CN114936413A - 船体外形优化神经网络建模方法及船体外形优化方法 - Google Patents

船体外形优化神经网络建模方法及船体外形优化方法 Download PDF

Info

Publication number
CN114936413A
CN114936413A CN202210421252.6A CN202210421252A CN114936413A CN 114936413 A CN114936413 A CN 114936413A CN 202210421252 A CN202210421252 A CN 202210421252A CN 114936413 A CN114936413 A CN 114936413A
Authority
CN
China
Prior art keywords
neural network
ship
training
sample data
control points
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
CN202210421252.6A
Other languages
English (en)
Other versions
CN114936413B (zh
Inventor
唐滨
董韬
李宝君
黄礼敏
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering 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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202210421252.6A priority Critical patent/CN114936413B/zh
Publication of CN114936413A publication Critical patent/CN114936413A/zh
Application granted granted Critical
Publication of CN114936413B publication Critical patent/CN114936413B/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]
    • G06F30/10—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]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Fluid Mechanics (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Feedback Control In General (AREA)

Abstract

船体外形优化神经网络建模方法及船体外形优化方法，涉及船舶设计领域。针对传统的BP神经算法建立的代理模型是基于最基本的神经网络结构而建立的，所以普遍存在收敛速度慢，需要迭代很多次才可以收敛的问题，本发明提供的方案为：船体外形优化精神网络建模方法，方法包括：在待优化船体中选择多个代表船体特征的控制点；改变控制点的坐标，得到新的控制点，作为样本数据；获取控制点对应的船舶的阻力；构建网络模型，将控制点坐标组委输入层神经元，对应的船舶阻力作为训练数据，抽样抽取部分样本数据进行训练，抽取剩余的部分样本数据进行训练，对全部样本数据进行训练，训练完成。适合在船舶制造过程中对船体外形的优化中应用。

Description

船体外形优化神经网络建模方法及船体外形优化方法
技术领域
涉及船舶设计领域，具体涉及船舶的船体外形设计技术领域。
背景技术
船舶阻力是影响船舶设计工作的重要因素，直接关系到船舶的技术和经济指标。目前常用的设计方法主要是根据船模试验资料、应用CFD数值模拟技术对船体改型方案进行性能预报，但是CFD数值模拟计算量极大，计算速度缓慢，针对这个问题，可以采用BP神经网络来建立代理模型，减小计算量。
随着几年来计算机领域的不断发展，基于计算机的机器学习的方法也发展的十分迅速。而传统的经验公式计算精度低且需要工作量不低，而高精度的CFD仿真模拟在优化领域计算量又过于庞大。
目前在船型设计的领域中常用的是传统的BP神经网络模型去代替CFD仿真数值计算，而传统的BP神经网络算法建立的代理模型是基于最基本的神经网络结构而建立的，所以普遍存在收敛速度慢的问题，需要迭代很多次才可以收敛。在对船体外形进行优化的这一领域，神经网络模型的收敛速度也是待解决的关键问题之一。
发明内容
针对传统的BP神经网络算法建立的代理模型是基于最基本的神经网络结构而建立的，所以普遍存在收敛速度慢，需要迭代很多次才可以收敛的问题，本发明提供了一种优化后的神经网络，用于优化船体外形，具体的：
船体外形优化神经网络建模方法，所述的方法包括：
步骤一：在原始船型中选择多个代表船体特征的控制点；
步骤二：通过多次改变所述的控制点的坐标，得到多组新的控制点，分别对应多个船型，作为样本数据；
步骤三：采用CFD技术获取每一个船型的船舶阻力；
步骤四：构建BP神经网络模型，将所述的每一组的控制点坐标作为输入层神经元，并且为每一组控制点对应步骤三中获取的船舶阻力，将每一组的控制点坐标和对应的船舶阻力作为训练数据；
步骤五：为所述的BP神经网络模型设置误差函数；
步骤六：初始化所述的BP神经网络模型中的参数；
步骤七：采用拉丁超立方抽样抽取部分所述的样本数据；
步骤八：采用BP神经网络模型对步骤七中抽取的部分样本数据进行训练，得到训练结果，并计算误差；
步骤九：判断步骤八得到的训练结果的误差是否达到要求，若未达到，则返回步骤八，达到则进行步骤十；
步骤十：采用拉丁超立方抽样，抽取经过步骤七抽取后的剩余样本数据的部分样本数据；
步骤十一：采用BP神经网络模型对步骤十中抽取的部分样本数据进行训练，并计算误差；
步骤十二：判断步骤十一得到的训练结果的误差是否达到要求，若未达到，则返回步骤十一，达到则进行步骤十三；
步骤十三：采用BP神经网络模型对全部样本数据进行训练，直到误差达到要求，训练完成。
优选的，所述的步骤一中控制点的选择方式为：选择在原始船型中均匀分布的坐标点作为控制点，所述的控制点包括三个坐标信息：沿船长方向的坐标信息、沿船宽方向的坐标信息和沿船深方向的坐标信息。
优选的，所述的步骤二中得到的控制点的组数为100组。
优选的，所述的步骤七中，抽取的部分样本数据的数量占总的样本数量的20％-30％。
优选的，所述的步骤八中，训练的具体方式为：采用BP神经网络迭代50-100次步骤八中抽取的数据。
优选的，所述的步骤十中，抽取的样本数据占经过步骤七抽取后的剩余样本数据的百分比为：
(30+70×(2-2×Sigmoid(|10×E/EMAX|)))％，
其中，E表示步骤八中计算的误差，EMAX为预设的误差，Sigmoid表示激活函数。
优选的，所述的BP神经网络的激活函数为Sigmoid函数。
优选的，所述的BP神经网络的误差函数采用mse函数。
基于同一发明构思，本发明还提供了船体外形优化方法，所述的方法包括：
训练步骤：建立神经网络模型；
所述的训练步骤具体为：所述的船体外形优化神经网络建模方法；
寻优步骤：通过所述的训练步骤建立的神经网络模型寻找最优船型。
优选的，所述的寻优步骤具体为：
对训练完成的BP神经网络采用人工蜂群算法进行寻优，寻找出最优船型。
本发明的有益之处在于：
对神经网络的输入进行了优化，对传统的输入方式做出了改变，对样本的输入量进行了控制，最终达到加快了船型优化速度的目的，提高了效率。
本专利提出的改良的神经网络算法进一步加快了计算的速度，替代了计算量过于庞大的 CFD计算，加快了船型优化建模的速度，提高了效率。
在解决船型设计问题中对训练神经网络模型做出了改进并应用了人工蜂群算法寻找对应最优结果的最佳船型，采用了高效率的人工蜂群算法来寻找最优解，进一步提高了整个优化流程的速度。
适合在船舶制造过程中对船体外形的优化中应用。
附图说明
图1为实施方式一提供的船体外形优化神经网络建模方法的流程图；
图2为实施方式九提供的船体外形优化方法的流程图；
图3为实施方式十提供的人工蜂群算法的流程图。
具体实施方式
实施方式一、结合图1说明本实施方式，本实施方式提供了船体外形优化神经网络建模方法，所述的方法包括：
步骤一：在原始船型中选择多个代表船体特征的控制点；
步骤二：通过多次改变所述的控制点的坐标，得到多组新的控制点，分别对应多个船型，作为样本数据；
步骤三：采用CFD技术获取每一个船型的船舶阻力；
步骤四：构建BP神经网络模型，将所述的每一组的控制点坐标作为输入层神经元，并且为每一组控制点对应步骤三中获取的船舶阻力，将每一组的控制点坐标和对应的船舶阻力作为训练数据；
步骤五：为所述的BP神经网络模型设置误差函数；
步骤六：初始化所述的BP神经网络模型中的参数；
步骤七：采用拉丁超立方抽样抽取部分所述的样本数据；
步骤八：采用BP神经网络模型对步骤七中抽取的部分样本数据进行训练，得到训练结果，并计算误差；
步骤九：判断步骤八得到的训练结果的误差是否达到要求，若未达到，则返回步骤八，达到则进行步骤十；
步骤十：采用拉丁超立方抽样，抽取经过步骤七抽取后的剩余样本数据的部分样本数据；
步骤十一：采用BP神经网络模型对步骤十中抽取的部分样本数据进行训练，并计算误差；
步骤十二：判断步骤十一得到的训练结果的误差是否达到要求，若未达到，则返回步骤十，达到则进行步骤十三；
步骤十三：采用BP神经网络模型对全部样本数据进行训练，直到误差达到要求，训练完成。
在这里需要注意的是：本实施方式中提到的步骤一至步骤十三，仅仅为步骤的名称，并不用于作为限制本技术方案的实际操作顺序。
具体的，
首先选取原始船型均匀分布的坐标点作为控制点代表整个船型，控制点集合记为S＝(s1,s2,s3,...,sn)其中S中的每个元素包含三个位置信息：si＝(x1i,x2i,x3i)，其中x1i代表第i 个点沿船长方向的坐标，x2i代表第i个点沿船宽方向的坐标，其中x3i代表第i个点沿型深方向的坐标。
控制点分布在原始船型上，同时通过所有控制点，又能够准确获得原始船型的船体型线，改变全部或控制点坐标即可改变船体型线，获得多组控制点，代表不同船型。
通过商业软件或曲面变形技术对原始船型的船体型线做出一系列的变化，这一步主要是对船艏和船艉的型线做出一定改变，采用拉丁超立方抽样方法，保证数据的稳定性。得到n-1 个新的船体外形后可以得到一系列新的控制点的集合S2,S3,S4,...,Sn。
对新生成的型线利用CFD技术计算阻力：对原始船型和新生成的一系列船型，使用NSYS Fluent、STAR-CCM、comsol、OpenFOAM等软件使用CFD技术计算不同船型下的船舶阻力，每种船型的阻力数据集合记为L＝(l1,l2,l3,...,ln)。
将数据打包：将阻力的数据和船体外形的数据记录在csv文件中，作为神经网络的训练数据。
构建一个bp神经网络，其中bp神经网络的输入层神经元个数设置为3个，对应一个船型的所有控制点包含的三个位置信息x1，x2，x3和该船型对应的阻力值l。隐藏层设置为3层， yi为第i个隐藏层对应的输出。
网络的激活函数设置为Sigmoid函数：
Figure RE-GDA0003764145160000051
其中，σ表示经过激活函数计算后神经元的数值，xij表示第i个隐藏层的第j个输入值。
误差函数采用mse函数:
Figure RE-GDA0003764145160000052
其中L为CFD计算得到的准确阻力值，G(S)为神经网络预测的阻力值，C表示L与G(S) 的方差，E表示mes函数计算所得误差的最小值。
初始化参数：学习率设置为lr，lr为[0-1]的随机数，权值矩阵和偏置矩阵wij设置为[0,1] 间的随机矩阵，i代表隐藏层的层数，j代表对应隐藏层的第j个神经元。
采用拉丁超立方抽样随机抽取总数据集的20％-30％的数据，记为第一次抽取步骤。
在神经网络中迭代50-100次抽取的数据，其中每一步权值w和偏置b更新的公式为：
Figure RE-GDA0003764145160000053
其中w'表示权值的一阶动量，b'表示偏置的一阶动量，t表示迭代次数，初始时t＝0，每次循环完毕后t＝t+1，并计算误差E。
判断误差是否达到要求，如果未达到要求则返回第一次抽取步骤，达到判定要求则继续运行。
采用拉丁超立方抽样随机抽取总数据集的：
(30+70×(2-2×Sigmoid(|10×E/EMAX|)))％，
的样本数据，继承神经网络已训练参数，输入新的样本继续训练，作为第二次抽取步骤；
其中，EMAX表示神经网络计算过程中误差的最大值。
判断误差是否达到指定误差，如果未达到指定误差则返回第二次抽取步骤，达到指定误差则继续运行。
输入全部样本进行训练，直到达到误差精度要求或达到最大迭代次数即可停止计算。
其中的最大迭代次数是根据实际情况设置，通常在达到最大迭代次数时还没有训练完成，则证明设置的误差精度过高，需要调整误差精度。
实施方式二、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的步骤一中控制点的选择方式为：选择在原始船型中均匀分布的坐标点作为控制点，所述的控制点包括三个坐标信息：沿船长方向的坐标信息、沿船宽方向的坐标信息和沿船深方向的坐标信息。
实施方式三、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的步骤二中得到的控制点的组数为100组。
实施方式四、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的步骤七中，抽取的部分样本数据的数量占总的样本数量的20％-30％。
实施方式五、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的步骤八中，训练的具体方式为：采用BP神经网络迭代50-100次步骤八中抽取的数据。
实施方式六、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的步骤十中，抽取的样本数据占经过步骤七抽取后的剩余样本数据的百分比为：
(30+70×(2-2×Sigmoid(|10×E/EMAX|)))％，
其中，E表示步骤八中计算的误差，EMAX为预设的误差，Sigmoid表示激活函数。
实施方式七、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的BP神经网络的激活函数为Sigmoid函数。
实施方式八、本实施方式是对实施方式一提供的船体外形优化神经网络建模方法的进一步限定，所述的BP神经网络的误差函数采用mse函数。
实施方式九、结合图2说明本实施方式，本实施方式提供了船体外形优化方法，所述的方法包括：
训练步骤：建立神经网络模型；
所述的训练步骤具体为：实施方式一提供的船体外形优化神经网络建模方法；
寻优步骤：通过所述的训练步骤建立的神经网络模型寻找最优船型。
实施方式十，结合图3说明本实施方式，本实施方式是对实施方式九提供的船体外形优化方法，所述的寻优步骤具体为：
对训练完成的BP神经网络采用人工蜂群算法进行寻优，寻找出最优船型。
最优船型即为阻力最小船型。
具体的，
BP神经网络训练结束后，得到神经网络模型f(S)，其中S为船舶控制点集合，用以代表预测的船型。利用人工蜂群算法对BP神经网络模型的最优解进行计算，初始化蜜源 X＝[X1,X2,L,XN]，XN∈(Ld,Ud)，其中，Ld表示搜索空间的下限，Ud表示搜索空间的上限，每个蜜源代表一个可行解，X内的每个元素都是一个可行解。设置蜜源最大搜索次数为 limit，算法最大迭代次数为tmax。蜜源XN的初始位置XN＝Ld+rand(0,1)(Ud-Ld)，迭代次数t＝1。
开始搜索步骤：为每个蜜源分配一只引领蜂，在蜜源附近进行搜索。
判断蜜源附近区域的适应度大小，适应度fit＝1/(1+f(S))，根据贪婪选择的方法确定保留的区域作为新的蜜源。
跟随峰跟随的概率由适应度决定，适应度越大，跟随概率越高。当跟随蜂选择跟随时，在被跟随的引领蜂附近寻找蜜源。未选择跟随时则保持不动。
若达到最大迭代次数还未发现新蜜源，则采用侦察蜂大步长搜索新蜜源并转化为引领蜂进行搜索。
当所有蜜蜂完成动作t＝t+1,判断t是否达到最大迭代次数tmax，达到则停止运算，并输出最优解X，即最优船型及其阻力，否则转到开始搜索步骤。
实施方式十一、本实施方式提供了一种计算机储存介质，用于储存计算机程序，所述的储存介质被计算机运行时，计算机执行实施方式一至六任意一项提供的船体外形优化神经网络建模方法。
实施方式十二、本实施放方式提供了一种计算机储存介质，用于储存计算机程序，所述的储存介质被计算机运行时，计算机执行实施方式九至十任意一项提供的船体外形优化方法。
实施方式十三、本实施方式是为实施方式九提供的船体外形优化方法提供一个具体的实践，用于与现有技术对比，具体的：
采用Ferry船型，船型参数如下表：
表1船舶主尺度信息表
Figure RE-GDA0003764145160000081
在船上选取400个控制点，并整理坐标，再进行变换，形成119个新船型；
利用CFD软件计算船舶对应的阻力值后，选取100个样本，分别采用现有神经网络和本发明提供的技术方案中提到的的神经网络对Ferry船型进行优化，得到的神经网络训练时间如下：
表2不同神经网络训练时间对比
训练样本个数 训练时间(s)
原始神经网络 100 1921.52
改进神经网络 100 1637.47
通过上表可以发现，在计算机配置、计算软件、计算精度等要求相同的情况下，实用本发明提供的技术方案训练的神经网络模型消耗的时间比采用现有技术少14.8％。
寻优后得到的最终船型对比如下：
表3不同神经网络预测结果对比
原始船型阻力值 航速 预测最小阻力值
原始神经网络 198KN 16节 189.67KN
改进神经网络 198KN 16节 189.65KN
完成训练的神经网络使用人工蜂群算法进行寻优，可以看出在航速一定的情况下，两种神经网络的预测阻力值十分接近，说明改良过的神经网络模型的收敛能力是在保证了现有技术效果的前提下，提高了神经网络的计算速度，节约了时间。
以上通过几个具体实施方式对本发明提供的技术方案进行进一步详细地描述，是为了使本发明提供的技术方案的优点和有益之处体现得更加具体，不过以上实施方式并不用于作为对本发明的限制，任何基于本发明的精神和原则之内的，对本发明的修改、实施方式的组合、改进和等同替换等，均应当包含在本发明的保护范围之内。

Claims (10)

1.船体外形优化神经网络建模方法，其特征在于，所述的方法包括：
步骤一：在原始船型中选择多个代表船体特征的控制点；
步骤二：通过多次改变所述的控制点的坐标，得到多组新的控制点，分别对应多个船型，作为样本数据；
步骤三：采用CFD技术获取每一个船型的船舶阻力；
步骤四：构建BP神经网络模型，将所述的每一组的控制点坐标作为输入层神经元，并且为每一组控制点对应步骤三中获取的船舶阻力，将每一组的控制点坐标和对应的船舶阻力作为训练数据；
步骤五：为所述的BP神经网络模型设置误差函数；
步骤六：初始化所述的BP神经网络模型中的参数；
步骤七：采用拉丁超立方抽样抽取部分所述的样本数据；
步骤八：采用BP神经网络模型对步骤七中抽取的部分样本数据进行训练，得到训练结果，并计算误差；
步骤九：判断步骤八得到的训练结果的误差是否达到要求，若未达到，则返回步骤八，达到则进行步骤十；
步骤十：采用拉丁超立方抽样，抽取经过步骤七抽取后的剩余样本数据的部分样本数据；
步骤十一：采用BP神经网络模型对步骤十中抽取的部分样本数据进行训练，并计算误差；
步骤十二：判断步骤十一得到的训练结果的误差是否达到要求，若未达到，则返回步骤十，达到则进行步骤十三；
步骤十三：采用BP神经网络模型对全部样本数据进行训练，直到误差达到要求，训练完成。
2.根据权利要求1所述的船体外形优化神经网络建模方法，其特征在于，所述的步骤一中控制点的选择方式为：选择在原始船型中均匀分布的坐标点作为控制点，所述的控制点包括三个坐标信息：沿船长方向的坐标信息、沿船宽方向的坐标信息和沿船深方向的坐标信息。
3.根据权利要求1所述的船体外形优化神经网络建模方法，其特征在于，所述的步骤二中得到的控制点的组数为100组。
4.根据权利要求1所述的船体外形优化神经网络建模方法，其特征在于，所述的步骤七中，抽取的部分样本数据的数量占总的样本数量的20％-30％。
5.根据权利要求1所述的船体外形优化神经网络建模方法，其特征在于，所述的步骤八中，训练的具体方式为：采用BP神经网络迭代50-100次步骤八中抽取的数据。
6.根据权利要求1所述的船体外形优化神经网络建模方法，其特征在于，所述的步骤十中，抽取的样本数据占经过步骤七抽取后的剩余样本数据的百分比为：
(30+70×(2-2×Sigmoid(|10×E/EMAX|)))％，
其中，E表示步骤八中计算的误差，EMAX为预设的误差，Sigmoid表示激活函数。
7.一种计算机储存介质，用于储存计算机程序，其特征在于，所述的储存介质被计算机运行时，计算机执行权利要求1-6任意一项所述的船体外形优化神经网络建模方法。
8.船体外形优化方法，其特征在于，所述的方法包括：
训练步骤：建立神经网络模型；
所述的训练步骤具体为：权利要求1所述的船体外形优化神经网络建模方法；
寻优步骤：通过所述的训练步骤建立的神经网络模型寻找最优船型。
9.根据权利要求9所述的船体外形优化方法，其特征在于，所述的寻优步骤具体为：
对训练完成的BP神经网络采用人工蜂群算法进行寻优，寻找出最优船型。
10.一种计算机储存介质，用于储存计算机程序，其特征在于，所述的储存介质被计算机运行时，计算机执行权利要求8-9任意一项所述的船体外形优化方法。
CN202210421252.6A 2022-04-21 2022-04-21 船体外形优化神经网络建模方法及船体外形优化方法 Active CN114936413B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210421252.6A CN114936413B (zh) 2022-04-21 2022-04-21 船体外形优化神经网络建模方法及船体外形优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210421252.6A CN114936413B (zh) 2022-04-21 2022-04-21 船体外形优化神经网络建模方法及船体外形优化方法

Publications (2)

Publication Number Publication Date
CN114936413A true CN114936413A (zh) 2022-08-23
CN114936413B CN114936413B (zh) 2023-06-06

Family

ID=82861608

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210421252.6A Active CN114936413B (zh) 2022-04-21 2022-04-21 船体外形优化神经网络建模方法及船体外形优化方法

Country Status (1)

Country Link
CN (1) CN114936413B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859485A (zh) * 2023-02-27 2023-03-28 青岛哈尔滨工程大学创新发展中心 一种基于船舶外形特征的流线种子点选取方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633301A (zh) * 2017-08-28 2018-01-26 广东工业大学 一种bp神经网络回归模型的训练测试方法及其应用***
US20200160061A1 (en) * 2017-12-11 2020-05-21 Zhuhai Da Hengqin Technology Development Co., Ltd. Automatic ship tracking method and system based on deep learning network and mean shift
CN111506968A (zh) * 2020-04-21 2020-08-07 常熟理工学院 一种基于bp神经网络算法的船型优化方法
CN111619755A (zh) * 2020-06-09 2020-09-04 中国船舶科学研究中心 一种基于卷积神经网络的船体型线设计方法
US20210157962A1 (en) * 2017-09-08 2021-05-27 Ecole Polytechnique Fédérale De Lausanne Epfl-Tto Shape optimisation of technical devices via gradient descent using convolutional neural network proxies

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633301A (zh) * 2017-08-28 2018-01-26 广东工业大学 一种bp神经网络回归模型的训练测试方法及其应用***
US20210157962A1 (en) * 2017-09-08 2021-05-27 Ecole Polytechnique Fédérale De Lausanne Epfl-Tto Shape optimisation of technical devices via gradient descent using convolutional neural network proxies
US20200160061A1 (en) * 2017-12-11 2020-05-21 Zhuhai Da Hengqin Technology Development Co., Ltd. Automatic ship tracking method and system based on deep learning network and mean shift
CN111506968A (zh) * 2020-04-21 2020-08-07 常熟理工学院 一种基于bp神经网络算法的船型优化方法
CN111619755A (zh) * 2020-06-09 2020-09-04 中国船舶科学研究中心 一种基于卷积神经网络的船体型线设计方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115859485A (zh) * 2023-02-27 2023-03-28 青岛哈尔滨工程大学创新发展中心 一种基于船舶外形特征的流线种子点选取方法

Also Published As

Publication number Publication date
CN114936413B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN107239825B (zh) 考虑负载均衡的深度神经网络压缩方法
CN110245741A (zh) 多层神经网络模型的优化和应用方法、装置及存储介质
CN104751842B (zh) 深度神经网络的优化方法及***
CN111859790B (zh) 一种基于图像特征学习的曲线加筋结构布局智能设计方法
CN112000772B (zh) 面向智能问答基于语义特征立方体的句子对语义匹配方法
CN103729694B (zh) 基于多色集合层次结构的改进ga求解柔性车间调度的方法
CN112947300A (zh) 一种加工质量虚拟量测方法、***、介质及设备
CN110688502A (zh) 一种基于深度哈希和量化的图像检索方法及存储介质
CN112000770A (zh) 面向智能问答的基于语义特征图的句子对语义匹配方法
CN114492191A (zh) 基于dbn-svr的热力站设备剩余寿命评估方法
CN111832839B (zh) 基于充分增量学习的能耗预测方法
CN113269312B (zh) 一种联合量化与剪枝搜索的模型压缩方法及其***
CN108009527A (zh) 一种面向step-nc2.5d制造特征的智能特征识别方法
CN114880806A (zh) 基于粒子群优化的新能源汽车销量预测模型参数优化方法
CN114936413A (zh) 船体外形优化神经网络建模方法及船体外形优化方法
CN113537365A (zh) 一种基于信息熵动态赋权的多任务学***衡方法
CN113255235B (zh) 飞行器复杂结构近似建模方法、装置、设备和介质
CN109284388B (zh) 字符数字唯一可译深度模型的文本分类方法及存储介质
GB2617741A (en) Multi-level multi-objective automated machine learning
CN113868765A (zh) 基于近似模型的船舶主尺度参数优化方法
CN114818128B (zh) 船体局部曲面优化神经网络建模方法及优化方法
CN117421989A (zh) 面向高维昂贵优化问题的代理模型辅助的并行协同方法
CN110399619B (zh) 面向神经机器翻译的位置编码方法及计算机存储介质
CN109740221B (zh) 一种基于搜索树的智能工业设计算法
CN109086868B (zh) 一种抽象图像情感识别方法

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