Метод прогнозирования мощности судовой силовой установки во льдах на основе машинного обучения

A Machine-Learning-Based Method for Ship Propulsion Power Prediction in Ice
Li Zhou, Aimin Wang, Qianyang Sun, Shifeng Ding, Sen Han
2023-07-06

RBF-PSOискусственная нейронная сетьледовое сопротивлениеплавание полярных судовпрогнозирование мощности судовой силовой установки
В последние годы вопросы безопасности плавания полярных судов во льдах стали актуальным направлением исследований. Точное прогнозирование мощности силовой установки играет важную роль в обеспечении безопасности судоходства и оценке навигационных возможностей судна; при этом глубокое обучение широко применяется в судоходной отрасли, а искусственные нейронные сети (ИНС) являются одним из распространённых методов. В настоящем исследовании рассматриваются научные задачи, связанные с ледовым сопротивлением и мощностью силовой установки при проектировании полярных судов, с особым вниманием к разработке модели ИНС для прогнозирования мощности силовой установки полярных судов. Для выбора подходящих входных признаков и обучающей выборки используются традиционные требования к мощности силовой установки, установленные различными классификационными обществами, а также данные модельных и натурных испытаний судов. Рассматриваются три метода прогнозирования: построение модели на основе радиально-базисной функции и оптимизации роем частиц (RBF-PSO) для непосредственного прогнозирования мощности силовой установки; расчёт мощности силовой установки по данным натурных и модельных испытаний с использованием формулы Правил ледовых классов Финляндии и Швеции (FSICR); а также применение искусственной нейронной сети для прогнозирования ледового сопротивления (ANN-IR) с последующим расчётом мощности силовой установки по формуле FSICR. Определяются ошибки прогнозирования и проводится анализ чувствительности соответствующих параметров мощности силовой установки с использованием указанных методов. Результаты показывают, что модель RBF-PSO, основанная на девяти входных признаках, обладает приемлемой обобщающей способностью. По сравнению с данными модельных и натурных испытаний её средняя ошибка составляет приблизительно 14%, что свидетельствует о высокой точности метода и возможности его использования в качестве инструмента прогнозирования мощности силовой установки.
1
Разработана нейросетевая модель RBF-PSO для прямого прогнозирования мощности движителя полярных судов во льду.
2
Для обучения выбраны девять входных признаков на основе требований классификационных обществ, модельных испытаний и натурных испытаний судов.
3
Анализ чувствительности оценил влияние значимых параметров на мощность движителя и подтвердил практическую применимость модели для прогнозирования.
4
Модель RBF-PSO показала приемлемую обобщающую способность; средняя ошибка относительно модельных и натурных данных составила около 14%.
5
Проведено сравнение прямого машинного прогнозирования с расчетами по формуле FSICR на основе измеренных данных и прогнозируемого нейросетью ледового сопротивления.

мощность силовой установки полярных судов при плавании во льдах

точность прогнозирования, чувствительность к параметрам и обобщающая способность оценок мощности силовой установки

Publication Details
Publication Date
2023-07-06
Journal
Publisher
ISSN
Cited by
98
Access Type
Author Information
Authors
Li Zhou
Aimin Wang
Qianyang Sun
Shifeng Ding
Sen Han
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat
Make a presentation
100%