CN116341358A - 一种结合深度学习的大型浮标运动响应与锚泊张力预测方法 - Google Patents
一种结合深度学习的大型浮标运动响应与锚泊张力预测方法 Download PDFInfo
- Publication number
- CN116341358A CN116341358A CN202310028354.6A CN202310028354A CN116341358A CN 116341358 A CN116341358 A CN 116341358A CN 202310028354 A CN202310028354 A CN 202310028354A CN 116341358 A CN116341358 A CN 116341358A
- Authority
- CN
- China
- Prior art keywords
- buoy
- motion response
- tension
- large buoy
- anchoring
- 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.)
- Pending
Links
- 230000004044 response Effects 0.000 title claims abstract description 64
- 238000004873 anchoring Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000013178 mathematical model Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000009471 action Effects 0.000 claims abstract description 8
- 239000012530 fluid Substances 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种结合深度学习的大型浮标运动响应与锚泊张力预测方法,该方法基于计算流体力学开源代码OpenFOAM,建立大型浮标系统水动力数学模型,研究不同风、浪、流作用下大型浮标运动响应、辅助浮筒运动响应及锚泊系统张力特性;利用实测数据对数学模型进行对比验证。同时建立深度学习框架LSTM模型,利用验证后的数学模型计算得到的浮标和辅助浮筒运动响应与锚泊系统张力数据训练LSTM模型并采用实测值对其进行优化,即可采用优化后的LSTM模型实现大型浮标、辅助浮筒运动响应和锚泊系统张力的精准预测。本方法将基于计算流体力学开源代码OpenFOAM构建的数学模型与LSTM模型耦合,可大大提高浮标运动响应与锚泊系统张力预测的精确程度和预测效率。
Description
技术领域
本发明涉及深度学习领域,尤其涉及一种结合深度学习的大型浮标运动响应与锚泊张力预测方法。
背景技术
如何准确地检测海洋环境、合理开发海洋资源是目前世界面临的主要问题,大型浮标是一种能够长期、稳定检测海洋环境的重要观测平台。浮标在锚定海域的运动情况以及锚系的受力情况对于其稳定性与可靠性至关重要。为此,需要对大型浮标运动响应及锚泊张力进行研究与分析。
海洋浮标系统工作环境复杂恶劣,同时受到风、浪、流等海洋环境因素的影响,在极端海洋环境下极易出现锚泊系统损坏、断裂、移位的现象。长期以来,研究者们常采用物理实验和数值模拟的方法对浮标运动响应和锚泊系统张力特性进行研究。然而,物理实验中,模拟在风、浪、流等复杂海洋环境耦合影响下浮标的运动响应和锚泊系统张力较为困难,需要消耗大量的物资、时间和人力成本;在数值模拟中,浮标运动响应和锚泊系统张力的模拟通常基于势流理论开展,未考虑强非线性波流荷载的影响,预测结果往往存在一定的偏差,亟需提高其计算精确度。
发明内容
本发明涉及了一种结合深度学习的大型浮标运动响应与锚泊张力预测方法。本方法基于计算流体力学开源代码OpenFOAM,建立大型浮标系统水动力数学模型,研究不同风、浪、流作用下大型浮标运动响应特性、辅助浮筒运动响应及锚泊系统张力特性。利用六自由度运动仪和水下拉力计获得浮标系统、辅助浮筒的运动响应及锚泊系统张力的信息,并与数值结果进行对比验证。同时建立深度学习框架LSTM模型,利用优化后的大型浮标系统水动力数学模型计算得到的大型浮标、辅助浮筒运动响应与锚泊系统张力数据训练LSTM模型,并利用实测数据对LSTM模型进行优化,基于优化后的LSTM模型即可实现大型浮标、辅助浮筒运动响应和锚泊系统张力的精准预测。
为实现以上目的,本发明采用的技术方案是:
一种结合深度学习的大型浮标运动响应与锚泊张力预测方法,对于给定的大型浮标系统,基于计算流体力学开源代码OpenFOAM,建立在风、浪、流作用下大型浮标系统水动力数学模型,获得不同波高、波周期下的锚泊系统张力和大型浮标、辅助浮筒的运动响应,研究浮标和辅助浮筒的水动力特性及多结构耦合运动响应特性。
利用六自由度运动仪和水下拉力计获得大型浮标、辅助浮筒的运动响应及锚泊系统张力信息,与大型浮标系统水动力数学模型计算结果进行对比验证,从而得到优化后的大型浮标系统水动力数学模型,利用优化后的大型浮标系统水动力数学模型计算得到大型浮标、辅助浮筒运动响应与锚泊系统张力数据,并将得到的大型浮标、辅助浮筒的运动响应和锚泊系统张力数据序列进行归一化处理,划分为训练集和验证集;构建LSTM模型,利用训练集数据对模型进行训练,初步得到预测模型;使用验证集数据对模型参数进行调整,使得预测结果与实测值的误差最小,确定最优LSTM模型。
对于确定的LSTM最优模型,将工程中实测的风场、波高、波周期、海流流速作为输入数据,即可实现对锚泊系统张力以及大型浮标、辅助浮筒运动响应的预测。
上述技术方案中,进一步地,所述基于计算流体力学开源代码OpenFOAM,建立在风、浪、流作用下的大型浮标系统水动力数学模型,具体为:
在OpenFOAM数值计算模型中设定初始边界条件和输入物理参数,包括风场、波高、波周期和海流流速。
基于OpenFOAM标准求解器olaFlow,在大型浮标系统运动求解计算中植入锚链求解模块MOODY,对所述大型浮标系统水动力数学模型进行求解,获得大型浮标、辅助浮筒运动响应以及锚泊系统张力,从而研究大型浮标和辅助浮筒的水动力特性及多结构耦合运动响应特性。
其中,所述锚泊系统张力分析基于动力学平衡方程展开,采用间断有限元数值方法进行计算。
进一步地,基于所述大型浮标系统水动力数学模型得到的浮标运动响应方程如下:
其中,K(t-τ)为系统延迟函数矩阵;t为时间;τ为延迟时间;Fi(t)为作用在浮标结构上的环境荷载;Fm(t)为锚泊系统张力;X为浮标在六个自由度上的运动响应矩阵,六个自由度包括纵荡、横荡、垂荡、横摇、纵摇、艏摇;分别代表X的二阶导和一阶导;M表示浮标的质量矩阵;μ表示浮标附加质量矩阵;C是阻尼矩阵。
进一步地,试验中的大型浮标与辅助浮筒的运动响应由六自由度运动仪测得,锚泊系统的张力由水下拉力计测得,将获得的数据对大型浮标系统水动力数学模型计算结果进行验证。
进一步地,在输入LSTM模型前,需要对大型浮标和辅助浮筒的运动响应和锚泊系统张力数据进行归一化处理,归一化方程如下:
xnorm=(x-xmin)/(xmax-xmin)
同样,归一化后的数据在经过网络训练后,必须经历一个去归一化的过程,才能生成实际的输出数据,实际输出数据的计算方程如下:
x=xnorm(xmax-xmin)+xmin
其中,x为训练数据的实际值;xnorm为归一化后的数值;xmax和xmin分别为训练数据的最大值和最小值。
进一步地,将归一完毕的数据集按7:3的比例划分为训练集和验证集,使用训练集和验证集数据对模型参数进行训练与调整,使得预测结果与实际值的误差最小,确定最优LSTM模型。
进一步地,预测模型根据数据的复杂程度对LSTM模型进行设置:时间窗值为200、LSTM层数为3层、每层神经元为256个,优化器为Adam。
进一步地,所述的预测模型在训练过程中,根据误差分析函数平均绝对误差MAE、均方误差MSE、预测误差最大百分比Emax对神经网络进行训练,更新参数,以得到最优模型,误差分析函数的计算公式如下:
进一步地,根据实际工程,将实测的风场、波高波周期、海流速度作为输入数据,使用最优模型预测锚泊系统张力和浮标、辅助浮筒的运动响应。
本发明的有益之处在于:
基于计算流体力学开源代码OpenFOAM,建立大型浮标系统水动力数学模型,研究不同风、浪、流作用下大型浮标运动响应特性、辅助浮筒运动响应及锚泊系统张力特性。利用六自由度运动仪和水下拉力计获得大型浮标、辅助浮筒的运动响应及锚泊系统张力的信息,并与数值结果进行对比验证。同时建立深度学习框架LSTM模型,利用验证后的浮标、辅助浮筒运动响应与锚泊系统张力数据,训练LSTM模型并优化,实现大型浮标、辅助浮筒运动响应和锚泊张力的精准预测。本方法基于开源平台OpenFOAM与LSTM模型的耦合,完成了风浪流场下大型浮标、辅助浮筒的运动响应与锚泊系统张力的预测。其中,通过实测数据优化大型浮标系统水动力数学模型可以提高数值计算的精确程度,经过优化后的大型浮标系统水动力数学模型也能弥补实测难以模拟复杂工况下浮标系统运动的缺陷;同时本发明的LSTM预测模型利用优化后的数值模型计算数据进行训练并采用实测值进行优化,可大大提高其对大型浮标、辅助浮筒运动响应与锚泊系统张力预测的精度和效率。
附图说明
图1为本发明的预测方法流程图;
图2为给定的大型浮标锚泊系统示意图;
图3为本发明的LSTM神经网络预测原理图;
图4为本发明的LSTM模型训练过程图;
图5为本发明的均方误差MSE收敛示意图;
图6为本发明锚泊系统张力随时间变化的预测结果对比示意图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案进行进一步说明,但是本发明的保护范围不局限于所述实施实例。
图1为本发明的预测方法流程示意图。首先基于计算流体力学开源代码OpenFOAM,建立大型浮标系统水动力数学模型,研究不同风、浪、流作用下大型浮标运动响应特性、辅助浮筒运动响应及锚泊系统张力特性。利用六自由度运动仪和水下拉力计获得浮标、辅助浮筒运动响应及锚泊系统张力信息,并与大型浮标系统水动力数学模型的计算结果进行对比验证。同时建立深度学习框架LSTM模型,利用优化后的大型浮标系统水动力数学模型计算得到的大型浮标、辅助浮筒运动响应与锚泊系统张力数据训练LSTM模型,并基于实测值优化LSTM模型,基于优化后的LSTM模型即可实现大型浮标、辅助浮筒运动响应和锚泊系统张力的精准预测。
图2为给定的大型浮标锚泊系统示意图。所述的大型浮标系统包括十米浮标标体、辅助浮筒和锚泊系统,辅助浮筒通过锚链与十米浮标标体相连;浮标系统采用三点锚泊方式固定,所述大型浮标的锚泊基础采用霍尔锚。
图3为本发明的LSTM神经网络预测原理图。相比于原始的RNN的隐层,LSTM增加了一个细胞状态Ct,以及原有的三个门控单元即遗忘门、输入门、输出门。
其中遗忘门ft和输入门it使用sigmoid作为激活函数,公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
单元状态更新值的激活函数通常使用tanh,公式如下:
输出门ot以及隐层状态ht的公式如下:
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot·tanh(Ct)
其中,ft代表遗忘门,σ表示非线性sigmoid函数,Wf,bf分别表示遗忘门的权重矩阵与偏置函数,ht-1,xt分别表示上一时刻的输出结果与当前时刻的输入;it代表输入门,Wi,bi分别表示输入门的权重矩阵与偏置函数;代表输入门的当前状态,Wc,bc分别表示当前状态的权重矩阵与偏置函数;Ct代表当前时刻的状态参量,Ct-1表示上一时刻的状态参量;ot代表输出门,Wo,bo分别表示输出门的权重矩阵与偏置函数。ht代表根据当前状态参量与输出门结果计算得到当前时刻的预测结果。
图4为本发明的LSTM模型训练过程图。首先输入初始参数以及目标参数,得出各隐含层的权重和偏置项,求出输出实际值与目标值的偏量差(损失),判断是否超出允许误差范围,若超出允许误差范围,则进行反向传播运算,更新权重,再一次进入循环计算各隐含层参数,直至损失小于允许误差,训练结束,获得确定的权重及偏置。
图5是本发明的均方误差MSE收敛示意图。通过损失函数将预测结果与训练过程中的真实锚泊系统张力进行比较。为了使这种损失最小化,不断更新训练过程中的参数。如图5所示,当损失值稳定且不再下降时,则认为该模型已经过训练。
图6是本发明锚泊系统张力随时间变化的预测结果对比示意图。经过训练,预测结果与实际结果吻合较好。
当然,以上只是本发明的具体应用范例,本发明还有其他的实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明所要求的保护范围之内。
Claims (7)
1.一种结合深度学习的大型浮标运动响应与锚泊张力预测方法,其特征在于:
基于计算流体力学开源代码OpenFOAM,建立在风、浪、流作用下的大型浮标系统水动力数学模型;所述大型浮标系统水动力数学模型的输入为风场、波高、波周期和海流流速,输出为大型浮标运动响应特性、辅助浮筒运动响应特性及锚泊系统张力;利用六自由度运动仪和水下拉力计获得大型浮标、辅助浮筒的运动响应及锚泊系统张力信息,与大型浮标系统水动力数学模型计算结果进行对比验证,从而得到优化后的大型浮标系统水动力数学模型;
将风场、波高、波周期、海流流速作为输入,将锚泊系统张力以及大型浮标、辅助浮筒运动响应作为输出,建立深度学习框架LSTM模型;利用优化后的大型浮标系统水动力数学模型计算得到的大型浮标、辅助浮筒运动响应与锚泊系统张力数据训练LSTM模型,基于实测值对LSTM模型进行优化,基于优化后的LSTM模型即可实现大型浮标、辅助浮筒运动响应和锚泊系统张力的精准预测。
2.根据权利要求1所述的一种结合深度学习的大型浮标运动响应与锚泊张力预测方法,其特征在于:所述的大型浮标系统包括十米浮标标体、辅助浮筒和锚泊系统,辅助浮筒通过锚链与十米浮标标体相连;大型浮标系统采用三点锚泊方式固定,所述大型浮标的锚泊基础采用霍尔锚。
3.根据权利要求1所述的一种结合深度学习的大型浮标运动响应与锚泊张力预测方法,其特征在于:所述基于计算流体力学开源代码OpenFOAM,建立在风、浪、流作用下的大型浮标系统水动力数学模型,具体为:
在OpenFOAM中设定初始边界条件和输入物理参数,包括风场、波高、波周期和海流流速;
基于OpenFOAM标准求解器olaFlow,在大型浮标系统运动求解计算中植入锚链求解模块MOODY,对所述大型浮标系统水动力数学模型进行求解,获得大型浮标、辅助浮筒运动响应以及锚泊系统张力,从而研究大型浮标和辅助浮筒的水动力特性及多结构耦合运动响应特性;
其中,所述锚泊系统张力分析基于动力学平衡方程展开,采用间断有限元数值方法进行计算。
5.根据权利要求1所述的一种结合深度学习的大型浮标运动响应与锚泊张力预测方法,其特征在于:在利用LSTM模型前,将大型浮标、辅助浮筒的运动响应和锚泊系统张力数据序列进行归一化处理,归一化方程如下:
xnorm=(x-xmin)/(xmax-xmin)
其中,x为训练数据的实际值;xnorm为归一化后的数值;xmax和xmin分别为训练数据的最大值和最小值;
同样,归一化后的数据在经过网络训练后,必须经历一个去归一化的过程,才能生成实际的输出数据,实际输出数据的计算方程如下:
x=xnorm(xmax-xmin)+xmin。
6.根据权利要求1所述的一种结合深度学习的大型浮标运动响应与锚泊张力预测方法,其特征在于:根据数据的复杂程度对LSTM模型设置不同的时间窗值、LSTM层数、每层神经元个数以及优化器,以寻找最优模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310028354.6A CN116341358A (zh) | 2023-01-09 | 2023-01-09 | 一种结合深度学习的大型浮标运动响应与锚泊张力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310028354.6A CN116341358A (zh) | 2023-01-09 | 2023-01-09 | 一种结合深度学习的大型浮标运动响应与锚泊张力预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116341358A true CN116341358A (zh) | 2023-06-27 |
Family
ID=86890486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310028354.6A Pending CN116341358A (zh) | 2023-01-09 | 2023-01-09 | 一种结合深度学习的大型浮标运动响应与锚泊张力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341358A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252123A (zh) * | 2023-10-09 | 2023-12-19 | 中国海洋大学 | 一种浮式结构的全耦合cfd-系泊非线性分析方法 |
CN117664187A (zh) * | 2024-02-02 | 2024-03-08 | 国家海洋技术中心 | 一种基于水声通讯的潜标实时健康状态监测系统及方法 |
-
2023
- 2023-01-09 CN CN202310028354.6A patent/CN116341358A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117252123A (zh) * | 2023-10-09 | 2023-12-19 | 中国海洋大学 | 一种浮式结构的全耦合cfd-系泊非线性分析方法 |
CN117664187A (zh) * | 2024-02-02 | 2024-03-08 | 国家海洋技术中心 | 一种基于水声通讯的潜标实时健康状态监测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116341358A (zh) | 一种结合深度学习的大型浮标运动响应与锚泊张力预测方法 | |
Li et al. | Data‐driven modeling of bridge buffeting in the time domain using long short‐term memory network based on structural health monitoring | |
CN105354363A (zh) | 基于核极限学习机的脉动风速预测方法 | |
CN110046379B (zh) | 一种基于空间-频率信息的结构整体损伤识别方法 | |
CN110631792B (zh) | 基于卷积神经网络的抗震混合试验模型更新方法 | |
CN111638034B (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
CN106568647B (zh) | 一种基于神经网络的混凝土强度预测方法 | |
Abdelaziz et al. | A smart façade system controller for optimized wind-induced vibration mitigation in tall buildings | |
Yao et al. | Wave height forecast method with multi-step training set extension LSTM neural network | |
Tsai et al. | Physics-informed long short-term memory networks for response prediction of a wind-excited flexible structure | |
Castellon et al. | Investigations of the long-term extreme buffeting response of long-span bridges using importance sampling Monte Carlo simulations | |
Ding et al. | Jaya-based long short-term memory neural network for structural damage identification with consideration of measurement uncertainties | |
CN112307536B (zh) | 一种大坝渗流参数反演方法 | |
CN111539157B (zh) | 一种基于多层感知机的动载荷时域识别方法 | |
Laima et al. | A Buffeting-Net for buffeting response prediction of full-scale bridges | |
Xu et al. | Prediction of long-term extreme response due to non-Gaussian wind on a HSR cable-stayed bridge by a hybrid approach | |
Lotfollahi-Yaghin et al. | Artificial neural network ability in evaluation of random wave-induced inline force on a vertical cylinder | |
Kankal et al. | Artificial neural network for estimation of harbor oscillation in a cargo harbor basin | |
CN114398819A (zh) | 一种基于深度学习的非结构网格有效波高预测方法与系统 | |
CN112818455A (zh) | 一种桥梁结构响应监测方法及系统 | |
Qin et al. | Operational modal analysis based on neural network with singular value decomposition | |
Cotrim et al. | Neural network meta-models for FPSO motion prediction from environmental data | |
Xu et al. | Prediction of Total Force and Moment of Ship Based on Improved BP Neural Network | |
Kang et al. | Research on Jacket Digital Twin Prediction Technology Based on LSTM | |
Liu et al. | Data augmented prediction of Reynolds stresses for flows around an axisymmetric body of revolution |
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 |