船体局部曲面优化神经网络建模方法及船体局部曲面优化方法

摘要

船体局部曲面优化神经网络建模方法及船体局部曲面优化方法，涉及船舶设计领域。针对现有的代理模型中往往需要输入大量的初始样本数据的问题，本发明提供的技术方案为：包括：在待优化船体中选择多个控制点；改变控制点的坐标，得到新的控制点，对应多个船型，作为样本数据；获取水动力特性值构建BP神经网络模型；采集通过BP神经网络模型计算的船舶水动力特性值、CFD技术获取的该组控制点坐标对应的船舶水动力特性值的差值作为误差值；建立Kriging模型，误差值作为输出数据；将误差值和输出的数据之和作为判定数据；判断，若判定数据满足预设要求，则结合BP神经网络模型和Kriging模型，将判定数据作为输出数据，训练完成。适合在船体曲面设计的工作中应用。

说明书

技术领域

涉及船舶设计领域，具体涉及船体外形设计领域。

背景技术

神经网络作为船舶水动力性能预报中常用的手段，其中BP神经网络使用较多，但BP神经网络需要较多样本才能达到一定精度，并且在需要更新样本时无法准确选择样本。

船体曲面优化是实现船舶节能的重要手段之一，船体曲面优化主要是对船舶的水动力性能进行优化，而在船舶水动力性能优化过程中，船舶阻力性能的预报至关重要。并且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。目前船舶阻力性能的预报主要是基于模型试验的水动力性能结果，再根据经验公式来换算到实船尺度、以及基于CFD仿真模拟的船舶水动力性能预报。

随着近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、且高精度的CFD仿真模拟在优化领域计算量又过于庞大，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。

目前在船型设计的领域中常用的是传统的BP神经网络模型去加快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，然而现有的代理模型中往往需要输入大量的初始样本数据，已达到500组初始数据样本，才能保证代理模型的预报精度，这导致样本集的构建时间较长。并且在由于初始样本数据较少，而导致训练过程中得到的误差较大、无法得到精度达标的训练模型、需要更新样本时，现有的BP神经网络只能通过随机的增加初始样本数据来更新样本，无法准确选择能够提高预报精度的样本，导致收敛速度慢的问题，减弱了采用BP神经网络模型进行船型优化的优越性。

发明内容

针对现有的BP神经网络只能通过随机的增加初始样本数据来更新样本，无法准确选择能够提高预报精度的样本，导致收敛速度慢，减弱了采用BP神经网络模型进行船型优化的优越性的问题，本发明提供的技术方案为：

船体局部曲面优化神经网络建模方法，所述的方法包括：

步骤一：在待优化船体中选择多个代表船体特征的控制点；

步骤二：通过改变所述的控制点的坐标，得到至少30组新的控制点，每一组控制点分别对应一种船型，作为样本数据；

步骤三：采用CFD技术获取每一种船型的船舶水动力特性值；

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水动力特性值，将每一组的控制点坐标和对应的船舶水动力特性值作为训练数据；

步骤五：采集通过BP神经网络模型计算的船舶水动力特性值作为对比数据一、将采用CFD技术获取的该组控制点坐标对应的船舶水动力特性值作为对比数据二，将所述的对比数据一与对比数据二的差值作为误差值；

步骤六：建立Kriging模型，将所述的每一组的控制点坐标作为输入数据，对应的通过步骤五得到的误差值作为输出数据；

步骤七：将五步骤得到的误差值和步骤六输出的数据之和作为判定数据；

步骤八：判断所述的判定数据是否满足预设要求，若不满足，则通过判定数据中绝对值最大的数据和对应的一组控制点坐标更新输入层神经元后，返回步骤五；若满足，则进行步骤九；

步骤九：结合所述的BP神经网络模型和Kriging模型，作为BPNN-Kriging模型，将步骤七中得到的判定数据作为BPNN-Kriging模型的输出数据，训练完成。

进一步，所述的步骤一中控制点的选择方式为：选择在待优化船体局部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。

进一步，所述的步骤二中得到的控制点的组数为70组。

进一步，所述的BP神经网络的误差函数采用MSE函数。

进一步，所述的BP神经网络的激活函数采用sigmoid函数。

进一步，所述的步骤六中，Kriging模型的求解方式为：采用粒子群算法求解。

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，计算机执行所述的船体局部曲面优化神经网络建模方法。

船体局部曲面优化方法，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：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；

寻优步骤：采集待优化船体的多个控制点的数据作为所述神经网络模型的输入数据，然后通过所述的神经网络模型获得待优化船体的局部曲面优化参数。

进一步，所述的寻优步骤是采用粒子群算法对所述的训练步骤建立的神经网络模型进行最优值求解。

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，计算机执行所述的船体外形优化方法。

本发明的有益之处在于：

本发明提供的船体局部曲面优化神经网络建模方法克服了现有技术偏见，现有技术中，人们为了节省时间和准备工作，会在神经网络的数据库方面入手，提升运算速度或者改变运算流程，这些都是基于有很大数量的输入样本，在样本数量不达标的情况下，提升运算速度也得不到较佳的训练结果，然后因为样本数量越多，得到的训练结果精度更高的现象，引导人们不会考虑如何在输入样本数量少的情况下获得精度相当的训练结果。

本发明提供的技术方案打破了现有技术的偏见，从误差的角度入手，现有技术中，建模需要基本100组以上，而本发明提供的技术方案采用80组即可，基于样本数量减少20％以上的建模条件，采用Kriging对神经网络的运算误差进行优化，从而得到与现有技术优化结果相当的训练结果。

本发明提供的船体局部曲面优化神经网络建模方法仅需少量样本数据即可建立训练模型，并且通过Kriging对误差进行校正，从而在与现有技术的精度相当的前提下，减少构建训练模型的成本和时间。

本发明提供的技术方案通过Kriging模型预测的误差值和BP神经网络预测的误差值的和作为最终的预测结果，保证了结果的精确度。

本发明提供的技术方案通过Kriging模型预测的误差值中最大的一项作为自适应更新BP神经网络的训练样本，保证了结果的精确度。

适合在船体曲面设计的工作中应用。

附图说明

图1为实施方式一提供的船体局部曲面优化神经网络建模方法的流程图。

图2为实施方式六提到的粒子群算法的流程图；

图3为实施方式八提供的船体局部曲面优化方法的流程图。

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局部曲面优化神经网络建模方法，基于少量输入样本，所述的方法包括：

步骤一：在待优化船体中选择多个代表船体特征的控制点；

步骤二：通过改变所述的控制点的坐标，得到至少30组新的控制点，每一组控制点分别对应一种船型，作为样本数据；

步骤三：采用CFD技术获取每一种船型的船舶水动力特性值；

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水动力特性值，将每一组的控制点坐标和对应的船舶水动力特性值作为训练数据；

步骤五：采集通过BP神经网络模型计算的船舶水动力特性值作为对比数据一、将采用CFD技术获取的该组控制点坐标对应的船舶水动力特性值作为对比数据二，将所述的对比数据一与对比数据二的差值作为误差值；

步骤六：建立Kriging模型，将所述的每一组的控制点坐标作为输入数据，对应的通过步骤五得到的误差值作为输出数据；

步骤七：将五步骤得到的误差值和步骤六输出的数据之和作为判定数据；

步骤八：判断所述的判定数据是否满足预设要求，若不满足，则通过判定数据中绝对值最大的数据和对应的一组控制点坐标更新输入层神经元后，返回步骤五；若满足，则进行步骤九；

步骤九：结合所述的BP神经网络模型和Kriging模型，作为BPNN-Kriging模型，将步骤七中得到的判定数据作为BPNN-Kriging模型的输出数据，训练完成。

具体的：

1.通过船体曲面变形方法来得到船型数据库。

1.1：对母船型船体提取特征变量。以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M＝(m

通过控制点坐标即可表示船型轮廓，获取船体曲面。

1.2：对控制点在一定范围内变化。对集合M中每个控制点m

1.3：改变特征变量后，采用船体曲面变形方法，得到对应特征变量改变后的船体曲面，从而得到初始船型数据库。

2.从船型数据库中抽取初始样本库，并计算水动力特性响应值。

2.1：对该船型数据库采用抽样方法抽取一定数量的船型样本。对初始船型数据库采用拉丁超立方抽样，得到对应数量的船型样本。

2.2：对抽取的船型样本采用CFD(CFD，英语全称(Computational FluidDynamics)，即计算流体动力学)数值模拟方法来计算各样本对应的水动力特性。

2.3：将抽取的船型样本的特征变量作为初始样本库，将对应的水动力特性值作为响应值。为构建代理模型，将与抽取的船型样本对应及对应的水动力特性值作为响应值。

3.对初始样本库建立BP神经网络模型。

3.1：将初始样本库的船型样本的特征变量作为输入，将对应的水动力特性作为输出，构建BP神经网络模型。将抽取的船型样本的坐标作为输入，水动力特性值作为输出，构建BP神经网络模型。

3.2：设置神经网络的隐藏层数，神经元个数，激活函数，损失函数，学习率等，经过一定次数的迭代可得到训练完成的BP神经网络模型。激活函数采用sigmoid函数，损失函数采用均方误差MSE函数，学习率可设为0.01-0.1。初始权值和偏置均设置为[0，1]的随机数，具体的：

sigmoid函数具体为：

MSE函数具体为：

其中，

σ表示神经元上输入x

4.对BP神经网络的预测误差构建Kriging模型。并将BP神经网络模型与Kriging模型结合成为BPNN-Kriging模型。

4.1：经过BP神经网络模型计算船型样本的预测水动力特性值。

4.2：将预测水动力特性值与CFD数值模拟方法计算的水动力特性值之差作为误差值。

4.3：对船型样本的特征变量和对应的误差值建立Kriging模型。将抽取的船型样本的坐标作为输入，误差值作为输出，建立Kriging模型。

4.4：将两个模型结合成为BPNN-Kriging模型，预测结果为BP神经网络模型预测值与Kriging模型预测误差值相加。

5.判断Kriging模型预测误差值是否满足精度要求，若满足精度要求，则转向下一步，若不满足，则通过预测误差值绝对值的最大值更新初始样本库后重复步骤3-5。

5.1：对Kriging模型采用粒子群寻优算法寻找误差绝对值最大值，并判断误差绝对值最大值是否满足精度要求，若满足则构建完成。

5.2：若不满足要求，则将误差绝对值最大值所对应的船型加入初始样本库进行样本库的更新，并重复步骤3-5。

实施方式二、本实施方式是对实施方式一提供的船体局部曲面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：选择在待优化船体局部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局部曲面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70组。

实施方式四、本实施方式是对实施方式一提供的船体局部曲面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。

实施方式五、本实施方式是对实施方式一提供的船体局部曲面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采用sigmoid函数。

实施方式六、结合图2说明本实施方式，本实施方式是对实施方式一提供的船体局部曲面优化神经网络建模方法的进一步限定，所述的步骤六中，Kriging模型的求解方式为：采用粒子群算法求解。

实施方式七、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局部曲面优化神经网络建模方法。

实施方式八、结合图3说明本实施方式，本实施方式提供了船体局部曲面优化方法，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：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；

寻优步骤：采集待优化船体的多个控制点的数据作为所述神经网络模型的输入数据，然后通过所述的神经网络模型获得待优化船体的局部曲面优化参数。

实施方式九、本实施方式是对实施方式八提供的船体局部曲面优化方法的进一步限定，所述的寻优步骤是采用粒子群算法对所述的训练步骤建立的神经网络模型进行最优值求解。

实施方式十、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八提供的船体外形优化方法。

实施方式十一、本实施方式是采用实施方式八提供的船体局部曲面优化方法对实际的船型进行优化后得到的数据和记录的实验过程，具体的：

本实施方式选取的待优化船型参数如下面所示：

待优化船型参数：

采用现有的BP神经网络进行优化，经测试采取110组样本，优化后阻力值为269.55KN，对比原船型阻力减少了4.34％。

采用本方案，初始输入70组样本，经过11次样本更新，最终为81组样本，优化后阻力值为269.92KN。对比原船型阻力减少了4.21％。

通过上述数据可以得出，本方案对比现有BP神经网络技术，在输入样本数量减少了26.36％的情况下，即可得到相近的优化效果。证明本方案能够在保证精度的同时减少样本的输入数量。