基于人工神经网络的船舶加筋板极限强度预测与逆向设计方法研究

本研究针对船舶加筋板传统设计方法中存在的计算效率低、精度不足等问题，开发了一种基于人工神经网络(ANN)的极限强度预测模型。通过有限元分析(FEA)构建3000个加筋板样本数据库，采用深度学习技术实现了对加筋板极限强度的高精度预测(平均误差0.64%)，并创新性地提出板厚和加筋骨尺寸的逆向设计方法，为船舶结构设计提供了高效可靠的计算工具。

　　

船舶结构在运营过程中承受着船体重量、货物载荷和波浪载荷等多种荷载的共同作用。作为船体结构的主要承力构件，加筋板(stiffened plates)的结构安全性保障在船舶设计阶段至关重要。然而，当前的设计方法由于物理模型准备不足或边界条件假设不当，在所需时间或成本方面存在结果不准确和效率低下的问题。

为了解决这一问题，来自韩国釜山国立大学船舶与海洋工程系的研究团队开展了一项创新性研究，开发了基于人工神经网络(ANN)的加筋板极限强度预测与设计方法。该研究成果发表在海洋工程领域权威期刊《Marine Structures》上，为船舶结构设计提供了新的技术途径。

研究人员首先采用ANSYS APDL软件对3000个包含初始缺陷的T型加筋板模型进行了非线性有限元分析(NLFEM)，考虑了轴向压缩载荷作用下的结构响应。分析模型采用2跨2纵骨(2 bays - 2 spans)的建模方案，使用Shell181单元，更好地模拟了加筋板的连续性特征。初始缺陷包括板局部挠曲(w_0pl)、柱型畸变(w_oc)和加筋骨侧向畸变(w_os)三种形式，采用平均水平的缺陷幅值。

基于有限元分析结果，研究团队构建了深度学习数据库，并开发了人工神经网络模型。该ANN模型包含9个隐藏层，节点数分别为8、16、32、64、128、64、32、16、8，采用ReLU激活函数和Adam优化算法。通过特征选择研究，最终确定了13个输入特征，包括几何特性参数和材料力学性能参数。

研究的主要技术方法包括：1)采用ANSYS非线性有限元分析构建3000个加筋板样本的力学响应数据库；2)应用包含多种初始缺陷的建模技术，更真实地反映实际结构状态；3)开发多层人工神经网络模型，采用前向传播和反向传播算法进行训练；4)使用z-score方法进行数据标准化处理，提高模型训练效率；5)通过特征重要性分析优化输入参数组合。

2.1. 建模技术

研究采用2跨2纵骨模型(1/2 + 1 + 1/2 bays - 1/2 + 1 + 1/2 spans)来准确模拟加筋板的连续性特征。使用Shell181单元，该单元具有4个节点和6个自由度，能够有效处理板和加筋板的大应变问题。

2.2. 场景选择

基于VLCC(超大型油轮)的加筋板参数，选择了3000个分析场景，包括5种板厚(11, 12.5, 15, 18.5, 25 mm)和加筋骨几何特性(h_w, t_w, b_f, t_f)的组合，特别包含了柱细长比λ < 0.5的高波动性区域。

2.3. 初始缺陷

考虑了三种初始缺陷形式：板局部挠曲、柱型畸变和加筋骨侧向畸变，采用平均水平的缺陷幅值，使用Python代码实现缺陷建模。

2.4. 边界条件和载荷

采用简支边界条件，使用位移控制法施加纵向压缩载荷，模拟船体梁垂向弯曲力矩的作用。

4.1. 有限元模型和边界条件验证

通过与Paik(2003)的研究结果对比，验证了有限元模型的初始缺陷插入方法、边界条件和载荷条件的正确性，结果显示高度一致性。

4.2. 结构分析结果

分析结果显示，板细长比β对极限强度有显著影响，板厚增加时极限强度明显提高。识别了六种 collapse modes(倒塌模式)，包括板和加筋骨整体倒塌、板倒塌而无明显加筋骨破坏、梁柱倒塌、加筋骨腹板局部屈曲、加筋骨侧向扭转屈曲(tripping)和总体屈服。

5.1. 极限强度预测的ANN模型

ANN模型预测极限强度的平均误差为0.64%，决定系数R² = 0.9995，平均绝对百分比误差MAPE = 0.6388%。与Lin(1985)、Paik(1997)、Zhang(2009)、Kim(2017)和Xu(2018)等经验公式相比，ANN模型精度显著提高，特别是在λ < 0.5的高波动区域。

5.2. 板厚预测的ANN模型

当加筋骨特性确定时，ANN模型可以预测满足目标极限强度所需的板厚，平均误差为0.98%。通过增加特征参数如A_w/US和A_f/US，提高了预测精度。

5.3. 加筋骨特性预测的ANN模型

ANN模型可以预测满足目标极限强度的加筋骨尺寸(h_w, t_w, b_f, t_f)，平均误差为5.09%。通过增加特征参数如US/z和US/I_plate，改善了预测结果。考虑实际工程应用，对厚度参数进行了0.5 mm的取整处理。

研究结论表明，基于人工神经网络的加筋板极限强度预测方法相比传统经验公式具有更高的精度和更广的适用范围，特别是在柱细长比λ < 0.5的高非线性波动区域。该方法不仅能够正向预测加筋板的极限强度，还能逆向推荐满足强度要求的板厚和加筋骨尺寸组合，为船舶结构设计提供了高效可靠的计算工具。

该研究的重要意义在于将深度学习技术成功应用于船舶结构设计领域，解决了传统方法在计算效率和精度方面的局限性。开发的ANN模型能够在一定程度上替代耗时的非线性有限元分析，在设计的早期阶段快速评估多种加筋板配置方案，显著提高设计效率。此外，逆向设计功能为结构优化和轻量化设计提供了新的技术途径，对推动船舶工业的数字化转型和技术进步具有重要价值。

尽管该模型在预测加筋骨特性方面的精度相对较低，但仍能为设计师提供有价值的参考方案。未来研究可进一步扩展荷载工况、板格比例和加筋骨类型等因素，开发更加全面和通用的结构设计辅助工具。这项研究为人工智能技术在船舶与海洋工程领域的应用提供了成功范例，展示了深度学习在解决复杂工程问题方面的巨大潜力。