基于机器学习的自升式船舶频域水动力系数智能预测算法研究

来自DEME的研究人员针对传统边界元法(BEM)计算船舶水动力系数过程繁琐的问题，开发了融合物理信息的机器学习(ML)算法。该研究通过ANSYS AQWA构建数据库，成功实现了对自升式船舶(JUV)附加质量、阻尼及激励力等频域水动力系数的快速精准预测，为船舶运动性能分析提供了创新解决方案。

　　

这项研究开创性地将物理信息机器学习(Physics-informed ML)应用于自升式船舶(Jack-Up Vessel, JUV)的水动力特性分析。科研团队突破传统边界元法(Boundary Element Method, BEM)的计算局限，通过ANSYS AQWA软件构建训练数据库，开发出能精准预测频域内附加质量(added mass)、阻尼(damping)和激励力(excitation forces)的智能算法。该技术显著提升了"Innovation"号自升式船舶运动行为计算的效率，将原本需要复杂辐射-绕射模型(radiation-diffraction models)解决的问题，转化为高效的机器学习预测任务。研究特别注重将流体力学基本定律嵌入机器学习模型，确保预测结果既符合数值精度要求，又严格遵循物理规律，为船舶工程领域提供了革命性的分析工具。