通过分解-叠加方法，智能预测船舶在输入运动作用下的波浪载荷及晃荡响应

《Ocean Engineering》：Intelligent prediction of ship wave loads and whipping responses from input motions by decomposition-superposition method

人工智能方法用于预测船舶波浪载荷及鞭击载荷的研究。摘要：提出基于分解-叠加的AI预测方法，利用LSTM、ANN、CNN模型分别预测波浪载荷和鞭击载荷，通过超长拖曳水池实验验证，在极端海况下LSTM预测精度最优，尤其在鞭击载荷方面表现显著优于其他模型。

　　在现代海洋工程领域，船舶在复杂海况下的运动与结构响应预测是一个至关重要的课题。随着船舶设计的不断进步，特别是大型柔性船舶的广泛应用，其在恶劣海况中受到的波浪激励不仅包括传统的波频载荷，还涉及高频率的水弹性振动载荷，如 slamming（ slamming 指船舶在波浪冲击下发生的剧烈撞击现象）诱导的 whipping（ whipping 指船舶在波浪作用下产生的高频率局部振动）载荷。这些载荷在船舶设计和安全评估中具有关键意义，因为它们可能对船体结构造成严重损害。因此，开发一种能够准确预测船舶在各种海况下波浪载荷和 whipping 载荷的新方法显得尤为重要。

当前，船舶在海洋中的运行环境多种多样，从平静的海域到极端恶劣的海况，波浪的形态和强度都会对船舶的运动和结构产生显著影响。传统的预测方法主要依赖于经验公式、势流理论和计算流体力学（CFD）模拟，这些方法虽然在一定程度上能够提供可靠的预测结果，但在处理高频率载荷时往往存在局限性。一方面，这些方法通常需要大量的计算资源和复杂的建模过程，难以满足实时预测的需求；另一方面，高频率载荷往往与船体结构的固有频率密切相关，且受到波浪特性的影响较小，使得传统方法在预测这类载荷时不够准确。

近年来，随着人工智能（AI）技术的迅速发展，神经网络等机器学习方法在船舶运动和载荷预测领域得到了广泛应用。这些方法的优势在于其能够从大量历史数据中学习并提取关键特征，从而实现对复杂系统的高效建模和预测。特别是在波浪载荷预测方面，AI方法展现出良好的适应性和准确性，尤其在处理非线性、时变和多变量耦合问题时表现突出。例如，LSTM（长短期记忆）神经网络因其在处理时间序列数据方面的优异性能，被广泛应用于船舶运动和波浪载荷的预测研究中。

本研究提出了一种基于人工智能的分解-叠加方法，用于预测船舶在考虑水弹性效应情况下的波浪载荷和 whipping 载荷。该方法的核心思想是将波浪载荷和 whipping 载荷分别进行预测，再通过合理的叠加方式获得船舶整体的截面载荷。这种思路能够有效分离两种不同频率的载荷特征，从而提高预测的精度。同时，研究还结合了实验数据和数值模拟结果，对所提出方法的有效性进行了全面验证。

为了验证该方法的可行性，研究团队在超长拖曳水池中进行了多段模型试验。试验中，船舶在不同波浪状态和前进速度下运行，涵盖了从轻度到极端恶劣海况的广泛范围。这些试验数据为后续的AI模型训练和测试提供了坚实的基础。通过对试验数据的分析，研究人员能够更好地理解船舶在不同海况下的运动特性和结构响应，并为AI模型的输入输出关系建立提供依据。

在AI模型的选择上，研究团队采用了三种不同的神经网络方法：LSTM神经网络、人工神经网络（ANN）和卷积神经网络（CNN）。这三种模型分别代表了时间序列预测、静态特征提取和空间特征识别的不同能力。通过对比分析，研究发现LSTM模型在预测船舶在各种波浪状态下的载荷时表现出更高的准确性，尤其是在处理 slamming 诱导的 whipping 载荷方面。相比之下，ANN和CNN模型在某些情况下存在一定的局限性，可能无法充分捕捉时间序列数据中的动态变化特征。

研究还探讨了AI模型的输入数据对预测结果的影响。通常，传统的波浪载荷预测方法依赖于波浪本身的测量数据，如波高和波形。然而，这些数据在实际应用中可能难以获取，尤其是在恶劣海况下，波浪测量设备可能受到干扰或损坏。相比之下，船舶的运动数据，如垂向加速度、纵摇和垂荡等，更容易被测量，并且在各种海况下表现出更高的稳定性和实用性。因此，本研究提出以船舶运动数据作为输入，通过AI方法预测波浪载荷，这不仅降低了数据采集的难度，还提高了预测的实时性和可靠性。

此外，研究还考虑了船舶在不同海况下的动态响应特性。在低海况下，船舶的运动和载荷通常呈现出较为线性的特征，而随着海况的加剧，波浪载荷的非线性和复杂性显著增加。特别是在极端恶劣海况下， slamming 诱导的 whipping 载荷可能成为总载荷的重要组成部分，甚至在某些情况下超过波频载荷。因此，开发一种能够有效捕捉这些高频率载荷特征的预测方法，对于提高船舶结构的安全性和可靠性具有重要意义。

为了进一步验证AI模型的预测能力，研究团队还将其预测结果与基于CFD和FEM耦合的数值模拟结果进行了对比。CFD-FEM耦合方法是一种经典的数值模拟技术，能够精确计算波浪载荷和船体结构的响应。然而，这种方法通常需要较长的计算时间，并且对计算资源的要求较高。相比之下，AI模型能够在较短时间内完成预测任务，同时保持较高的精度。通过对比分析，研究发现AI模型在预测波浪载荷和 whipping 载荷方面与数值模拟结果高度一致，表明其在实际应用中具有良好的可行性。

在实际应用中，船舶的运动数据通常包括时间序列信息，如垂向加速度、纵摇角度和垂荡运动等。这些数据能够反映船舶在波浪作用下的动态响应，从而为AI模型提供丰富的输入信息。通过训练AI模型，研究人员能够建立船舶运动与波浪载荷之间的映射关系，使模型能够在新数据输入时准确预测船舶的结构载荷。这种基于数据驱动的预测方法不仅能够提高预测的效率，还能够适应不同船舶和不同海况的复杂情况。

为了确保预测结果的准确性，研究团队还对AI模型的训练过程进行了详细分析。训练数据的选择和预处理是影响模型性能的关键因素之一。通过合理选择训练样本，并对数据进行标准化处理，研究人员能够提高模型的泛化能力和预测精度。此外，研究还探讨了不同时间步长对预测结果的影响，发现合理的时间步长选择能够有效提高模型的稳定性，避免因时间步长过长或过短而导致的预测偏差。

本研究提出的方法不仅适用于特定类型的船舶，如 bow-flare（前部具有明显凸起的船型）船舶，还具有一定的通用性，可以推广到其他类型的船舶结构中。通过将波浪载荷和 whipping 载荷分别进行预测，再进行合理的叠加，研究人员能够更全面地了解船舶在复杂海况下的结构响应。这种分解-叠加的方法在处理多频率载荷问题时表现出良好的效果，能够有效提高预测的精度和可靠性。

综上所述，本研究通过引入AI技术，特别是LSTM神经网络，提出了一种新的船舶波浪载荷预测方法。该方法以船舶运动数据为输入，通过分解-叠加策略实现对波浪载荷和 whipping 载荷的准确预测。实验数据和数值模拟结果的对比分析表明，该方法在预测高频率载荷方面具有显著优势，能够有效提高船舶结构设计和安全评估的精度。未来，随着AI技术的进一步发展和应用，该方法有望在更广泛的船舶工程领域中得到推广和应用。