，对冰施加两个对面的约束，采用拉格朗日法求解水下结构物破冰瞬态动力学问题。对于本领域技术人员来说，有限元模型网格划分以及模型接触设置、载荷设置、约束设置、求解算法设置是一种公知常识，在此不再赘述。
由于冰材料的本构模型是影响数值仿真结果的主要因素，但冰材料具有复杂的物理性质，现有研究中不存在完全符合冰的真实物理性质变化的本构模型。因此，对于所建立的有限元模型，需要选择P个不同的冰材料的本构模型，比如双线性弹塑性本构模型MAT3和各向同性弹性断裂失效模型MAT13等，基于步骤S1中获取的个第二精度样本点，改变仿真模型的水下结构物的发射速度和冰厚，仿真得到个破冰剩余速度的响应值，第i个本构模型对应的响应值为，将第二精度样本点与对应的破冰剩余速度的响应值组成第二精度数据，表示为，其中i表示第i个本构模型。
S3、基于第二精度数据，分别采用克里金近似建模方法构建多个第二精度模型，用于进行破冰剩余速度预测。
根据步骤S2获取的个第二精度数据，采用克里金近似建模方法构建第二精度模型，每个第二精度模型在任意一个样本点x处的预测值为：
其中，表示回归系数向量，表示第i个第二精度模型的基函数向量，表示高斯过程中的随机误差。
根据第二精度数据，采用极大似然估计法确定克里金模型中各个参数取值。
S4、搭建水下结构物的缩比模型，测算第一精度样本点在缩比模型下的破冰剩余速度的响应值，得到第一精度数据。
搭建水下结构物的缩比模型，该缩比模型的尺寸和材料设置与仿真模型保持一致，并根据步骤S1中获取的第一精度样本点更换不同厚度的冰块、调整对应的水下结构物发射速度，测量水下结构物垂直穿过冰块后的剩余速度响应值，将第一精度样本点与对应的破冰剩余速度响应值组合成第一精度数据，表示为。
S5、通过多个第二精度模型构建趋势模型，通过第一精度数据对趋势模型进行校准，构建预测模型。
步骤S5具体包括如下分步骤：
S51、将第一精度样本点分别输入多个第二精度模型中，得到破冰剩余速度的初步预测值。
将个第一精度样本点分别输入至步骤S4所构建的P个第二精度模型中，得到个破冰剩余速度的初步预测值，第一精度样本点与对应的破冰剩余速度的初步预测值表示为：。
S52、基于第一精度数据和破冰剩余速度的初步预测值计算每个第二精度模型的乘法相关系数，将各个乘法相关系数与对应的第二精度分析模型的乘积线性组合，得到趋势模型。
为了计算每个第二精度模型的乘法相关系数，就需要找到合适的乘法相关系数取值，使得差异平滑度评估指标值最小，乘法相关系数决定了每个第二精度模型对预测结果的权重大小，求解乘法相关系数的具体流程如步骤S521~S526所示：
S521、设P个第二精度模型的乘法相关系数的初始值均为。
S522、分别将个破冰剩余速度的初步预测值与对应的乘法相关系数相乘，并将同一样本点对应的P个相乘结果相加，得到个综合响应值，第一精度样本点与对应的综合响应值表示为，其中，。
S523、计算第一精度数据与个综合响应值的偏差，得到偏差数据。
S524、基于偏差数据，采用克里金近似建模方法构建偏差预测模型，对于任意点x，其预测的偏差值为：；其中，表示回归系数向量；表示偏差预测模型的基函数向量；表示高斯过程中的随机误差；
S525、计算偏差预测模型的差异平滑度评估指标值，采用内点法更新各乘法相关系数；
S526、重复以上步骤S522~S525，直至乘法相关系数收敛。
通过以上步骤迭代求得各个第二精度模型所对应的最佳乘法相关系数，再将该乘法相关系数与对应的第二精度模型相乘，再将相乘结果求和得到趋势模型。
S53、将第一精度样本点输入趋势模型，计算得到第一精度样本点在趋势模型下的响应值，根据第一精度样本点在趋势模型下的响应值与第一精度数据的偏差构建校准模型。
具体的，计算第一精度样本点在趋势模型下的响应值与第一精度数据的偏差，基于所述偏差，采用克里金近似建模方法构建校准模型，并通过极大似然估计法计算校准模型的超参数。
对于任意样本点x，校准模型预测的校准值为，其中，表示回归系数向量，表示校准模型的基函数向量，表示高斯过程中的随机误差。
S54、将趋势模型和校准模型叠加，得到预测模型。
所述预测模型的数学表示形式为：
；
其中，为趋势模型项，用于预测剩余速度的分布趋势，为第i个冰材料的本构模型对应的第二精度模型，为对应的乘法相关系数；为校准模型，用于校准剩余速度的分布趋势与真实剩余速度之间的误差。
S6、通过预测模型预测水下结构物破冰剩余速度。
将待预测的水下结构物发射速度和冰块厚度输入预测模型，其输出即为预测的剩余速度。
本发明将水下结构物缩比模型破冰实验数据和不同冰材料的本构模型得到的仿真数据结合，得到一种变可信度代理模型，变通过不同冰材料的本构模型得到的第二精度模型来构建克里金模型预测总体的分布趋势，再通过第一精度数据对其进行校准，从而在少量第一精度数据下实现对剩余速度的准确预测。利用所建立的变可信度代理模型运算速度快的特点，在给定的水下结构物发射速度和冰厚条件下，将其输入至模型，便可获得预测的剩余速度，从而实现对水下结构物破冰剩余速度的快速预测。
与上述方法实施例相对应，本发明还提出一种水下结构物破冰剩余速度预测系统，所述系统包括：
数据采样模块：用于在给定的发射速度范围、冰厚范围内采样生成多个第一精度样本点和第二精度样本点，每个样本点均包括发射速度、冰厚两个维度；
过程仿真模块：用于建立水下结构物破冰过程的有限元模型，选取不同的冰材料的本构模型，分别计算第二精度样本点在不同的冰材料的本构模型下的破冰剩余速度的响应值，得到第二精度数据；
模型建立模块：用于基于第二精度数据，分别采用克里金近似建模方法构建多个第二精度模型，用于进行破冰剩余速度预测；搭建水下结构物的缩比模型，测算第一精度样本点在缩比模型下的破冰剩余速度的响应值，得到第一精度数据；通过多个第二精度模型构建趋势模型，通过第一精度数据对趋势模型进行校准，构建预测模型；
速度预测模块：用于通过预测模型预测水下结构物破冰剩余速度。
以上系统实施例和方法实施例是一一对应的，系统实施例简述之处请参阅方法实施例即可，不再赘述。
为了更加全面直观的说明本发明的技术方案，接下来结合具体的实验数据对本发明的技术方案做出说明。
如图2所示，该图展示了某一冰厚条件下水下结构物垂直破冰过程的三维有限元仿真模型及其网格划分，图中圆柱体代表水下结构物，长方体代表冰块。在本实施例中，冰模型边长为
L=300mm，冰厚为
H=20mm；水下结构物的直径为
D=18mm，长度为
W=230mm。冰模型采用结构化网格划分，水下结构物采用四面体非结构化网格划分，两者均采用SOLID164单元，冰网格大小为0.003，冰模型单元数为24056个，水下结构物网格大小为0.004，模型单元数为4501个，共计28557个单元。设置冰材料的密度为=900kg/m3，弹性模量为=0.63GPa，泊松比为=0.3；水下结构物的密度为=1420 kg/m3，弹性模量为=70GPa，泊松比为=0.3。
对冰的左右两个边施加6自由度约束，图3所示为冰约束情况示意图，图3左右两侧为对冰施加的约束力，接触算法采用ERODING侵蚀接触算法。选用双线性弹塑性本构模型MAT3和各向同性弹性断裂失效模型MAT13作为冰的本构模型进行数值仿真分析。
图4所示为发射速度为15.34m/s，冰厚为18mm情况下，采用MAT3和MAT13本构模型的仿真分析破冰形态图，其中左图均为冰下视角图，右图为冰上视角图。
图5所示为同一实验条件下的仿真速度变化曲线图，采用MAT3和MAT13本构模型的两种仿真分析过程的形态基本一致，且其速度变化曲线与高精度实验结果吻合度较高，即两个第二精度模型在整体上能够反映第一精度模型的特征，可以为第一精度模型的剩余速度预测提供有用信息，从仿真结果中提取最终稳定的速度即为剩余速度。
图6为在不同的发射速度和冰厚工况条件下，采用MAT3和MAT13两种冰材料本构模型获得的两种第二精度模型的仿真剩余速度与缩比模型的实验剩余速度对比图。图6反映了两种第二精度模型与缩比模型的贴近程度在不同工况下有所不同。其中，工况1中发射速度为15.34m/s，冰厚为18mm；工况2中发射速度为16.33m/s，冰厚为20mm；工况3中发射速度为21.88m/s，冰厚为20mm；工况4中发射速度为22.44m/s，冰厚为16mm。在工况1和工况3中，采用MAT13本构模型进行数值仿真获得的结果与实验误差分别为0.45%和13.16%，而MAT3本构模型获得的结果与实验误差分别为2.35%和21.87%；相反，在工况2和工况4中，采用MAT3本构模型获得的结果与缩比实验结果的误差均低于MAT13本构模型，说明不同的冰材料的本构模型在不同工况下与冰的真实物理属性变化贴近程度不同，因此采用单一的本构模型会造成较大误差，本发明通过同时考虑不同的冰材料的本构模型，可有效降低此误差。
在本实施例中，根据缩比模型实验所需时间以及仿真所需时间，选取第一精度样本点数为13，选取1~9号为第一精度样本点，10~13号为验证点，用于测试验证所构建的变可信度代理模型的预测精度；选取第二精度样本点数为32，均用于模型构建。
采用最优拉丁超立方设计方法采样生成的结果以及对应的仿真剩余速度结果如表1、表2所示，其中，表1为第一精度数据，表2为第二精度数据。
需要说明的是，本发明给出的具体实施例仅为示意的，并不构成本发明具体实施案例的唯一限定，对本领域技术人员而言，可在本发明提供的实施例的基础下，同理采用上述提供的基于变可信度代理模型的水下结构物破冰剩余速度预测方法，实现对不同结构的水下结构物破冰剩余速度的快速预测。
为了更好地展示本发明所提出的基于变可信度代理模型的水下结构物破冰剩余速度预测方法，本实施例同时对采用广泛的扩展克里金模型、基于线性回归的克里金模型和基于高精度样本点的单精度克里金模型的预测效果进行对比，采用平均绝对误差(MAE)、均方根误差(RMSE)作为预测精度的评价准则，比较结果如下：
从表3中可看出，采用本发明所提出的变可信度代理模型方法对剩余速度进行预测，其MAE和RMSE值均为最小，预测精度最高，这反映出本发明提出的方法能够显著提高预测精度，实现对水下结构物破冰剩余速度的快速准确预测。
本发明还公开一种电子设备，包括：至少一个处理器、至少一个存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以实现本发明前述的方法。
本发明还公开一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机实现本发明实施例所述方法的全部或部分步骤。所述存储介质包括：U盘、移动硬盘、只读存储器ROM、随机存取存储器RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以分布到多个网络单元上。本领域普通技术人员在不付出创造性的劳动的情况下，可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，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 (8)
1.一种水下结构物破冰剩余速度预测方法，其特征在于，所述方法包括：
S1、在给定的发射速度范围、冰厚范围内采样生成多个第一精度样本点和第二精度样本点，每个样本点均包括发射速度、冰厚两个维度；
S2、建立水下结构物破冰过程的有限元模型，并选取不同的冰材料的本构模型，分别计算第二精度样本点在不同的冰材料的本构模型下的破冰剩余速度的响应值，得到第二精度数据；
S3、基于第二精度数据，分别采用克里金近似建模方法构建多个第二精度模型，用于进行破冰剩余速度预测；
S4、搭建水下结构物的缩比模型，测算第一精度样本点在缩比模型下的破冰剩余速度的响应值，得到第一精度数据；
S5、通过多个第二精度模型构建趋势模型，通过第一精度数据对趋势模型进行校准，构建预测模型；
所述步骤S5具体包括：
S51、将第一精度样本点分别输入多个第二精度模型中，得到多个破冰剩余速度的初步预测值；
S52、基于第一精度数据和破冰剩余速度的初步预测值计算每个第二精度模型的乘法相关系数，将各个乘法相关系数与对应的第二精度分析模型的乘积线性组合，得到趋势模型；
S53、将第一精度样本点输入趋势模型，计算得到第一精度样本点在趋势模型下的响应值，根据第一精度样本点在趋势模型下的响应值与第一精度数据的偏差构建校准模型；
S54、将趋势模型和校准模型叠加，得到预测模型；
S6、通过预测模型预测水下结构物破冰剩余速度。
2.根据权利要求1所述的水下结构物破冰剩余速度预测方法，其特征在于，所述步骤S1中，采用最优拉丁超立方设计方法采样生成多个第一精度样本点和第二精度样本点。
3.根据权利要求1所述的水下结构物破冰剩余速度预测方法，其特征在于，所述步骤S2中，所述建立水下结构物破冰过程的有限元模型具体包括：
建立冰的模型和水下结构物模型，其中，冰的模型采用边长为 ，厚度为的长方体结构；水下结构物模型为一直径为，长度为的圆柱，圆柱上方为一直径为的半球结构；
水下结构物撞击位置为冰的中间区域；
对冰和水下结构物均采用SOLID164单元网格划分，并进行网格无关性验证；
给水下结构物加载重力载荷和发射速度，水下结构物和冰之间的接触算法采用ERODING侵蚀接触算法，对冰施加两个对面的约束，采用拉格朗日法求解水下结构物破冰瞬态动力学问题。
4.根据权利要求1所述的水下结构物破冰剩余速度预测方法，其特征在于，所述步骤S3中，所述基于第二精度数据，分别采用克里金近似建模方法构建多个第二精度模型具体包括：
基于第二精度数据，采用克里金近似建模方法构建第二精度模型，每个第二精度模型在任意一个样本点处的预测值为：
；
其中，表示回归系数向量，表示第i个第二精度模型的基函数向量，表示高斯过程中的随机误差，为不同的冰材料的本构模型总数。
5.根据权利要求1所述的水下结构物破冰剩余速度预测方法，其特征在于，所述步骤S52中，所述基于第一精度数据和破冰剩余速度的初步预测值计算每个第二精度模型的乘法相关系数具体包括：
S521、设第一精度样本点总数为，第二精度模型为个，则破冰剩余速度的初步预测值共个；设个第二精度模型的乘法相关系数的初始值均为；
S522、分别将个破冰剩余速度的初步预测值与对应的乘法相关系数相乘，并将同一样本点对应的个相乘结果相加得到个综合响应值；
S523、计算第一精度数据与个综合响应值的偏差，得到偏差数据；
S524、基于偏差数据，采用克里金近似建模方法构建偏差预测模型，对于任意点，其预测的偏差值为：；其中，表示回归系数向量；表示偏差预测模型的基函数向量；表示高斯过程中的随机误差；
S525、计算偏差预测模型的差异平滑度评估指标值，采用内点法更新各乘法相关系数；
S526、重复以上步骤S522~S525，直至乘法相关系数收敛。
6.根据权利要求5所述的水下结构物破冰剩余速度预测方法，其特征在于，所述步骤S53中，所述根据第一精度样本点在趋势模型下的响应值与第一精度数据的偏差构建校准模型具体包括：
计算第一精度样本点在趋势模型下的响应值与第一精度数据的偏差；
基于所述偏差，采用克里金近似建模方法构建校准模型，并通过极大似然估计法计算校准模型的超参数。
7.根据权利要求4所述的水下结构物破冰剩余速度预测方法，其特征在于，所述步骤S5中，所述预测模型的数学表示形式为：
；
其中，为趋势模型项，用于预测剩余速度的分布趋势，为第个冰材料的本构模型对应的第二精度模型，为对应的乘法相关系数；为校准模型，用于校准剩余速度的分布趋势与真实剩余速度之间的误差，表示回归系数向量，表示偏差预测模型的基函数向量，表示高斯过程中的随机误差。
8.一种水下结构物破冰剩余速度预测系统，其特征在于，所述系统包括：
数据采样模块：用于在给定的发射速度范围、冰厚范围内采样生成多个第一精度样本点和第二精度样本点，每个样本点均包括发射速度、冰厚两个维度；
过程仿真模块：用于建立水下结构物破冰过程的有限元模型，选取不同的冰材料的本构模型，分别计算第二精度样本点在不同的冰材料的本构模型下的破冰剩余速度的响应值，得到第二精度数据；
模型建立模块：用于基于第二精度数据，分别采用克里金近似建模方法构建多个第二精度模型，用于进行破冰剩余速度预测；搭建水下结构物的缩比模型，测算第一精度样本点在缩比模型下的破冰剩余速度的响应值，得到第一精度数据；通过多个第二精度模型构建趋势模型，通过第一精度数据对趋势模型进行校准，构建预测模型；
所述通过多个第二精度模型构建趋势模型，通过第一精度数据对趋势模型进行校准，构建预测模型具体包括：
将第一精度样本点分别输入多个第二精度模型中，得到多个破冰剩余速度的初步预测值；
基于第一精度数据和破冰剩余速度的初步预测值计算每个第二精度模型的乘法相关系数，将各个乘法相关系数与对应的第二精度分析模型的乘积线性组合，得到趋势模型；
将第一精度样本点输入趋势模型，计算得到第一精度样本点在趋势模型下的响应值，根据第一精度样本点在趋势模型下的响应值与第一精度数据的偏差构建校准模型；
将趋势模型和校准模型叠加，得到预测模型；
速度预测模块：用于通过预测模型预测水下结构物破冰剩余速度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310108642.2A CN115828711B (zh) | 2023-02-14 | 2023-02-14 | 一种水下结构物破冰剩余速度预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310108642.2A CN115828711B (zh) | 2023-02-14 | 2023-02-14 | 一种水下结构物破冰剩余速度预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115828711A CN115828711A (zh) | 2023-03-21 |
| CN115828711B true CN115828711B (zh) | 2023-05-09 |
Family
ID=85521198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310108642.2A Active CN115828711B (zh) | 2023-02-14 | 2023-02-14 | 一种水下结构物破冰剩余速度预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115828711B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017139271A2 (en) * | 2016-02-08 | 2017-08-17 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| CN114996995A (zh) * | 2022-05-20 | 2022-09-02 | 华中科技大学 | 一种超材料隔振单元性能预报方法和系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9128204B2 (en) * | 2011-04-15 | 2015-09-08 | Exxonmobil Upstream Research Company | Shape-based metrics in reservoir characterization |
| CN104088277B (zh) * | 2014-07-16 | 2015-10-28 | 陕西师范大学 | 一种土遗址加固锚杆及其设计方法 |
| FR3088463A1 (fr) * | 2018-11-09 | 2020-05-15 | Adagos | Procede de construction de reseau de neurones pour la simulation de systemes reels |
| CN110738252B (zh) * | 2019-10-14 | 2020-08-14 | 广州地理研究所 | 空间自相关的机器学习卫星降水数据降尺度方法、系统 |
| CN114722690B (zh) * | 2022-06-09 | 2022-09-02 | 华中科技大学 | 基于变可信度神经网络的声学超表面声场快速预测方法 |
-
2023
- 2023-02-14 CN CN202310108642.2A patent/CN115828711B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017139271A2 (en) * | 2016-02-08 | 2017-08-17 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| CN114996995A (zh) * | 2022-05-20 | 2022-09-02 | 华中科技大学 | 一种超材料隔振单元性能预报方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于IceBridge数据的南极别林斯高晋海的海冰厚度研究;张建;杨元德;杨全明;汪楚涯;;冰川冻土(第02期);7-18 * |
| 基于Kriging模型抗冰海洋平台管节点疲劳可靠性研究;宋晓杰;黄一;张崎;;中国海洋平台(第01期);37-40 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115828711A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110457790B (zh) | 用于结构变形分析的近场动力学非连续伽辽金有限元方法 | |
| Becker | Ring fragmentation predictions using the Gurson model with material stability conditions as failure criteria | |
| CN112182938A (zh) | 基于迁移学习-多保真度建模的介观结构件力学性能预测方法 | |
| Bang et al. | Time consumption reduction of ray tracing for RCS prediction using efficient grid division and space division algorithms | |
| CN111274726B (zh) | 一种考虑热效应的天线罩电磁性能分析方法 | |
| TWI834735B (zh) | 海嘯預測裝置、方法、及記錄媒體 | |
| Yin et al. | A unified method for the response analysis of interval/random variable models of acoustic fields with uncertain‐but‐bounded parameters | |
| CN115828711B (zh) | 一种水下结构物破冰剩余速度预测方法及系统 | |
| Nayak et al. | Predicting the near field underwater explosion response of coated composite cylinders using multiscale simulations, experiments, and machine learning | |
| Hou et al. | Hull shape optimization of small underwater vehicle based on Kriging-based response surface method and multi-objective optimization algorithm | |
| CN112329204B (zh) | 考虑载体平台耦合的重复性结构电磁特性特征模快速分析方法 | |
| Boncoraglio et al. | Piecewise-global nonlinear model order reduction for pde-constrained optimization in high-dimensional parameter spaces | |
| CN116484744B (zh) | 物体仿真方法、模型训练方法、装置、设备及存储介质 | |
| Feng et al. | Numerical investigation of collision between massive ice floe and marine structure using coupled SPH-FEM method | |
| Jo et al. | Variable-fidelity aerodynamic design using gradient-enhanced kriging surrogate model with regression | |
| CN113312712B (zh) | 一种面向飞行器优化设计的递归排列演化实验设计方法 | |
| CN113312832B (zh) | 一种基于机器学习的水下爆炸载荷下船体板架结构动响应快速预报方法 | |
| Wang et al. | An improved free surface capturing method based on Cartesian cut cell mesh for water-entry and-exit problems | |
| Borries et al. | Monostatic RCS of electrically large structures using higher-order MLFMM | |
| Wen-Long et al. | Performance comparison and analysis of different schemes and limiters | |
| US20240211664A1 (en) | Digital simulation of a multi-scale complex physical phenomenon by machine learning | |
| Borries et al. | Monostatic RCS Analysis of Electrically Large Structures using Integral Equations | |
| CN113591383B (zh) | 面向多保真度数据的数字孪生建模方法及预测系统 | |
| Guo et al. | A two steps fast monostatic radar cross section simulation scheme based on adaptive cross approximation and singular value decomposition | |
| CN116451570B (zh) | 一种天线罩电磁性能不确定性传播方法和装置 |
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 |