基于CFD与高斯过程回归的集装箱船风荷载高效预测方法研究

《Ocean Engineering》：An efficient prediction method for wind loads on container ships based on numerical simulation and Gaussian process regression

本研究针对传统经验公式预测精度不足与CFD计算耗时长的技术瓶颈，提出了一种融合计算流体动力学（CFD）与机器学习的高效风荷载预测框架。研究人员通过构建高精度数值风荷载数据库，结合傅里叶描述子和距离相关系数的几何特征提取技术，利用高斯过程回归（GPR）建立了船体几何特征与风荷载系数间的非线性代理模型。该模型在多船型多角度及单船型变载况两种典型工况下的平均预测误差分别为8.34%和4.42%，为船舶设计与航行安全提供了高精度快速计算方案。

　　

随着全球贸易的持续发展，作为国际物流核心载体的集装箱船正朝着大型化、高速化方向迈进，这显著增大了其受风面积。风荷载已成为影响船舶航行安全、操纵性能和燃油经济性的关键因素。这些荷载主要受船体几何特征、装载状态和风场特性影响，尤其在恶劣海况下，强风可能导致船舶偏航、稳性恶化甚至倾覆事故。目前，风荷载研究主要依赖计算流体动力学（Computational Fluid Dynamics, CFD）、风洞试验和经验公式三类方法。尽管CFD技术能高效模拟集装箱船风荷载并提供详细流场特性，但其结果需经风洞试验验证标定；而传统经验公式虽计算简便，却在预测精度、对新船型的适应性以及捕捉30°–60°斜风非线性荷载变化特性方面存在明显局限。

为解决上述问题，上海交通大学的研究团队在《Ocean Engineering》上发表论文，提出了一种融合数值模拟与机器学习的高效风荷载预测方法。该研究旨在突破传统经验公式精度不足与高精度CFD模拟耗时之间的技术瓶颈。

为开展本研究，研究人员首先建立了集装箱船风荷载的通用数值计算策略，并在上海交通大学多功能风洞实验室通过模型试验验证了其可靠性。关键技术方法包括：1）基于CFD的高精度数值风荷载数据库构建；2）采用傅里叶描述子（Fourier Descriptors）和距离相关系数（Distance Correlation Coefficients）对船体侧视与正视投影轮廓进行几何特征提取与降维；3）应用高斯过程回归（Gaussian Process Regression, GPR）算法构建几何特征参数与风荷载系数间的非线性代理模型。

Test equipment

研究通过数值模拟建立了系统的集装箱船风荷载数据库。为验证数值方法的可靠性，在上海交通大学多功能风洞实验室选用两种典型集装箱船模型进行了验证试验。该实验室配备两个试验段，大试验段提供14米（长）×3米（宽）×2.5米（高）的测试空间，风速范围1–30米/秒，湍流度低于0.5%。

Technical framework of the prediction system

本研究构建的预测系统技术框架包含三个核心环节：首先建立高精度数值风荷载数据库；其次利用傅里叶描述子从船体侧视和正视投影轮廓中提取几何特征，构建包含多维特征参数的样本集；最后引入GPR算法开发几何特征参数与风荷载系数间的高精度非线性映射模型。

Prediction results for different ship types at multiple wind angles

图16展示了代理模型在不同风角下对纵向风荷载系数C_x和横向风荷载系数C_y的预测误差分布。通过四分位距（Interquartile Range, IQR）分析表明，风角对代理模型预测精度具有关键影响。在多船型多角度风荷载预测场景中，模型对纵向和横向风荷载系数的平均预测误差分别为8.34%，证实了该方法在不同船型间的良好泛化能力。

Conclusions

本研究开发了一种融合数值模拟与机器学习的集装箱船风荷载高效预测方法。通过建立通用数值计算策略并经过风洞试验系统验证，结合傅里叶描述子与距离相关系数的几何特征提取技术，以及GPR算法构建的非线性代理模型，成功实现了两种典型工况下的高精度预测：多船型多角度风荷载预测平均误差8.34%，单船型变载况下头风荷载预测平均误差4.42%。该框架为海事工程和船舶设计提供了高效的高精度风荷载预测解决方案。

研究的创新性在于将现代机器学习技术与传统流体力学计算方法相结合，突破了传统方法的局限性。未来研究方向包括扩展数据库规模、优化特征提取算法以及探索更先进的机器学习模型，以进一步提升预测精度和适用范围。